济南人资专员
人资专员是负责公司内部人力资源管理和招聘工作的专业人士。他们的工作职责包括制定和执行招聘策略、招聘流程管理、员工入职离职手续办理、员工档案管理、员工福利和薪酬管理、员工培训和绩效考核等。人资专员需要与部门经理和员工密切合作，确保公司内人力资源的充分利用和管理。此外，他们也需要遵守劳动法律法规，保障员工权益，处理员工的投诉和纠纷。总之，人资专员在公司的人力资源管理工作中扮演着重要的角色，为公司的发展提供了有力的支持。
薪酬概览
平均月薪
¥6900
中位数 ¥6500 ｜ 区间 ¥5600 - ¥8300
数据来源：谈职全网23份招聘数据；更新时间：2026年7月13日
月薪分布
73.9% 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
17
对比上月：岗位减少24
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 | 23 | 100% |
热招职位
1、负责公司员工入转调离管理、劳动关系争议处理等工作；
2、负责管理员工考勤档案，核对考勤情况，定期向经营公司人事经理提交上月员工考情表以及异动情况；
3、建立、管理和保存公司所有员工的档案；
4、与社保机构及办事人员建立并长期保持良好的合作关系，做好公司所有员工的保险工作，准确及时办理各项保险上缴、停缴、补缴等业务工作；
5、与经营公司人力资源部联系，保证其下达的各项工作及时有效完成；
6、领导布置的其他工作。
1. 参与一线业务轮岗，熟练掌握业务流程、作业标准与业务逻辑，夯实一线业务基础。
2. 负责日常业务数据整理、统计与复盘分析，输出基础数据报表，挖掘业务问题，助力业务提效优化。
3. 协助开展业务中台运营支持工作，配合流程落地、效能跟进、业务统筹等后台支撑类工作。
4. 协助完成团队日常业务督导、指标跟进、基础管理辅助工作，积累团队管理实战经验。
5. 跟进落实业务专项工作及各项制度落地，保障团队业务指标稳步达成。
1. 根据业务部门需求，完成系统功能设计、开发与测试，确保高质量交付；
2. 参与人力资源系统等核心项目开发，承担关键模块或服务的设计与编码；
3. 负责系统接口设计、数据库建模与性能优化，持续提升系统稳定性与可维护性；
4. 编写开发文档与技术规范，推动团队技术沉淀与标准化建设；
5. 支持前后端协同开发，配合完成中台系统、表单流程的快速构建；
6. 关注主流技术方向，参与微服务架构、DevOps、AI项目等智能化改造工作；
7. 必要时承担项目指导或评审角色，提升团队整体开发效能。
8. 部门内其他工作。
（一）项目管理。结合药企生产运营需求（如生产调度、质量控制、设备运维等）主导AI相关项目（智能体、垂类模型、机器人应用、数据治理等）的立项技术分析、实施执行及验收全流程管理，对项目进度、质量负责。
（二）AI应用落地与优化
1. 聚焦制药生产运营板块，主导AI智能体应用落地，推动智能体在生产调度、异常预警、流程自动化等场景的部署与优化，提升生产运营的智能化、自动化水平，降低人工干预成本。
2. 牵头制药行业垂类AI模型开发与迭代，结合生产工艺、质量检测、设备运维等核心需求，主导模型需求梳理、数据标注、训练优化、部署上线及效果验证，确保模型适配制药行业场景，满足GMP数据追溯、合规管控要求。
3. 统筹工业机器人（如生产巡检机器人、物料搬运机器人等）在制药生产环节的应用规划、实施与运维管理，推动机器人与AI技术融合，优化生产流程，提升生产效率与操作规范性。
4. 跟踪AI应用效果，梳理应用过程中的痛点与不足，主导技术优化与迭代升级，持续提升AI应用的稳定性、实用性及合规性，最大化AI技术对生产运营的赋能价值。
（三）数据治理与数据安全。
1. 主导制药生产运营板块AI应用相关数据治理工作，建立健全数据标准、数据质量管控体系，统筹数据采集、清洗、转换、标注、存储及归档全流程管理，确保数据的准确性、完整性、一致性及时效性。
2. 牵头数据治理项目落地，协调跨部门梳理数据需求、解决数据孤岛问题，推动生产、质量、设备等核心业务数据的整合与共享，提升数据资产价值，支撑AI应用深度落地。并兼顾数据安全。
（四）团队与供应商管理。负责对接各子公司的AI应用团队，提升团队AI专业能力、数据治理能力（数据标准、数据质量管控等）。统筹AI及数据治理相关供应商的筛选、评估、合作管理，确保供应商服务符合项目需求及合规要求。
（五）跨部门协同与技术创新。协同生产、质量、设备、IT等跨部门，对接各部门AI应用及数据治理需求，制定方案解决生产运营过程中与AI应用、数据治理相关的技术难题，提升跨部门协作效率。跟踪AI领域、数据治理领域前沿技术转化、应用、落地。
负责指导多肽药物的分析研发工作，包括多肽分析方法开发、多肽结构表征、多肽杂质谱分析，建立多肽分析技术平台，指导解决分析技术难题，指导欧美注册，为多肽药物研发和国内外注册提供保障。
