小红书「电商C端产品」- 推荐策略产品负责人

1、负责国际电商平台和商家营销工具C端全链路表达和体验，设计营销工具C端，提升工具体验和效率，带来消费者使用率的提升，带动成交效率提升； 2、协同C端各场景资源和排期（包括但不限于，推荐，搜索，商品，交易等），推进营销表达在C端场景的迭代落地； 3、设计分人群营销策略，通过杈益激励用户首单成交/复购/裂变等行为，提升整体月活跃消费者； 4、设计平台积分的领取/使用/ 管理产品，提升积分价值对用户的价值感，带来用户更多的活跃和复购，进而提升平台整体月活跃消费者。

该岗位负责管理闪购卖场策略产品团队，业务范围主要涵盖闪购在用户端各终端的搜索、推荐以及新型的AI形态产品。其团队使命是打造有即时零售特色的、以好体验驱动增长的、BC有效联动的、形态与时俱进的策略型产品，建设高度适配业务的流量分发体系，以及具备行业竞争力的系统。业务目标主要体现在交易效率提升、选购体验向好、业务心智/影响力增强等积极变化上。具体职责如下： 1.负责制定闪购卖场模式策略产品的年度规划及Team Goal，搭建有效地输入-输出指标管理体系，与其他产品方向负责人协同，共同参与制定产品部年度规划； 2.吸收和理解闪购战略规划及落地举措，据此形成本方向的关键议题，推进议题在认知、规划和行动上的实质进展； 3.主动发现可能影响业务结果的机遇、问题和风险，组织干系人讨论及决策，努力推动问题改善或举措落地； 4.基于年度/季度目标，拆解达成目标的关键动作并合理分工，构建必要的合作模式或机制； 5.长期关注互联网、AI及零售行业的产品演进，洞察趋势、吸收经验，带领团队将闪购的流量分发产品打造成有行业竞争力的产品，在即时零售领域形成长期优势； 6.管理30+人的复合职能团队（产品、产运、外包），搭建并保持好的组织阵型，科学运用“选/用/育/励/汰”，招聘、发展和积累优秀人才。

1.搜索增长与策略制定： 负责美团服务零售在中小城市（下沉市场）的搜索流量运营。基于用户搜索行为分析，制定搜索渗透率（QV）提升策略，优化流量分发机制，对搜索带来的转化效率和用户体验负责。 2.供需匹配与全链路协同： 深入理解下沉市场特征，通过数据分析诊断搜索无结果、低转化等卡点。联动供给端（商家运营）补充优质供给，协同产品端（产研）优化排序与展示逻辑，实现“人找货”的高效匹配，牵引商家获得确定性增长。 3.体验评估与数据驱动： 搭建并完善搜索体验评估体系（如相关性、丰富度、决策效率），通过定期的案例分析与数据复盘，输出系统性的优化方案，推动产品迭代，解决用户“搜不到、搜不准”的问题。 4.场景拓展与精细化运营： 挖掘用户潜在的搜索意图与新需求场景（如节假日、季节性需求），整合站内外资源进行个性化、精细化运营，通过C端体验改造（如搜索引导、推荐词优化）激发用户需求，带动搜推用户规模的整体提升。

团队介绍：字节跳动搜索团队主要负责抖音、国际化短视频、今日头条、西瓜视频等产品以及电商、生活服务等业务的搜索算法创新和架构研发工作。我们使用前沿的机器学习技术进行端到端建模并不断创新突破，同时专注于分布式系统、机器学习系统的构建和性能优化，从内存、Disk等优化到索引压缩、召回、排序等算法的探索，充分给同学们提供成长自我的机会。主要工作方向包括：1、探索前沿的NLP技术：从基础的分词、NER，文本、多模态预训练，到业务上的Query分析、基础相关性等，全链路应用深度学习模型，每个细节都充满挑战；2、跨模态匹配技术：在搜索中应用CV+NLP深度学习技术，实现多模态视频搜索强大的语义理解和检索能力；3、大规模流式机器学习技术：应用大规模机器学习，解决搜索中的推荐问题，让搜索更加个性化更加懂你；4、千亿级数据规模的架构：从大规模离线计算，分布式系统的性能、调度优化，到构建高可用、高吞吐和低延迟的在线服务的方方面面都有深入研究和创新；5、推荐技术：基于超大规模机器学习技术，构建业界领先的搜索推荐系统，对搜索推荐技术进行探索和创新。 课题介绍：随着大模型技术的快速发展，智能搜索领域迎来了新的机遇和挑战。传统搜索技术在面对海量数据、多模态信息以及用户复杂需求时，逐渐暴露出模型容量不足、语义理解能力有限、资源利用率低等问题。基于大模型的智能搜索构建旨在通过引入大模型技术，提升搜索系统的智能化水平，优化用户体验，并解决超大规模检索、复杂语义理解、资源高效利用等核心问题。具体目标包括： 1、探索大模型与排序算法的结合，提升个性化排序的精度和用户体验； 2、研究生成式检索算法，解决百亿乃至千亿级别候选库的超大规模检索问题； 3、利用大语言模型（LLM）提升复杂多义Query的搜索满意度。 1、参与搜索引擎（策略、模型）研发工作，支持抖音/今日头条/电商/番茄小说/红果短剧等具有数亿用户的产品，致力于为数亿用户提供数千亿精准搜索结果，打造极致的搜索体验； 2、探索前沿技术，探索大模型等创新技术在AI搜索场景的落地，参与搜索引擎、搜索大模型的改进，包括而不限于： 1）NLP、大模型：构建大规模高质量数据（数据建设、数据抓取与解析、数据合成等）、分词、NER，文本、多模态预训练、Query分析、基础相关性等，全链路结合应用机器学习/深度学习模型，探索搜索引擎与大模型、LLM、MLLM、多模态、机器学习、强化学习等前沿技术的结合，实现搜索引擎全链路革新并进行极致的系统优化，探索提升AI搜索引擎的能力，包含而不限于相关性、权威性、时效性、意图理解能力等；探索新的自然语言处理算法、信息检索技术、LLM适性索引、LLM相关性、生成式召回、排序大模型等，提高搜索引擎的准确性和智能化程度； 2）召回与排序：借助语义理解、个性化预估、机制设计等技术，解决超大规模的视频、商品、直播、POI等搜索业务下的召回、排序、重混排模型； 3）多模态、跨模态匹配技术：基于海量网页图文、抖音视频数据的大规模多模态预训练和视频分析技术，提升视觉搜索的使用体验；在搜索中结合CV+NLP深度学习技术，实现多模态、视频搜索、强大的语义理解和检索能力； 4）页面分析和摘要：从千亿视频/网页中提取最有价值的信息，进行结构化字段提取、智能摘要生成、转码等工作来优化搜索体验； 5）链接分析：从万亿链接中找出最有价值的网页，优化链接质量、索引质量、垃圾作弊识别、调度策略等。