上海数据仓库
数据仓库是一个用于存储和管理大量结构化和非结构化数据的系统，它被设计用来支持企业的数据分析和决策制定。数据仓库不仅仅是一个数据存储的地方，它还包括了数据的提取、转换、加载过程（ETL），以及数据清洗、建模和查询工具。数据仓库的目标是集成各种数据源的数据，提供一致的数据视图，并且支持复杂的分析和报告需求。通过数据仓库，企业可以更好地理解他们的业务情况，发现潜在的趋势和模式，并做出更明智的决策。数据仓库的建立需要跨部门的协作和规划，以确保数据的准确性、一致性和完整性。数据仓库通常由数据仓库管理员、数据工程师和数据分析师等角色共同管理和维护。
薪酬概览
平均月薪
¥13300
中位数 ¥13500 ｜ 区间 ¥10900 - ¥15800
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
33.3% 人群薪酬落在 15-30k
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
1月新增岗位
16
对比上月：岗位减少6
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 | 8 | 50% |
| 1-3年 | 8 | 50% |
热招职位
1、负责/参与端到端自动驾驶模型的性能迭代与突破，通过数据和模型的优化迭代，推动模型在量产产品中的效果闭环；
2、深度搭建并优化数据挖掘与数据闭环链路，基于量产场景的真实数据分布，设计高效的数据筛选、清洗、标注、回流策略，通过数据驱动的方法持续提升模型在长尾场景、极端工况下的鲁棒性与可靠性，要求具备量产项目中数据驱动性能提升的实战落地经验；
3、构建并迭代端到端模型评测体系，结合仿真测试、实车验证等多维度手段，建立科学的性能评估指标与自动化评测流程，能通过评测结果精准定位模型短板，并主导评测系统的优化升级，为模型迭代提供核心决策依据；
4、紧跟业界前沿技术动态，重点研究自动驾驶领域最先进的数据闭环方案、评测方法与端到端模型应用，推动技术预研与工程化落地，保持团队在数据驱动与评测体系上的核心竞争力。
1、硕士及以上学历，计算机、人工智能、大数据、软件工程等相关专业，有自动驾驶数据挖掘、多模态算法落地相关实习/工作经验优先；
2、熟悉python编程，代码功底扎实，了解基础算法与数据结构，能够独立完成算法策略开发、脚本迭代、数据实验复盘；
3、 性格踏实，抗压能力强，能够适配业务快速迭代节奏；以业务交付为导向，工程落地能力强，愿意直面真实业务痛点，沟通顺畅、执行力强；
4、了解基础SQL语句，能够独立完成数据查询、数据统计、报表复盘，具备基础数据分析能力；
5、了解深度学习基础，熟悉PyTorch使用。
加分项
1、有自动驾驶行业数据挖掘、脏数据治理、难例挖掘一线落地经验，熟悉智驾真实数据痛点；
2、熟悉Dagster/Airflow调度工具，有数据流水线搭建、算法工程化落地经验；
3、有规则挖掘自动化、Agent辅助编程、数据样本闭环迭代相关实战经验；
4、懂自动驾驶感知/预测/规划基础业务知识，能够快速理解车载场景与驾驶行为逻辑。
1. 负责标注平台指标体系的设计与开发，构建完善的指标计算、存储和查询体系，支撑业务数据分析和决策；
2. 负责海量数据的数据治理、资产统计和数据生命周期管理，建立数据资产目录，实现数据的规范化管理和全生命周期跟踪；
3. 负责数据闭环的运营BI看板和统一数仓建设，设计数据模型和ETL流程，构建面向业务的数据分析平台，支撑数据驱动的运营决策；
4. 负责数据漏斗和全链路SLA监控系统的建设，跟踪数据上传延迟、处理吞吐量、标注效率等核心指标，实现异常实时告警和根因定位，保障数据流转链路的高可用性和稳定性。
1、建立人事共享中心各业务条线数据指标监控和经营分析体系，对业务提供策略支持和建议；
2、优化中心数据管理，提高数据线上化管理水平、提升数据使用效率；
3、搭建数据业务看板监控业务数据及指标达成情况，负责中心日报、周报、月报的搭建和撰写，对各项数据指标进行跟踪，提供日常业务支持数据；
4、数据及关键问题总结及反馈，以及报告撰写；
5、领导交代的其他事宜
1、通过对数据的敏锐洞察以及定性和定量分析，迅速定位业务问题、发现潜在机会，独立编写分析报告，并提出可落地方案；
2、对接业务团队，处理业务人员数据需求，梳理业务逻辑，挖掘深度价值，输出业务提升策略，帮助改善业务问题、提升业务效率；
3、业务指标监控，针对异常情况协调资源进行跟踪和深入分析；
4、梳理业务常规分析体系、常用指标体系，根据日常数据监控及项目分析，输出业务意见，为决策做支持；
1，负责金融产品的风险数据分析，通过大数据管理，建立零售信贷业务风控评分模型，用于金融服务和信贷业务的发展。 2，从个人征信数据，行为数据，互联网数据等出发，构建大数据金融模型用于贷款自动化授信 3，负责数据驱动模型立项，数据清洗及衍生，开发，督促布置上线等工作，监控场景及业务变化，及时发现问题推进模型修复迭代；
作为 AI 软件测试开发高级技术专家，您将参与平头哥 AI 芯片从硅前到硅后的研发过程并推动实现产品化. 您将负责构建高覆盖率的测试体系，确保框架的功能正确性、性能优化和稳定性。
主要职责:
参与 AI 芯片解决方案的系统测试工作，保证产品的交付质量;
参与 AI 领域推理框架，模型训练的测试策略，测试方法，测试工具以及测试用例设计。
参与 AI 领域软件基础框架，算子库，编译的测试策略，测试方法，测试工具以及测试用例设计。
参与设计、建立以及推动 AI 芯片软件质量持续提升流程。
与开发团队、项目管理团队一起制定软件需求开发计划，并且制定对应的测试开发计划，
参与平头哥整体软件质量流程建设，对软件开发的质量进行监控和追踪.
