杭州数据分析助理
数据分析助理是负责协助数据分析师进行数据收集、整理、清洗和分析的专业人员。他们通常负责使用统计软件和相关工具处理大量数据，生成报表和可视化图表，帮助团队深入了解数据背后的趋势和规律。数据分析助理需要具备扎实的数学和统计学知识，熟练运用数据分析工具如Python、R、SQL等，能够理解和解释数据模型和统计结果。此外，良好的沟通能力和团队合作精神也是数据分析助理所需具备的素质，因为他们需要与团队其他成员密切合作，理解业务需求并为决策提供数据支持。在快速发展的数据驱动决策环境中，数据分析助理扮演着重要的角色，为企业的战略决策提供可靠的数据支持。
薪酬概览
平均月薪
¥8500
中位数 ¥8000 ｜ 区间 ¥7000 - ¥10000
数据来源：谈职全网13份招聘数据；更新时间：2026年7月13日
月薪分布
53.8% 人群薪酬落在 0-8k
三大影响薪酬的核心维度
影响薪资的核心维度1：工作年限
影响薪资的核心维度2：学历背景
市场需求
6月新增岗位
5
对比上月：岗位减少26
数据由各大平台公开数据统计分析而来，仅供参考。
岗位需求趋势
不同经验岗位需求情况
| 工作年限 | 月度新增职位数 | 职位占比数 |
|---|---|---|
| 应届 | 2 | 100% |
热招职位
1. 基于对各业务单元商业模式的理解，沉淀分析体系与指标框架，有效进行业务现状还原、问题定位与成因分析；
2. 与数据技术部门配合，建设并持续迭代集团层面看板与数据可视化，保障可用性、准确性与一致性；
3. 参与集团级核心目标体系的建设与重构，建立自动化监控、异常检测与告警机制；
4. 对业务战略及策略进行周期追踪，通过多种手段评估策略其有效性，为策略制定与演进提供量化证据；
5. 与集团CFO线、安全线等其他团队充分协作，参与集团核心场景的数据建设与披露工作。
1. 5年以上数仓ETL开发或者数据分析相关工作经历, 熟悉数据仓库模型设计方法论，
2. 熟悉掌握SQL, 能熟练使用SQL进行数据的清洗、加工、分析等，有一定的SQL调优知识和经验(加分项)
3. 熟悉数据产品和数据管理的知识和技能，包括但不局限于：数据集市设计、数据治理、数据质量、数据运维保障等；
4. 具备基本的财务专业知识, 有互联网财务域数据开发经验者优先
5. 有DATA+AI场景经验的优先考虑；
6. 具备较强的抗压能力、能适应高强度的工作节奏
1、统计学、应用数学、计算机、经济学、运筹学或相关专业本科及以上学历；精通 SQL、Python/R 等数据分析工具，具备高效处理海量交易数据的能力。
2、 扎实的统计学基础，深刻理解因果推断（Causal Inference）理论。熟悉至少一种主流因果推断框架（如 CausalML, DoWhy, EconML 等）或有实际落地经验者优先。熟练掌握常用机器学习算法，并能区分预测模型与因果模型的应用边界。
3、3-5 年互联网大厂数据分析、数据科学或算法相关经验。有电商交易链路、营销策略评估、广告归因或用户增长领域经验者优先。具备完整的 A/B 实验全流程管理经验，或在观察性数据中进行因果效应估计实战经验者极佳。
4、 能够敏锐捕捉交易链路中的关键变量，具备良好的逻辑思维能力和沟通表达能力。结果导向： 不仅能产出分析报告，更能推动分析结论在业务侧落地，具备优秀的跨部门协作能力。
5、AI 相关经验（加分项）：具备一定的数据分析类 Agent/Skill 或者 LLM 后训练（数据预处理、Prompt 工程、模型微调）的实践经验尤佳。
1.本科及以上学历，3年以上互联网商业分析、经营分析相关工作经验，计算机，统计学、数学、经济学专业优先；
2. 具备良好的SQL和数科分析能力，对AB实验，因果推断熟悉，有复杂实验设计经验的优先；
3. 有大促营销玩法等分析经验，能够洞察商业本质，挖掘机会点，并能够协调整合资源，推动各方拿到结果；
4．好奇心强，主动性强，能快速学习，能够独立思考；
1.计算机、统计、应用数学、运筹学、经济学或者类似专业的教育背景，有通过算法帮助业务获得增长或拓展业务边界与探索出更多业务可能的经验
2.学习能力强，能快速定位和学习电商业务，深入理解业务的前提下能结合业务场景进行前瞻性思考和布局，有电商领域数据驱动业务增长项目经验的优先
