菜鸟菜鸟-BI分析师-杭州

1. 基于行业趋势、竞争分析及业务洞察，对业务问题进行深入分析，为业务合作伙伴提供新业务战略及策略方向的建议，并协助业务推进创新项目进展。 2. 基于业务目标及商业模式，搭建全面、准确、客观的指标体系和监控框架，并推进相应日度、周度、月度经营分析，协助业务伙伴清晰洞察业务全局、定位业务问题、推进业务目标达成。 3. 将监控体系及分析方法逐步总结沉淀，结合AI/机器学习等分析手段，抽象、提炼ABI数据产品需求，与技术、产品、算法等相关团队开展跨部门合作并推动1688整体商业智能决策体系的落地。

人力资本分析（People Analytics）通过深度挖掘组织与人才数据价值，推动人力资源管理的智能化决策。作为HR数字化前沿领域的开拓者，你将承担以下核心职责： 【数据洞察与解决方案】 1、主导人力资源全生命周期分析，通过周期性诊断报告、专项课题研究，深度解析业务痛点并提供可落地的改进建议 2、构建BI数据产品体系：基于Tableau/QuickBI等工具搭建可视化分析看板，设计动态监测指标，实现人力数据洞察的实时化与自助化 【数据基建与协作】 3. 负责数据仓库对接与管理，协同IT团队完成HR数据建模，搭建符合业务逻辑的数据分析应用层模型 4. 建立跨部门协作机制：深度理解业务战略，通过定制化数据分析框架将管理诉求转化为数据需求，推动分析成果在业务端的应用闭环 【战略支持与创新】 5. 开发人力预测模型与决策支持系统，应用机器学习算法构建人才盘点、离职预警等智能分析模块 6. 驱动HR数字化升级：参与HRIS系统优化，推动人力分析工具自动化与AI能力建设

1、制定骑士运营策略、项目数据跟进及数据需求，负责骑士运营、骑士关怀、骑士行为分析等相关业务报表搭建，并持续跟进优化，上线维护看板，设计可支撑业务发展的数据产品解决方案； 2、负责项目维度专题分析、对骑士关怀，骑士成长，骑士商城等业务方进行数据需求支持，包含骑士用户行为分析、骑士运营策略分析、骑士商城经营分析等，发掘骑士运营策略改善优化点，给岀策略改进建议及方向，协助推动策略迭代; 3、熟练掌握数据处理相关工具及数据分析思维和方法，并有效应用于发现分析和发现骑士运营策略相关问题，基于问题制定细化的改善方案，并协同上下游落地执行，过程中监控数据变化和及时纠偏；复盘运营策略效果&效率，不断迭代优化；

团队介绍：专注大模型在数据智能方向的应用落地，横向支持公司多个数据产品的大模型解决方案。团队致力于跟进大模型前沿进展，结合领域模型的优化策略来设计端到端的算法优化和评估方案，实现数据产品的智能升级与应用效果提升。团队鼓励敏捷创新，知识共享的协作氛围，专注投入对数据智能课题的持续探索研究。 课题介绍： 背景：在Bird、Spider2.0等复杂数据分析榜单中，基于通用大模型的COT、Prompt 工程方案相比BI分析师仍有较大差距(sota 75 vs 92)。近期推理大模型例如OpenAI O3、DeepSeek R1利用Test-Time Scaling Law提升模型推理能力，并指出后训练阶段中RL是提升的重要训练方式。本课题聚焦推理大模型后训练技术（SFT+RL），通过reasoning优化模糊语义理解、多步逻辑推导、复杂查询分解等关键问题，目标建立数据分析领域的推理大模型的方法体系。 课题主要关注的挑战点包括： 1、数据分析领域中高质量的reasoning数据生成，基于高质量数据的SFT冷启动训练来提升RL(GRPO、PPO)训练稳定性，包括多Epoch训练稳定、推理格式对齐等问题； 2、通过混合Reward(包括语义理解、代码执行、难度区分、子查询效率等多角度Reward)提升在模糊语义理解、多步逻辑推导、复杂查询分解的reasoning效果来提升结果准确率； 3、探索推理大模型overthinking的解决方案，面向简单到复杂问题数据分析问题，推理模型可合理的输出推理过程长度，同时保持整体准确率效果。 1、数据增强算法优化：设计面向数据推理任务的Data-Centric算法框架，优化Reasoning Data合成链路，提升训练数据的逻辑一致性、领域适配性与多样性； 2、Test-Time Compute：负责数据大模型与推理大模型的创新结合，解决思维链生成中的Over/Under-Thinking问题，探索复杂数据分析任务的Reward最优实践收益(包括语义理解、执行正确、查询效率、洞察启发性等)； 3、推理大模型应用落地：跟进开源SOTA大模型的技术演进，实践Post-Training阶段的领域适配优化，在数据洞察机器人等产品中的验证应用价值，并基于评估体系实现效果的持续迭代，沉淀技术专利。