数据科学家

岗位职责
1、业务问题拆解与理论融合建模
基于复杂模糊的组织场景，能够快速理解并融合多学科理论的专家经验输入，完成业务需求拆解，将抽象的问题转化为情境化、时序化、可证据链追溯的数据科学可解问题。
2、分层标签资产搭建
能够完成全链路分层特征、事实标签、推理指标设计，搭建统一的标准化标签资产库，实现一套底层标签的多场景复用，完成特征代偿、低置信数据源权重约束等工程规则落地。
3、全链路模型与 MLOps 生命周期治理
负责时序偏离检测、多源共振推理、因果推断、贝叶斯动态建模整套算法全流程：
从多源异构行为数据清洗、特征工程、样本平衡、模型训练、模型可解释性归因，到线上推理、阈值动态调优、反馈迭代、模型监控、资产沉淀 MLOps 闭环；搭建业务反馈自迭代机制，实现模型越用越精准。
4、因果推断与可解释建模驱动业务决策
以因果推断、时序先导指标分析、多变量共现挖掘为核心，搭建完整证据链归因体系，输出「变化趋势 + 成因解释 + 分层干预动作」完整决策依据。
5、跨学科协同与方案交付支撑
联动行为学、心理学、管理学等领域专家，面向业务、客户、管理层通俗拆解复杂算法逻辑、因子含义、模型效果边界；支撑标杆客户 MVP 试点落地、数据探查、效果复盘，沉淀可复用行业标准化建模方法论。
岗位要求
1、5 年及以上数据科学落地实战经验，有多场景融合建模落地案例优先；具备复杂多源异构数据下搭建分层画像、风险预警体系完整项目经验，有因果推断、时序异常检测等落地成果；有跨学科（行为学 / 心理学 / 管理学 + 数据）建模经验者优先。
2、精通 Python 数据栈、机器学习、深度学习等，熟练时序特征、分箱、样本不平衡处理、分层抽样；精通 SQL，熟练 MLOps 完整流程；
3、深刻掌握因果推断、时序异常检测、可解释性分析、分层基线建模，熟悉贝叶斯、多变量协同共振建模思路；
4、统计学、应用数学、计算机硕士及以上；有心理学、行为学、管理学等交叉复合背景优先。
5、结构化逻辑思维，擅长把抽象管理诉求拆解为可量化时序特征与分层因子；具备产品化思维，建模优先考虑跨场景、多客户复用性；
6、优秀的跨团队协同能力，可同步对接业务专家、产品、工程、客户多方，能向非技术管理者通俗解释模型边界、因子含义、风险判断逻辑；
7、严谨客观，重视模型可解释性、业务可落地性；具备长期资产沉淀意识，擅长标准化方法论、特征资产沉淀；