3.有商业sense和产品感觉，能结合自身业务通过数据探索商业本质的设计与思考，能够很好地把产品和业务问题转化成分析问题，同时也能够很好地把分析的结果转化成业务决策和数据产品
4.优秀的逻辑思维能力和创造力，能快速学习和持续创新，足够豁达，有好奇心，有热情，有激情
5.团队协作能力佳，责任心强，执行力强，有目标感，抗压能力强，独立、主动的工作态度
6.nlp、搜索推荐、机器学习、深度学习算法经验是加分项
1. 学历与专业背景
● 本科及以上学历，统计学、数学、计算机、数据科学、管理科学或相关专业；
● 3 年以上商业分析、数据科学经验，有AI、电商、物流或供应链行业背景者优先；
2. 技术栈与工具能力（建模 + AI + 因果）
● 数据与建模：精通 SQL & Python，具备海量数据处理能力；熟练掌握机器学习算法（XGBoost/LSTM等），有成熟的预测或分类建模落地案例（如单量预测、时效预估）；
● AI 应用与创新：具备 LLM/AI Agent 应用意识，能探索如何利用 AI 工具（如自动归因、智能报告）提升商分效率，有从 0 到 1 搭建垂直领域智能体并实现自动化决策的项目经验；
● 因果推断与实验：扎实掌握统计学基础，熟练运用因果推断方法（DID/IV/PSM）解决混杂因素问题，能独立设计复杂 AB 实验并量化策略真实收益；
3. 商业思维与洞察
● 业务敏感度：具备极强的商业嗅觉，能从宏观大盘到微观链路，快速识别业务异常与机会点（如成本机会、体验短板）；
● 策略闭环能力：具备极强的结构化思维，能将模糊的业务痛点拆解为可量化的子问题，擅长将数据洞察转化为可落地的经营策略；
● 全局经营视角：具备UE和ROI思维，能在体验、成本、效率之间寻找最优平衡点，为管理层提供具有前瞻性的决策建议；
4. 综合素质与影响力
● 沟通与协同：具备出色的跨团队沟通能力，能作为“业务伙伴（BP）”深入一线，与运营、产品、研发同频对话，推动复杂项目落地；
● 结构化表达：擅长撰写高质量分析报告，逻辑清晰、结论明确，能通过“策略大图”等形式直观呈现核心观点，有效影响高层决策；
● 自驱与抗压：适应互联网快节奏，对结果负责，能在不确定性中主动寻找突破口。
【加分项】
● 有从 0 到 1 搭建数据分析 AI Agent 或自动化报表系统的成功案例；
● 在 Kaggle 等数据竞赛中获奖，或有开源 AI 项目贡献。
1. 数据资产全景与指标体系构建：负责搭建数据资产全景视图，提炼关键业务指标，通过数据洞察市场趋势，为决策层输出专业数据建议
2. 全链路效率监控与优化：围绕AI模型训练场景，构建数据全链路转化漏斗监控体系，追踪各环节转化率与周期效率，识别并推动解决流程卡点，保障数据高效流转
3. 反馈闭环建设与质量评估：建立从数据反馈出发的优化体系，统一拉齐数据质量评估标准，指导提升数据质量的提升及需求的衔接度
4. 跨团队协作与决策支持：协同数据开发、算法团队优化大模型训练效果，设计实验监控模型的反馈结果，给出量化的指标和建议，促进模型的不断优化
1. AI数据资产体系建设：负责核心AI数据资产体系，结合业务需求与数据算法能力，主导大数据的处理、解析、分析、挖掘、研发及优化工作。
2. 合成数据与数据多样性：主导结合场景的合成数据多样性生产： 探索基于 AI 模型的合成数据技术，主动解决特定领域（如逻辑推理、长尾语种）的数据稀缺问题。
3. 基于大模型做特征筛选、小模型蒸馏、小模型效果评估，主导欺诈评分等能力建设上。
4. 数据驱动的生产闭环：基于评测/资产结论，将其转化为工程层面的“数据增强策略”。通过反馈快速构建数据生产流程形成数据供给的闭环。
5. 持续跟踪及探索Data + AI方向的行业进展（如Data Agent、AIOps、湖仓一体智能优化等），主动开展技术预研与原型验证，推动先进技术在公司中的适配与规模化应用。
1. 负责情报团队的数据能力和体系建设，通过沉淀丰富的档案能力支持复杂多变的情报业务。
2. 重点围绕商品数据构建商品档案库、挖掘潜在业务领域知识，用数据提升业务效能，向业务前线直接贡献价值。
3. 通过深入理解业务及策略，抽象业务过程、沉淀可复用的数据洞察能力，提供系统性的解决方案。
4. 借助大模型实现日常数据开发的 Agent 工作流。
数据技术及产品部-数据处理工程师-RL训练数据方向（Work）
