天猫
供应链产品技术部-大模型预测算法专家-杭州
供应链产品技术部-大模型预测算法专家-杭州
发布于 大约 8 小时前普通员工/个人贡献者
全职员工仅现场办公算法优化工程师
算法优化工程师
Llm
Pytorch
Tensorflow
分布式训练
因果推断
时序预测
机器学习
深度学习
值不值得投
75综合评分
综合评分 75
技术驱动供应链创新的前沿算法岗，对算法深度和业务理解要求极高，成长性突出但工作生活平衡需确认。
从薪资福利、成长空间、工作节奏和岗位方向综合评估，方便横向比较。
薪资怎么样
48K
比算法优化工程师中位数低
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 290 个在招 · 其中算法优化工程师 9 个
市场机会
选择面较广
杭州 · 算法优化工程师 · 88 个在招
职位详情
关于这个职位
作为天猫供应链产品技术部的大模型预测算法专家，你将专注于供应链智能化的核心驱动力
你的主要工作是分析海量供应链时序数据，参与自研时序预测大模型的研发与优化，设计并落地时序预测与因果推断算法，以解决销量预测、新品预测等关键问题，驱动业务核心经营目标的达成
最低要求
计算机科学、统计学、运筹优化、机器学习、人工智能等相关专业硕士或以上学历
熟练掌握 Python，熟悉 PyTorch/TensorFlow 等深度学习框架，具备大规模分布式训练与推理经验
熟悉 SQL、Spark/Hadoop/Flink 等大数据处理工具，能高效处理海量电商数据
扎实的时序预测基础，熟悉至少一类主流方法：统计模型（ARIMA/Prophet）、深度学习模型（DeepAR、TFT、N-BEATS、PatchTST 等）、时序基础模型（Chronos、TimesFM、MOIRAI 等）
熟悉因果推断基础方法，如因果图、工具变量（IV）、双重差分（DID）、因果森林、Uplift Modeling 等
对营销组合建模、价格弹性、促销效应估计、新品冷启动预测有实际项目经验者优先
具备业务抽象与建模能力，能够将复杂业务场景分解、抽象为标准化业务模型，并面向业务问题进行算法建模
具备电商、零售、供应链或时尚行业（Fashion/服饰）相关算法经验者优先
有将复杂学术成果转化为工业级方案并在真实业务中规模化落地者优先
在顶级会议或期刊发表过时序预测、因果推断、机器学习相关论文者优先
热爱算法研发，具备 hands-on 能力，持续关注学术前沿
积极、乐观、向上、皮实，具有较好的团队合作精神，勇于面对挑战
工作职责
负责淘天海量供应链时序数据的分析与建模，覆盖销量预测、新品预测、S&OP、补货计划等端到端场景，持续提升自营行业预测准确率
紧跟时序基础模型（TSFMs：Chronos、TimesFM、MOIRAI 等）与 LLM-based Forecasting（Agentic Forecasting、In-Context Forecasting 等）前沿方向，参与自研时序预测大模型 Tidal-FM 的架构设计、训练范式优化与样本增强，构建预测域深度技术壁垒
设计、研发并落地时序预测与因果推断算法，综合运用统计分析、机器学习、深度学习、因果推断等方法，提升预测准确性与业务可解释性，推动可量化的业务价值
针对国内超市、跨境供给、Fashion88 等行业特性，构建新品预测、新品打爆（价格/流量/投资因子驱动的因果推断模型）等算法能力，支撑行业单量、GMV 与损益等核心经营目标达成
优先资格
对营销组合建模、价格弹性、促销效应估计、新品冷启动预测有实际项目经验者优先
具备电商、零售、供应链或时尚行业（Fashion/服饰）相关算法经验者优先
有将复杂学术成果转化为工业级方案并在真实业务中规模化落地者优先
在顶级会议或期刊发表过时序预测、因果推断、机器学习相关论文者优先
AI 洞察
优缺点分析
优点
- 技术极其前沿，直接参与自研大模型，技术壁垒高
- 业务价值明确且核心，算法成果能直接驱动GMV等关键指标
- 拥有顶级平台和海量数据，能接触到业界最复杂的供应链场景
