字节跳动大数据开发实习生-用户增长（User Growth）
任职要求
1、2026届本科及以上学历在读，计算机、软件工程、数据等相关专业优先；； 2、扎实的计算机编程能力，会使用SQL，掌握C/C++、Java、Python、Scala中任意一门编程语言； 3、熟悉数据仓库实施方法论…
工作职责
ByteIntern：面向2026届毕业生（2025年9月-2026年8月期间毕业），为符合岗位要求的同学提供转正机会。 团队介绍：字节跳动用户增长（User Growth）负责抖音、今日头条、番茄小说、剪映等多个产品的用户增长业务，建立行业领先的增长和营销技术，打造极致的用户体验。加入我们，有机会参与亿级用户场景的开发与架构工作，也有机会从数据出发，利用策略和模型为业务带来更大的助力。 1、负责字节跳动用户行为的理解和建模，帮助业务满足用户需求，促进业务增长； 2、基于用户数据和业务数据，参与各增长业务离线和实时数据仓库建设工作； 3、面向PB级超大规模数据问题，处理亿级增量的用户行为数据； 4、构建设计良好的数据流、数据仓库、数据服务，构建流程规范和数据工具/产品，降低数据使用门槛，保证系统稳定高效运行，以实现数据的最大价值。
ByteIntern：面向2026届毕业生（2025年9月-2026年8月期间毕业），为符合岗位要求的同学提供转正机会。 团队介绍：字节跳动用户增长（User Growth）负责抖音、今日头条、番茄小说、剪映等多个产品的用户增长业务，建立行业领先的增长和营销技术，打造极致的用户体验。加入我们，有机会参与亿级用户场景的开发与架构工作，也有机会从数据出发，利用策略和模型为业务带来更大的助力。 1、参与亿级规模的中国区电商的个性化营销算法优化，主要包括补贴策略、电商投放、长期价值建模等优化工作，支持整体的电商拉新、召回以及促购的个性化营销； 2、研究应用Causal Inference，Uplift Modeling，Reinforcement Learning，LLM及Agent等前沿技术，为产品提供个性化数值策略，优化用户复购等核心指标； 3、参与电商营销平台、策略引擎的优化研究并构建通用营销Agent实现智能自动化营销； 4、走在电商营销行业的前沿，进行模型和算法的创新，打造业界领先的营销算法体系和补贴系统。
ByteIntern：面向2026届毕业生（2025年9月-2026年8月期间毕业），为符合岗位要求的同学提供转正机会。 团队介绍：字节跳动用户增长（User Growth）负责抖音、今日头条、番茄小说、剪映等多个产品的用户增长业务，建立行业领先的增长和营销技术，打造极致的用户体验。加入我们，有机会参与亿级用户场景的开发与架构工作，也有机会从数据出发，利用策略和模型为业务带来更大的助力。 1、理解需求，负责技术方案设计和高质量代码编写工作； 2、优化前端功能和架构设计，解决各类业务技术问题； 3、通过分析产品业务、技术数据，通过技术手段，解决业务问题，提升产品用户体验； 4、推动前端基础架构优化、通用组件抽象、类库编写，提升研发效率、质量、体验。
ByteIntern：面向2026届毕业生（2025年9月-2026年8月期间毕业），为符合岗位要求的同学提供转正机会。 团队介绍：字节跳动用户增长（User Growth）负责抖音、今日头条、番茄小说、剪映等多个产品的用户增长业务，建立行业领先的增长和营销技术，打造极致的用户体验。加入我们，有机会参与亿级用户场景的开发与架构工作，也有机会从数据出发，利用策略和模型为业务带来更大的助力。 1、参与系统架构设计、优化，提升系统性能和开发效率，保证高并发高可靠； 2、通过不断的技术研究和创新，推动业务的快速发展和高效迭代； 3、善于从工作中抽象和归纳问题，用技术方案高效解决。
团队介绍：字节跳动用户增长（User Growth）负责抖音、今日头条、番茄小说、剪映等多个产品的用户增长业务，建立行业领先的增长和营销技术，打造极致的用户体验。加入我们，有机会参与亿级用户场景的开发与架构工作，也有机会从数据出发，利用策略和模型为业务带来更大的助力。 课题背景： 在用户增长、激励广告和广告投放的商业场景，精准的决策至关重要。随着业务的发展，传统先预测再决策决策的方式难以适应复杂多变的环境。基于RL的在线因果推断及决策技术应运而生。在这些场景中，需要深入理解不同操作与结果之间的因果关系，从而做出最优决策。例如在用户增长中，要明确何种激励措施能最大程度推动增长；在广告投放中，要知道怎样的投放策略能带来最佳效果。然而，目前在在线场景下，因果预测模型的效果提升面临瓶颈，同时激励探索成本和决策收益的平衡也难以把握，提升基于因果推断的决策能力是推动增长的重要手段。 课题挑战： 1、平均处理效应ATE较小。线上平均处理效应（ATE）小意味着在实际线上环境中，因果关系的影响幅度微弱。这使得准确捕捉因果关系变得极为困难，模型难以从这种微弱的关系中学习到有效的因果模式，对基于RL的因果推断技术的敏感度和精度要求极高。 2、预测指标周期长，收益难以归因到一次激励决策。这导致在评估因果关系时，很难确定是哪一次激励决策产生了何种影响。长周期使得数据的关联性变得模糊，干扰了因果推断模型的构建，也不利于RL算法根据准确的因果关系进行决策优化。 3、线上观测数据波动大。线上观测数据波动较大，增加了数据的不确定性。这种波动可能掩盖真实的因果关系，使因果推断模型难以稳定地学习到有效的模式。同时，波动的观测数据也会影响运筹决策，导致决策的准确性和可靠性下降。 1、负责开发新一代的大规模因果模型，通过算法和工程优化，实现训练数据及干预决策在数量级上的提升；联合多场景的因果模型，松弛单场景约束，获取更优的决策和业务收益； 2、负责开发新一代的大规模运筹优化算法，与算法工程同学深度合作，提供灵活、鲁棒且高效的分布式运筹规划系统； 3、引入前沿的因果建模和强化学习技术，探索基于强化学习的世界模型仿真和一体化的因果决策算法，在探索和利用上获得更优的平衡，达成更好的成本效率。