快手数据科学专家-【商业化】
任职要求
1、硕士及以上学历，应用数学、计算机、统计学、金融工程等相关专业，国内外名校背景优先； 2、5年以上数据分析、量化策略或建模经验，对风控治理或安全策略方向感兴趣，有团队管理经验加分； 3、熟悉数据分析/挖掘方法，精通SQL/Python/R…
工作职责
1、建立并完善迭代风险相关模型，赋能生态治理策略体系，指标驱动商业生态与体验； 2、系统化管理指标体系，长期追踪监测指标并做异动归因分析，协助核心指标的如期达成； 3、持续迭代数据相关基础建设，打造适应业务发展的高效率数据科学工具； 4、挖掘并量化安全性指标，验证指标间的勾稽关系，寻求增长、风控、体验、效率间的最优解； 5、周期性业务复盘，将关键数据分析结果转化为有效的业务洞察或经营决策依据，向决策及协同团队清晰呈现。
1. 持续追踪市场趋势与竞品动态，挖掘行业机会点，制定自有品牌品类发展策略，推动业务增长； 2. 针对业务增长需求，搭建专项分析模型，输出商业策略研究报告，为业务发展提供决策支持； 3. 构建并优化数据分析体系，提升数据分析效率及准确性，建立标准化数据流程，赋能业务决策； 4. 与业务部门紧密合作，确保数据分析结果的有效落地，达成业务目标。
我们正在寻找一位对数据充满热情、具备出色分析能力的财资BI分析师。该职位将深入了解 BU 业务模式，研究核心BU庞大的财资业务数据（包括但不限于现金流、银行账户、外汇、融资、支付结算、风险敞口等），通过先进的数据分析和可视化技术，提炼有价值的业务洞察 (Insights)。该职位将负责设计、开发和维护关键的财资管理报表和仪表盘，主动识别潜在风险、发现运营效率提升的机会点，并为财资战略决策提供强有力的数据支持，助力业务集团财资管理水平的持续优化和价值创造。 主要职责: 1. 数据治理与整合: ● 负责财资管理领域数据质量监控、标准制定及清洗整合，确保数据准确性与一致性。 ● 构建财资数据库，支持本领域同学高效获取结构化数据。 2. 报表开发与可视化: ● 使用BI或DI工具设计、开发和上线可视化报表与驾驶舱，涵盖全球现金头寸、资金预测偏差分析、风险敞口监控（汇率、利率等）、银行费用分析、营运资本指标、关键绩效指标（KPIs）等，满足管理层及财资端需求。 ● 定期输出财资管理报告、风险预警报告等关键文档。 3. 数据分析洞察与风险预警: ● 对现金流模式进行深入分析，识别季节性、趋势性特征，评估预测准确性，挖掘偏差原因，提出预测改进建议。 ● 分析全球资金分布和使用效率，识别闲置资金，评估资金池效益，为优化账户结构和资金归集策略提供数据支持。 ● 量化和监控汇率、利率等市场风险敞口，评估对冲策略的有效性，识别潜在风险点。 ● 分析银行手续费、账户管理费等银行费用，识别成本节约机会。 ● 监控支付结算数据，识别异常交易模式，提示潜在的操作风险或欺诈风险。 ● 基于数据分析结果，建立或优化风险预警指标和机制，提前识别潜在的流动性风险、市场风险或操作风险信号。 ● 通过数据挖掘，主动发现可提升财资运营效率、降低成本、改善营运资本或优化融资结构的机会点。 ● 探索大语言模型（LLM）在财资管理数据分析中的创新应用。 4. 支持与协作: ● 与财资团队内部成员（现金管理、市场风险管理、财资运营等）、财务会计、产品技术、业务部门等紧密协作，理解业务需求，提供数据支持。 ● 协助进行财资相关的特定项目分析和情景模拟（Scenario Analysis）。 ● 参与财资管理系统或BI或DI工具的优化与升级项目。 ● 支持财资管理场景的AI Agent工具运用，实现数据查询、报告生成等流程自动化。
1、对政企客户的项目交付中对需求痛点/项目需求进行识别，根据大模型的能力设计解决方案，并根据具体场景对算法进行实现和调优，包括数据收集与整理、模型训练、参数调优、评测等； 2、参与政企方向智算项目履约工作，包括智能体设计、搭建以及调优、工作流建设，解决客户/项目中的实际痛点问题，探索基于大模型技术的服务新形态； 3、负责为公司商业化输出的大模型产品提供技术支持，解决客户在使用过程中遇到的问题，确保云服务产品的稳定运行，保障项目的交付、运维、技术运营和平台应急； 4、收集和整理客户的反馈意见，为产品的改进和升级提供依据，不断优化大模型的性能和用户体验； 5、保持技术前瞻性，关注AI学术界和工业界的新动态，应用及探索前沿技术，确保技术方案在实际场景中的有效性。
1. 行业解决方案设计与交付 - 基于阿里云大模型技术（如通义千问），为银行、保险、证券等金融客户量身定制AI大模型解决方案，覆盖AI财富助手、智能客服、智能风控等核心场景。 - 深入理解客户业务痛点，提供从需求分析、技术选型到方案落地的全流程支持，确保大模型技术与金融业务深度融合。 2. 大模型全生命周期技术赋能 - 主导客户侧大模型后训练（Post-training）、领域微调（Domain-specific Fine-tuning）、模型蒸馏（Distillation）及多模态融合优化，提升模型在金融垂直场景的精度及性能。 - 优化大模型训练与推理性能，包括分布式训练加速（如DeepSpeed、Megatron-LM）、显存优化、量化压缩（INT8/FP16）及低延迟推理部署（如vLLM、SGLang）等。 3. 工程化落地与性能调优 - 解决金融场景高并发、高稳定性需求，设计高性能计算架构，优化模型在GPU/TPU集群的训练效率及端到端推理链路。 - 结合金融行业数据隐私与安全要求，设计符合监管的模型部署方案。 4. 客户技术赋能与生态共建 - 面向客户技术团队提供大模型技术培训、实战工作坊及POC验证，推动AI能力在客户内部的规模化应用。 - 沉淀金融行业大模型最佳实践，输出白皮书、案例研究及标准化解决方案，提升阿里云在金融AI领域的市场影响力。