- 团队致力于构建技术壁垒，有良好的学术与工程结合氛围
- 技术难度极高，需要同时具备时序预测、因果推断、大模型等多领域深度知识
- 对业务理解要求深，需将算法能力与多变的电商零售场景紧密结合
- 大模型研发与落地竞争激烈，需持续保持技术领先
- 适合对时序预测与因果推断有浓厚兴趣、具备扎实数理和编程功底、乐于将前沿技术应用于复杂业务场景并追求技术深度的资深算法工程师
缺点 / 挑战
暂无明显挑战项
角色解读
- 技术专家路线：深耕时序预测与因果推断领域，成为公司乃至业界的技术权威
- 架构师路线：负责更大范围供应链算法体系的架构设计与技术规划
- 技术管理路线：带领算法团队，负责技术方向与业务目标的结合
- 负责供应链场景下海量时序数据的分析与建模，解决销量预测等业务问题
- 深度参与自研时序预测大模型（Tidal-FM）的架构设计与训练优化，紧跟前沿技术
- 设计并落地时序预测与因果推断算法，将学术成果转化为可量化的业务价值
- 针对特定行业特性构建专项算法能力，支撑GMV、损益等核心经营目标达成
- 扎实的时序预测与因果推断理论基础及实战经验
- 熟练掌握Python、PyTorch/TensorFlow等编程与深度学习框架
- 具备处理海量数据的大规模分布式计算能力（如Spark）
- 优秀的业务抽象与建模能力，能将复杂场景转化为算法问题
申请策略
- 深入研究天猫的供应链业务，理解“自营行业”、“S&OP”、“补货计划”等核心环节的痛点
- 准备一个清晰的、将学术算法转化为业务价值的个人案例故事
- 面试时展现出对技术的热情、对业务的思考以及良好的团队合作沟通能力
- 重点突出与“时序预测”、“因果推断”、“大模型”相关的项目经验、技术方案和量化成果（如准确率提升、业务收益）
- 清晰展示处理大规模数据和分布式训练/推理的技术栈与实践经验
- 体现对供应链或电商零售业务的理解和思考，以及将学术论文落地的案例
- 如有高质量论文或开源贡献，务必在简历中强调
- 系统复习并深化时序基础模型（如Chronos、TimesFM）和因果推断方法
面试指南
- 采用STAR法则（情境-任务-行动-结果）结构化描述项目经验，重点突出技术选型、创新点和业务影响
- 从技术原理、数据要求、落地难度、业务解释性等多角度辩证分析技术趋势
- 结合业务目标（如GMV、库存周转），说明模型指标如何与商业指标关联，并考虑成本、稳定性等
- 从业务理解、数据特点、技术选型、迭代策略等多个维度阐述系统性思考
- 围绕模型性能、工程效率、可扩展性、可维护性等方面进行回答
- 请介绍一个你最有挑战性的时序预测或因果推断项目，你采用了什么技术方案？遇到了哪些困难，如何解决的？
- 你如何看待TSFMs（如Chronos）和LLM-based Forecasting在供应链预测中的应用前景与局限性？
- 如何评估一个预测模型的业务价值，除了准确率指标，你还会关注什么？
职位点评
薪资福利75
成长发展90
工作生活50
使命价值80
薪资福利
75中等
作为技术密集型核心岗位，薪资水平在杭州市场应有竞争力，但具体福利未在JD中明确体现。
薪资信号市场水准 (35K-60K/月)
成长发展
90较高
该职位处于AI与供应链交叉的前沿领域，直接参与自研大模型，技术成长空间极大，且业务价值清晰，有利于构建深厚的技术壁垒。
技术前沿前沿/新兴技术
技术栈时序基础模型、LLM、因果推断、深度学习、分布式训练
成长机会构建预测域深度技术壁垒、推动可量化的业务价值
业务类型profit_center
工作生活
50较低
工作模式未在JD中说明，需在面试时确认。作为核心算法岗位，可能存在一定的工作强度要求。
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
80较高
通过算法提升供应链效率，具有明确的商业价值和一定的社会意义（优化资源）。岗位涉及前沿算法创新，有较强的驱动感。
行业发展稳定成熟行业
社会影响中性/一般
使命信号推动自动化、智能化升级、为业务创造可量化的效率提升与成本优化
创新程度积极采用新技术
Watch Jobs