1.负责特医食品的市场调研与分析，做好特医产品的规划和管理；
2.负责特医食品上市前的准备工作，制定有效的营销方案；
3.负责销售渠道规划及管理，完成销售目标；
4.负责特医食品的品牌建设与传播，提升品牌在市场的认知度。
1. 负责制定研发项目方案、计划，带领团队成员按计划完成所负责分析相关工作，包括分析方法开发、验证、样品检验、资料撰写等。
2. 负责跟踪项目进程及解决方法开发、验证、质量研究等工作过程中的技术问题，保证方法的科学性，数据的准确性。
3. 负责项目研究过程的法规符合性，保证项目研究内容科学规范，符合申报、审评要求。
4. 对项目组人员提供技术指导，提升项目组成员的工作能力。
1、需求调研与分析：深入挖掘用户潜在需求，精准提炼业务痛点。能够将复杂的业务需求转化为清晰、可实现的功能需求，输出详细、规范的需求规格说明书
2、解决方案设计与定制：具备优秀的解决方案设计能力，能够结合用户业务场景以及技术发展趋势，设计出创新性的解决方案，确保方案可行性与技术先进性，。
3、对设计方案进行成本效益分析，评估技术可行性、实施周期、实施风险与预期收益，为项目决策提供数据支持。
5、项目协作与推进：协同业务经理、交付开发团队，参与项目全流程，把控项目进度，及时解决技术与流程问题，保障项目按时高质量交付。
6、运维与持续改进：项目上线后，负责系统运维与持续改进工作，用户问题解决、需求分析识别，与软件厂商持续开展持续改进提升工作。
7、组织召开项目会议，协调各方资源，及时沟通项目进展与问题，确保项目信息在团队内有效传递。
8、用户沟通与服务：与用户保持密切沟通，提供解决方案、演示方案效果，解答疑问，收集反馈，提供技术支持、培训，提升用户满意度。基于客户反馈，对解决方案进行优化调整，确保方案持续满足用户需求。
1、数据整合与治理：从各工艺板块收集实验数据（Excel记录、LIMS导出、设备输出文件等），建立统一的清洗和标准化流程；识别和处理数据质量问题（缺失值、异常值、批次效应、命名不一致）；建立并维护结构化的数据集目录，为ML建模提供高质量数据底座；
2、统计分析与可视化：使用统计方法（假设检验、ANOVA、回归分析、方差分量分析）支撑工艺开发和QC数据分析；为各板块制作标准化数据看板（Tableau/Power BI或Streamlit），如批次趋势监控、CQA月度汇总；参与OOS/OOT调查的数据分析支持；
3、AI Champion培训与支持：牵头设计并实施AI Champion基础培训课程（Python入门→数据处理→ML概念）；作为AI Champion的日常技术支持第一联系人，解答数据工具使用问题；编写数据操作的SOP文档和培训材料；
4、探索性分析（EDA）：在ML工程师建模前完成探索性数据分析，识别数据特征和潜在规律；支持快速ad-hoc分析请求（如历史批次某质量属性的波动统计分析）。
1. 负责临床药理学相关数据统计与数据分析，包括PK、PK/PD和量效关系建模模拟分析；按要求撰写相应的临床统计分析报告；
2. 根据临床前信息（药代、药效等）对FIH剂量进行预测，配合医学等同事高效设计合理的I期试验，对临床试验方案中临床药理部分提供合理建议；
3. 从临床药理角度充分解读I/Ⅱ/Ⅲ期的安全性、有效性、药代动力学数据，并参加临床研究中相关的讨论会议,为后期试验的设计提供临床药理的支持；
4. 负责收集整理相关文献资料、临床试验药理相关的其他工作及上级领导安排的其他事宜；
1、图纸审核
2、项目立项、预算，制定计划书
3、领导安排的其他事物
4、参与CTS特性中与设备改善相关的分析改善，并跟进改善效果。
5、加工工艺制定
1.将安全策略转化为技术规范（如《模型安全编码指南》《数据隐私保护技术要求》），指导业务团队（如模型工程师、数据分析师）采用技术手段落实安全要求。
2.主导AI安全风险评估，使用工具（如检测模型偏见、Microsoft 扫描模型漏洞、评估模型鲁棒性）定期扫描训练数据、模型文件及推理服务，识别潜在风险（如数据泄露、模型被篡改、恶意 prompt 注入），生成技术评估报告并提出整改方案。
3.开发自研安全工具（如模型水印嵌入工具、数据脱敏自动化脚本、智能体安全沙箱），提供标准化接口（如RESTful API）供业务团队调用；维护现有安全工具（如漏洞扫描系统、日志分析平台），确保工具有效性。
4.建立24小时安全事件响应机制，使用技术手段（如分析系统日志、检测网络攻击、模型回滚工具恢复受感染模型）快速定位事件根源（如模型被恶意篡改、训练数据泄露），协调技术团队（如安全运维、模型团队）采取隔离、修复等措施，降低损失。
5.为业务团队提供技术支持（如解答模型安全编码问题、指导数据隐私保护技术实现）；开展技术培训（如“模型安全攻防实战”“数据隐私保护技术实践”），提升团队技术安全能力，减少人为技术失误导致的安全问题。