1. AI技术融合与优化：将人工智能技术、大模型融入芯片业务开发测试流程，提升产品研发效率和质量。
- 自动化工具开发：开发AI辅助工具，如代码审查工具、自动测试用例生成工具、性能瓶颈分析工具等，提高研发测试的自动化程度。
- 数据处理与分析：利用大模型和AI工具处理大量研发测试数据，包括代码、测试用例、测试执行日志等，优化数据处理流程。
2. AI知识库系统构建
- 知识库设计：设计和构建高效、准确的AI知识库系统，支持业务部门的专业知识生成和服务。
- RAG系统开发：构建和优化RAG（Retrieval-Augmented Generation）系统，实现从知识库中快速准确地检索相关信息，并生成高质量的业务文档和回答。
3. AI辅助工具平台开发
- 工具平台设计：设计和开发AI辅助工具平台，提供统一的接口和工具集，支持多种AI应用。
- 用户支持：为业务部门提供技术支持，确保AI工具平台的稳定运行和高效使用。
4. 项目管理和团队协作
- 需求分析：与业务部门紧密合作，理解业务需求，提供技术解决方案。
- 项目管理：跟踪项目进度，确保按时交付高质量的AI系统。
- 团队协作：与团队成员协作，分享知识和经验，推动团队整体技术水平的提升。
1、根据项目目标与整体规划，制定各业务模块的阶段性计划与排期；
2、负责跟进团队日常的执行工作，确保工作进度、质量可控；
3、根据团队的不同阶段和特性，不断优化工作流程与沟通机制，提高团队效能
1、以总体项目目标实现为导向，负责Android手机OS项目全生命周期管理，对项目的VQCT负总责；
2、负责Android手机OS项目整体测试计划（甘特图、里程碑计划等）的制定、维护和跟踪，同时推动&审视外部计划的合理性，确保基线项目节奏稳定推进；
3、整体把握Android手机OS项目IR价值点需求中的技术指标、适用场景分析、价值点验收有效性等统筹与分析，从用户及测试视角对价值点需求提出问题与建议，支撑价值点验收有效落地；
4、统筹并推动SR需求相关的产品需求定义、开发概设、UED交互视觉等各阶段工作及完成计划，为测试方案输出提供前期必要条件；
5、结合项目目标，推动OS项目组各领域策划，分阶段校准版本目标，实时监控项目进展，确保按时达成各节点要求；
6、负责多领域出现复杂问题的解决通道搭建与快速拉通，快速明确问题方向，支撑问题收敛与解决；
7、监控研发状态与问题解决效率，整体把控OS各软件领域交付进度、过程质量管控、风险问题识别、资源成本、效率提升等，支撑实现项目的高质量交付。
1. 原型机快速实现：负责外骨骼机器人核心模组的详细机械设计、打样跟踪及组装调试。
2. 实验与数据闭环：独立设计并执行关键零部件的寿命、性能测试，通过数据分析输出专业的失效分析报告及改进建议。
3. 技术路径探索：调研前沿材料及新机构方案，进行可行性论证与初版 Demo 验证。
4. 知识资产固化：负责技术文档、专利挖掘及标准化作业流程（SOP）的编写。
5. 跨部门技术协同：对接供应商及量产部门，确保产品平滑交付。
作为AI部门核心骨干，负责手机端AI语音助手、AI相关应用的系统架构规划与产品特性落地，主导需求分析与AI技术方案设计，衔接跨部门协作，保障业务交付与架构演进，支撑AI产品核心竞争力。
岗位职责
1. AI系统架构规划与看护
- 主导手机端AI语音助手、AI应用的系统架构规划与设计，保障架构稳健、前瞻、可扩展，支撑业务长期演进。
- 追踪Agent、多模态、大模型、端侧AI、AI助手等前沿技术和产品发展，评估适配价值并推动技术迭代。
2. AI方案设计与落地
- 拆解AI产品需求为技术指标，完成可行性分析与方案概设。
- 输出含逻辑/技术架构的核心方案，覆盖AI能力集成、端侧部署等关键模块。
- 拆分功能模块、明确边界与交付标准，跟踪项目进度，解决技术难题确保交付达标。
3. 跨域协作与资源拉通
- 作为接口人拉通研发团队资源，明确分工，保障方案顺畅落地。
- 对接内外部需求，建立AI技术合作机制，支撑产品特性体验。
4. 技术攻关与团队赋能
- 攻关手机端AI产品复杂场景技术难题，提供核心决策支持。
- 赋能团队AI架构与方案设计思路，提升团队技术能力。