上海数仓工程师
数仓工程师是负责设计、构建和维护数据仓库（Data Warehouse）的专业人士。他们负责收集不同来源的数据，并通过ETL（提取、转换、加载）工具将数据转换为可用于分析和报告的格式。数仓工程师需要与业务分析师和数据科学家合作，了解他们的需求，设计适合的数据模型和架构。此外，他们还需负责数据清洗、数据质量管理以及性能优化。数仓工程师需要具备良好的数据库知识，熟悉各种数据仓库技术和工具，如SQL、Hadoop、Spark、以及数据建模等。同时，他们也需要不断学习新的技术和工具，以紧跟行业的发展趋势。总之，数仓工程师在数据管理和分析方面发挥着重要的作用。
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；
1. 承接产品和市场需求，分解到芯片产品定义规格书，并进行相关系统设计，输出AI计算子系统上层和详细系统架构（包括AI算力和算子支持，片上内存和缓存结构，相关编程生态环境和编译器支持，目标AI网络支持的优化支持和相应数据流等）
2. 负责AI计算子系统以及复杂模块的架构/微架构设计，包括和编译器的联合设计，性能/功耗/面积优化和评估，相关领域的竞品分析，竞争力分析等
3. 负责三方相关IP评估和选型
4. 联合相关团队，构建AI计算子系统性能和功耗仿真和验证模型，支持芯片设计和验证
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。