我们正在搭建 Work（AI 协同办公）方向的 RL/RFT 训练数据体系。这个岗位的核心职责是从线上回流数据中挖掘高价值样本：清洗、筛选、合成、发现 bad case，把海量线上数据变成模型训练和数据标注真正能用的东西。
职位描述
1. 线上数据回流与清洗
对接模型线上 rollout 产生的原始数据（轨迹、日志、用户反馈、执行结果等），设计清洗 pipeline，去重、去噪、过滤无效样本，把脏数据变成结构化可用的样本集。
2. 高价值数据挖掘
从海量线上数据中挖掘对模型训练有价值的样本：高难度任务、罕见场景、模型易错 case、用户真实需求分布。建立挖掘策略（规则 + 模型 + LLM 多信号融合），提升高价值样本的召回率。
3. Bad Case 发现与归因
系统性发现 bad case：模型执行失败、输出低质量、轨迹异常、用户投诉等。对 bad case 做根因分类（模型能力问题 / 数据分布问题 / 任务定义问题 / 环境依赖问题），输出结构化报告驱动数据补充和评测修正。
4. 数据合成与增强
设计数据合成策略：基于 LLM 对已有样本做变体生成、难度扩展、场景泛化，补充模型训练数据中的稀缺类型；验证合成数据质量，确保合成样本可直接用于训练。
5. LLM 驱动的精细化筛选
用 LLM-as-judge、质量评分模型等方式对海量数据做精筛，识别"表面合理但实际错误"的样本，把数据质量从"能看"升级到"能训"。设计筛选阈值与采样策略，平衡数据规模与质量。
6. 数据标注前置处理
为下游标注团队准备可标注的数据包：去重、预分类、标注难度分级、边界 case 标记，降低标注成本、提升标注效率。定期输出数据分布报告，指导标注优先级。
7. 数据 Pipeline 与基础设施
搭建端到端的数据处理 pipeline：采集 → 清洗 → 挖掘 → 合成 → 筛选 → 输出。保证数据可追溯（血缘管理）、可复现（版本管理）、可观测（关键指标监控）。
8. 协同算法与标注团队
与模型训练团队对齐"下一轮需要什么数据"，与标注团队对齐"什么样的数据值得标"，把数据挖掘变成模型能力提升的持续供给。
1.本科及以上学历，3年以上互联网商业分析、经营分析相关工作经验，计算机，统计学、数学、经济学专业优先；
2.具备良好的SQL和数科分析能力，对AB实验，因果推断熟悉，有复杂实验设计经验的优先；
3. 有用户视角，能够洞察商业本质，挖掘机会点，并能够协调整合资源，推动各方拿到结果；
4. 好奇心强，主动性强，能快速学习，能够独立思考；
1. 计算机、数学或统计学相关专业硕士及以上学历；
2. 熟练掌握Java/C++/Python中至少一门语言，有扎实的数据结构和算法基础；
3. 熟悉常用的机器学习和深度学习算法，具备优秀的分析和解决问题的能力，良好的沟通协作能力；
4. 有机器学习、强化学习、信息检索、推荐系统、计算广告学及算法博弈论相关领域研究和实践经验，在以上领域的国际会议或者期刊上发表过论文者更佳；
5. 有生成式搜索推荐或者搜推Agent算法等经验背景的同学更佳；
1. 计算机、人工智能、自然语言处理、数据挖掘、软件工程等相关专业，本科及以上学历。
2. 具备搜索、NLP、推荐、知识图谱、大模型应用、RAG 或企业知识库相关项目经验。
3. 熟悉信息检索基础，了解关键词检索、向量检索、语义匹配、排序模型、结果重排等常见技术。
4. 熟悉大模型应用开发流程，理解 RAG、Embedding、Prompt、上下文构建、工具调用等基本概念。
5. 具备较强的工程实现能力，熟练掌握 Python，并熟悉至少一种常用后端开发语言或工程框架。
6. 具备良好的数据分析和实验能力，能够通过指标、实验和 bad case 分析持续优化算法效果。
7. 具备较强的问题抽象能力和沟通协作能力，能够理解复杂业务场景，并转化为可落地的算法方案。
加分项
1. 有企业搜索、知识库问答、智能客服、研发 Copilot、AI Agent、代码智能等项目经验。
2. 熟悉 Elasticsearch、OpenSearch、Milvus、pgvector、Neo4j 等搜索、向量库或图数据库工具。
3. 有知识图谱、实体识别、关系抽取、领域知识建模等相关经验。
4. 有 Embedding、Reranker、排序模型、语义匹配模型优化经验。
5. 有企业内部工具、研发平台、数据治理、知识管理等相关系统建设经验。