饿了么饿了么-用户商品供给增长算法-杭州
任职要求
1. 基础能力 ◦ 计算机、数学、统计学等相关专业硕士及以上学历，3年以上算法相关经验。 ◦ 扎实的编程能力（Python/Java/C++），熟悉TensorFlow/PyTorch等框架及大数据处理技术（Hadoop/Spark）。 2. 技术方向 ◦ 定价方向：熟悉运筹优化、因果建模、经济学原理，有广告/营销补贴算法经验者优先。 ◦ 推荐方向：精通召回/排序算法（如深度排序模型、多目标建模），有推荐/广告系统实战经验。 ◦ 选品方向：掌握销量预估、弹性建模等技术，具备供应链或电商选品经验者优先。 3. 综合能力 ◦ 对业务敏感，能通过数据分析定位问题并驱动算法迭代。 ◦ 良好的跨团队协作能力，能与产品、运营高效沟通。 ◦ 在顶会（KDD、SIGIR等）发表相关论文或Kaggle/ACM竞赛获奖者加分。
工作职责
1. 供给定价算法 ◦ 负责本地外卖商品动态定价算法的设计与优化，结合运筹优化、因果推断、收益管理等方法，平衡供需关系与平台收益。 ◦ 基于用户行为、市场供需、竞争环境等数据，构建实时定价模型，提升定价精准度与用户体验。 ◦ 设计并迭代补贴策略（如货补、折扣），通过A/B测试验证效果，优化补贴效率。 2. 商品推荐算法 ◦ 研发个性化推荐系统，优化首页推荐、详情页推荐等场景的CTR/CVR指标，提升用户转化率。 ◦ 应用深度学习（如NN模型、LightGBM）、图神经网络等技术，挖掘用户兴趣与商品关联性。 ◦ 结合多模态技术（NLP/CV）优化商品标题、图文素材的匹配度，增强推荐理由的生成能力。 3. 选品机制算法 ◦ 构建选品核心能力（如销量/GMV预测、品类规划），通过机器学习与因果推断技术匹配场域调性需求。 ◦ 设计组合套餐（如“主食+饮品”）的选品策略，优化客单价与用户满意度。 ◦ 搭建公司级选品系统平台，推动算法在营销活动、超抢手、品团购等业务场景的落地。
1、负责选品投放平台产品，承担产品线的业务规划、功能迭代等日常工作； 2、挖掘丰富的商品/用户行为标签，联动算法/策略等协作团队，设计用户产品及对应的商品策略，推动方案落地并跟踪收益，提升商城ctr/cvr等核心场域指标； 3、发现商品的季节趋势、品类趋势、内容场趋势，结合商品供给设计商城拉新/复购等场景的智能选品和投放策略。
1、负责波兰业务数据，通过日常数据监控及专题分析的形式，分析产品形态、运营策略以及流量结构等存在问题以及潜在机会点并给出改进建议，支持业务快速迭代、分销生态和联盟生态拓展、策略机制创新； 2、负责波兰用户和联盟生态门数据门户，从商家经营视角洞察数据需求，提供从选品、物流、渠道、商业化等多维度经营诊断和业务建议，降低分销用户的经营成本，改善分销和联盟用户经营情况。配合分销选品门户进行数据化选品，提升分销用户选品成功率。 3、联合业务侧，针对性优化下分销用户的商品供给、商家定价策略、物流服务、成长机制，提升AE 平台对分销用户的吸引力，扩大AE平台的用户规模和成交规模。 4、联合商业化侧，基于业务诉求设计商业化模式，通过商业模式创新提升导购业务对商家、生态合作伙伴的经营价值，提升导购业务的竞争力。
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：Data-电商-供应链和物流团队，通过应用机器学习和运筹优化算法，助力字节电商在全球范围内向用户提供低价好物以及快速优质的购物体验。团队的方向包括：参与优化通向全球各个国家地区的仓储物流网络，提升履约时效，降低成本，优化用户体验；跟踪全球电商趋势，优化电商货品供给，预测商品需求，指导备货，探索AIGC赋能时尚供应链。 1、参与电商业务用户/商家/达人增长等业务中的触达算法研发，包括但不限于基于用户与触达内容的理解建立点击率/转化率预估等模型、优化触达时机/渠道、基于AIGC技术进行触达内容优化等； 2、与电商用户增长、商家/达人相关运营、产品等团队紧密合作，达成电商业务的用户/商家/达人高质量增长目标。
团队介绍：Data-电商团队，负责电商创新项目的算法和大数据工作。依托于字节跳动产品，帮助用户发现并获得好物，享受美好生活。在这个团队，我们不仅要通过推荐和搜索算法帮助用户买到感兴趣的好东西，也要通过风控算法和智能平台治理算法去甄别违规行为，保护用户的购物体验；我们还要建设智能客服技术、大规模商品知识图谱来提升各个交易环节的效率；我们也要结合机器学习和运筹算法，来优化供应链和物流的效率和成本，并进一步提升用户体验；另外我们还会用人工智能来帮助商家提升经营能力。我们的使命：没有难卖的优价好物，让美好生活触手可得。 课题介绍： 背景：电商领域短视频内容正逐渐成为业务增长和用户体验优化的重要方向，通过多模态的视频理解与生成大模型创新解决电商场景中的核心挑战，例如短视频与电商商品的精准匹配、AIGC（AI生成内容）视频生成等，让用户在浏览短视频时获得更精准的商品匹配，并为内容创作者提供更便捷强大的创作工具。 研究方向：本课题聚焦于多模态视频理解与生成。构建高效的多模态嵌入模型，实现视频、图像、文本、商品等模态间的统一表示学习，以增强短视频与电商商品的关联性。通过大规模跨模态数据集的构建与优化，提升视频与商品的匹配精准度，使模型能够自动识别短视频中的商品或品牌，并精准映射至电商库，支持用户在观看时直接获取相关购买信息。此外，还将探索 AIGC（AI生成内容）短视频技术，包括商品图像+文本生成带货视频、智能剪辑与特效添加、虚拟试穿等，降低电商内容制作成本，提升营销效率。 1、负责对电商场景下的商品内容、视频内容进行理解和可控生成，赋能电商全链路场景，提供优质商品供给、内容供给、商家、达人供给等，建立商品履约视角的商品理解算法体系，为商品履约保驾护航，提升购物体验； 2、基于前沿的AIGC模型能力，帮助降低商家素材制作成本，提升平台优质供给（短视频、图文等），利用NLP、CV、多模态技术，增强对短视频内容、图文、商品理解能力，支持搜索、推荐、商城全导购链路，提升消费者在内容场和货架场购物体验； 3、挖掘电商垂直领域大规模、高质量Pretrain数据集，基于字节跳动通用大模型，研发电商行业大模型，探索电商交互式导购新场景； 4、跟踪AIGC/CV/NLP/多模态/LLM领域的最新研究和技术发展，负责算法模型迭代升级。