希音深圳—推荐策略运营（品类方向）

： 1、分析海外市场的用户消费行为与品类偏好，结合用户调研及数据挖掘，提炼品类核心优化点，为搜推算法提供精细化迭代方向。 2、协同搜推算法，定位低效匹配问题，优化推荐模型的人货匹配逻辑，提升品类转化效率 3、对用户及商品的进行分层，挖掘品类的增量机会，数据分析优化驱动品类增长，提升平台商品丰富度与用户粘性 4、协同品类运营团队，确保推荐策略与货品供给高效匹配，推动数分团队建立品类*推荐效果评估体系

： 1、分析海外市场的用户消费行为与品类偏好，结合用户调研及数据挖掘，提炼品类核心优化点，为搜推算法提供精细化迭代方向。 2、协同搜推算法，定位低效匹配问题，优化推荐模型的人货匹配逻辑，提升品类转化效率 3、对用户及商品的进行分层，挖掘品类的增量机会，数据分析优化驱动品类增长，提升平台商品丰富度与用户粘性 4、协同品类运营团队，确保推荐策略与货品供给高效匹配，推动数分团队建立品类*推荐效果评估体系

1、负责APP内二手交易线索的匹配分发策略制定与优化，提升买卖双方需求匹配效率，推动平台交易转化率及用户体验提升； 2、基于用户行为、商品特征及供需关系，设计并迭代分发明细、排序及推荐策略，提高线索分发精准度； 3、监控核心指标（如匹配成功率、响应时效、转化率等），通过数据分析定位问题，协同算法、产品团队优化分发模型及规则； 4、深入理解二手交易业务场景，挖掘买卖双方需求痛点，结合流量分配、供需平衡等维度输出策略改进方案； 5、推动策略落地及效果验证，通过AB测试等方式持续迭代，确保策略对业务目标的直接贡献。

1、负责设计和实现面向业务场景的机器学习与优化算法系统，包括但不限于： 车货匹配与动态调度：构建实时匹配模型，优化车辆与订单之间的分配效率，提升匹配成功率与用户体验。 排班排线算法：基于时空需求预测，设计司机/车辆排班与路径规划策略，降低空驶率，提高运营效率。 需求预测模型：利用时间序列、回归分析、深度学习等方法，对区域级或品类级服务需求进行短期与长期预测。 动态定价与激励机制：结合强化学习与博弈论，构建动态定价模型，实现供需平衡与收益最大化。 强化学习落地应用：将强化学习（如Q-Learning、DDPG、PPO等）应用于调度决策、资源分配、策略优化等复杂序列决策问题。 2、构建端到端的算法 pipeline，涵盖数据预处理、特征工程、模型训练、评估、部署与监控。 3、与产品、运营及工程团队紧密协作，推动算法在真实业务场景中的上线与迭代优化。 4、跟踪学术界与工业界前沿技术，持续提升算法性能与系统智能化水平。