亚马逊
Data Engineer , Worldwide Global Selling -AIT
Data Engineer , Worldwide Global Selling -AIT
发布于 2 小时前普通员工/个人贡献者
全职员工仅现场办公数据工程
数据工程
Ai基础设施
Etl/Elt
实时数据处理
数据建模
数据治理
特征工程
值不值得投
80综合评分
综合评分 80
聚焦AI数据基建与跨境业务，技术前沿、薪酬优厚，发展路径清晰
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便横向比较。
薪资怎么样
6.5万
比数据工程中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 260 个在招 · 其中数据工程 2 个
市场机会
选择面较广
北京 · 数据工程 · 约 160 个在招
职位详情
关于这个职位
负责设计并搭建端到端的数据管道与AI就绪型数据底座，支撑业务分析与AI应用
构建统一数据模型与治理体系，整合多源数据，为LLM及推荐系统提供高质量特征输入，保障数据质量与Pipeline稳定性
最低要求
+ years of data engineering experience
Experience with data modeling, warehousing and building ETL pipelines
工作职责
Design and implement end-to-end data pipelines (batch and streaming) for data collection, transformation, and storage — supporting both AI application and analytics use cases
Build and maintain integration layer data models that serve as a unified, AI-ready data foundation across WWGS domains
Develop automated data quality monitoring, alerting, and observability tooling to ensure pipeline reliability and data trustworthiness
Integrate multi-source data (seller behavior, transaction logs, off-platform signals, AI outputs) into a coherent, governed data layer
Establish data standardization and governance policies ensuring consistency, accuracy, and compliance across AI and BI consumption layers
Design and implement end-to-end data pipelines (ETL) to ensure efficient data collection, cleansing, transformation, and storage, supporting both real-time and offline analytics needs.
Collaborate with cross-functional teams (e.g., Product, Operations, Tech) to align data logic, integrate multi-source data (e.g., user behavior, transaction logs, AI outputs), and build a unified data layer.
Provide structured data inputs for AI model training and inference (e.g., LLM applications, recommendation systems), optimizing feature engineering workflows.
优先资格
Experience with AWS technologies like Redshift, S3, AWS Glue, EMR, Kinesis, FireHose, Lambda, and IAM roles and permissions
Experience with non-relational databases / data stores (object storage, document or key-value stores, graph databases, column-family databases)
AI 洞察
优缺点分析
优点
- 接触海量跨境交易数据与前沿AI工程实践，技术视野开阔
- 依托AWS成熟云原生技术栈，基础设施完善，研发效率高
- 平台资源雄厚，内部技术分享与跨团队交流机制成熟
- 数据规模庞大且来源异构，对系统高可用、低延迟与强一致性要求极高
- 需频繁对接产品、运营与技术团队，需求对齐与跨部门协同成本较大
- AI技术迭代迅速，需持续跟进LLM、Agent等新范式并快速落地到数据管线
- 适合追求技术深度、对AI工程化与大数据架构有强烈兴趣，且具备优秀跨团队沟通能力的中高级数据工程师
缺点 / 挑战
- 全球化业务场景带来丰富的数据多样性与架构挑战，利于能力跃升
角色解读
- 纵向深耕：向资深数据架构师、AI基础设施专家或首席数据工程师发展
- 横向拓展：转向机器学习工程、数据平台产品管理或技术团队负责人角色
- 业务融合：深入跨境电商业态，成为懂数据、懂AI、懂业务的复合型技术骨干
- 搭建和维护大规模批流一体数据管道，完成数据采集、清洗、转换与存储
- 构建统一的数据模型与治理体系，打造AI就绪型数据底座
- 开发数据质量监控与可观测性工具，保障Pipeline稳定性与数据可信度
- 为LLM应用与推荐系统等AI模型提供结构化特征数据与工程支持
- 精通ETL/ELT架构设计与分布式数据处理框架
- 熟练掌握AWS云数据服务生态（Redshift, S3, Glue, EMR等）
- 具备扎实的数据建模、数据仓库规划与数据治理能力
- 了解AI/ML工程化流程，掌握特征工程与向量化数据处理方法
申请策略
- 提前研读目标公司领导力原则，面试中重点体现结果导向、客户至上与主人翁精神
- 准备1-2个高复杂度数据架构设计的STAR案例，清晰呈现技术决策权衡与业务价值
- 突出端到端数据管道搭建经验，量化处理数据量、吞吐提升比例及SLA达成率
- 详细列出AWS核心数据服务实战项目，说明选型依据、性能调优与故障排查过程
- 展示数据治理与质量监控案例，体现标准化策略制定与合规落地能力
- 补充AI特征工程支持经验，说明如何优化数据供给以提升模型训练/推理效果
- 强化流批一体计算框架（Spark/Flink）与云原生数据湖仓架构知识
- 补充向量数据库、特征存储平台及AI Agent数据管线设计相关技能
面试指南
- 采用STAR法则结构化回答，先交代业务背景与数据规模，再说明技术选型逻辑与架构设计
- 重点阐述遇到的核心难点、替代方案对比、性能调优手段（如分区策略、缓存机制、并行度调整）
- 最后落脚于可量化的业务收益（如延迟降低X%、成本节省Y%、模型准确率提升Z%）
- 贯穿数据治理意识，强调监控覆盖度、异常恢复机制与跨团队协同落地经验
- 请分享一个你设计的高并发/大数据量ETL管道，如何保证数据一致性与低延迟？
- AWS Redshift、S3与Glue在实际项目中如何协同？遇到过哪些性能瓶颈，如何优化？
- 如何设计一套完整的数据质量监控、告警与根因定位机制？
- 为LLM应用构建特征数据时，如何处理非结构化数据与实时流数据的融合？
职位点评
薪资福利85
成长发展90
工作生活60
使命价值75
薪资福利
85较高
一线科技企业薪酬体系完善，现金与长期激励组合具备市场竞争力，法定福利与补充保障健全。
薪资信号偏高 (4.5千–8.5万/月)
成长发展
90较高
聚焦AI就绪型数据底座与自动化前沿方向，技术栈先进，内部技术社区与跨团队轮岗机会丰富。
技术前沿前沿/新兴技术
技术栈AWS、Redshift、S3、Glue、EMR、Kinesis、Lambda、LLM、特征工程、数据治理
业务类型profit_center
工作生活
60中等
跨国企业通常注重员工体验，但数据工程与AI研发节奏较快，具体弹性政策需以实际为准。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
75中等
助力中国企业出海与全球卖家增长，具有明确的商业价值与社会经济影响力，技术赋能业务导向清晰。
行业发展稳定成熟行业
社会影响正向社会影响力较高
创新程度积极采用新技术
亚马逊 的其他在招职位
相似职位推荐
Watch Jobs