薪酬概览
平均月薪
¥13900
中位数 ¥0 ｜ 区间 ¥11000 - ¥16700
数据来源：样本数量过少，仅供参考；更新时间：2026年7月13日
月薪分布
42.9% 人群薪酬落在 8-15k
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
7月新增岗位
67
对比上月：岗位新增64
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 |
|---|---|---|
| 1-3年 | 38 | 57.6% |
| 3-5年 | 28 | 42.4% |
热招职位
1、 清晰的分析逻辑以及良好的业务洞察能力，能快速发现问题、拆解问题并定位到影响业务的关键点；
2、 数据处理能力强，可使用多种方式提取数据并进行分析，熟练掌握hive、SQL、excel等相关数据提取工具；
3、 良好的沟通能力和团队协作能力，能够有效地和业务方，数据技术团队沟通交流，并且能够以分析师的视角给业务提供建议；
4、 结构化思维，能定位、解构问题，并有初步解题能力；
5、 良好的数据敏感度,能从海量数据提炼核心结果，能独立编写商业数据分析报告；
数据仓库工程师15-30万年薪
1. 协助架构师，对接业务、数据分析团队，理解业务需求，将需求转化为具体的数据开发任务，支撑报表制作、数据大屏、自助分析等业务场景落地。
2 . 配合架构师完成企业数据仓库分层架构落地，参与ODS/DWD/DWS/ADS各层数据模型设计、开发与迭代，严格遵循数仓建模标准及数据治理规范。
3. 负责海量业务数据的接入、清洗、转换、分层加工，参与离线数仓、实时数仓及数据集市的搭建。
4. 运用Hive、Spark、Flink等大数据组件，完成高效SQL脚本编写、数据同步任务及数据校验脚本等数据开发工作；解决数据同步延迟、数据异常、查询卡顿等常见问题；参与SQL调优、任务性能优化等工作。
5. 完成数据同步工具、自定义UDF、数据服务接口等底层组件的开发与调试，具备基础Java开发能力，能配合完成二次开发工作。
6. 负责数仓日常运维，包括任务调度监控、数据质量排查、元数据维护，沉淀数据资产，配合团队推动数据质量监控体系落地。
7. 学习大数据、云原生数仓新技术，配合架构师完成架构优化，参与降本增效相关工作，保障数仓稳定运行。
1.面向阿里集团语音大模型及相关业务场景，参与"评测→数据→训练→再评测"闭环中的数据侧工作，建立从评测信号到数据规格的转化机制，覆盖组件级、系统级、产品能力评测发现的数据需求；
2.执行数据配方实验，通过系统实验研究数据规模、配比、质量对模型行为的影响——这是行业尚无系统答案的研究命题；
3.建设数据质量度量体系，将评价标准从"交付量与标注准确率"升级为"数据对模型效果的可量化贡献"，并参与数据质量标准的建设与验证；
4.建设端到端数据基础设施——采集、清洗、标注、质控、版本管理的自动化（不可变原则与血缘追踪），以及 AI 预标注 + 人工校正流程的最优配比研究；
5.对接算法与模型训练团队，基于实验证据回答"下一轮应使用什么数据。
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. 基于数据语义化，利用大模型做资产库的AI native 的自动生产。
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。
数据技术及产品部-AI 数据研发工程师-数据公共层建设/数据语义层建设
1、主导面向Agent的新型数据语义层架构设计与落地，推动数据资产从数据表向智能体可理解、可调用、可推理的消费模式演进；
2、负责端到端数据建模设计与开发交付，基于流批一体架构（Flink + Spark + Paimon）实现业务模型的统一构建与服务；
3、负责数据质量治理与链路稳定性保障，建立覆盖全链路的监控告警、血缘追踪，确保关键数据任务满足SLA要求；
1、 清晰的分析逻辑以及良好的业务洞察能力，能快速发现问题、拆解问题并定位到影响业务的关键点；
2、 数据处理能力强，可使用多种方式提取数据并进行分析，熟练掌握hive、SQL、excel等相关数据提取工具；
3、 良好的沟通能力和团队协作能力，能够有效地和业务方，数据技术团队沟通交流，并且能够以分析师的视角给业务提供建议；
4、 结构化思维，能定位、解构问题，并有初步解题能力；
5、 良好的数据敏感度,能从海量数据提炼核心结果，能独立编写商业数据分析报告；
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；
【必备项】
1. 学历经验：本科及以上，3 年以上数据研发 / AI 数据工程 / 数据平台相关工作经验；
2. 数据工程：精通 SQL，熟练掌握 Java / Python / Sql 至少一种；具备扎实的数仓建模（维度建模/范式建模）与ETL 实战经验；
3. 大数据栈：熟悉 Hadoop / Hive / Spark / Flink / MaxCompute / Hologres 至少一套，独立主导过 TB ~ PB 级数据项目；
4. 数据治理：有元数据、血缘、质量、成本治理体系建设经验；
5. AI 数据 / 评测基础：理解 LLM / RAG / Agent 基本原理，了解 SFT/DPO 等训练范式；有 Agent 数据 / 数据合成 / 评测体系 实战经验；
6. 业务素养：能从业务问题出发倒推数据 & AI 方案，能与产品/业务高效协同推动落地。
【加分项】
● 有 电商、商家服务 业务背景
● 有 NL2SQL / 问数 / 数据 Agent / RAG 项目落地经验
● 有 Agent 评测体系（MT-Bench / AgentBench / 自建评测集） 建设经验
1、 清晰的分析逻辑以及良好的业务洞察能力，能快速发现问题、拆解问题并定位到影响业务的关键点；
2、 数据处理能力强，可使用多种方式提取数据并进行分析，熟练掌握hive、SQL、excel等相关数据提取工具；
3、 良好的沟通能力和团队协作能力，能够有效地和业务方，数据技术团队沟通交流，具有跨团队的推进项目的能力，并且能够以分析师的视角给业务提供建议；
4、 具备数据运营与产品运营能力，针对业务问题，可以透过实验设计，并制定有效解决方案及衡量方法；
5、 良好的数据敏感度,能从海量数据提炼核心结果，有丰富的数据分析、挖掘、清洗和建模经验，能独立编写商业数据分析报告；
6、 有AI产品分析相关经验，了解C端AI产品、AIGC内容生成、大模型评估相关的优先。