阿里云诚云科技-资深数据开发工程师-CIO线-数据技术部
任职要求
1. 本科及以上学历，计算机、软件工程、数学、统计学等相关专业； 2. 3年以上数据研发相关工作经验，熟悉大数据生态及相关技术栈； 3. 精通SQL，熟练掌握至少一种编程语言（如Python）； 4. 熟悉Hadoop、Spark、Hive、Kafka等大数据组件，有实际项目经验； 5. 具备良好的数据敏感度、逻辑思维能力和团队协作精神； 6. 有数据治理、机器学习平台经验者优先。
工作职责
1、企业数据体系建设 负责企业级数据架构设计，制定数据标准与规范，支撑业务决策与智能化应用。 搭建数据采集与处理流程，整合多源数据（内部系统、外部API、公开数据库等），确保数据质量与一致性。 2、外部数据获取与处理 通过API接口或第三方数据服务，获取高质量外部数据（如行业趋势、市场动态、竞品信息）。 设计数据清洗规则与自动化脚本，处理缺失值、异常值及格式标准化，输出结构化数据资产。 3、数据建模与分析 基于业务场景（如用户画像、风险预测、供应链优化）构建统计模型或机器学习模型（如分类、回归、聚类）。 开发可复用的数据分析工具链，支持实时/离线分析，输出可视化报告或API接口供业务调用。
1、数据资产管理平台开发与治理 构建企业级数据资产管理平台，构建数据清晰的血缘，支持高效溯源。 建立元数据管理、数据血缘追踪、质量监控与安全合规体系。 2、知识图谱构建与优化 从结构化/非结构化数据中提取实体与关系，构建行业知识图谱（如客户关系图谱）。 通过规则引擎、NLP模型持续优化图谱质量。 3、AI助理系统开发 集成大语言模型（LLM）与垂直知识库，开发智能问答、自然语言查询及自动化报表功能。 设计API/Web接口，支持业务用户通过自然语言调用数据服务（如“查询某产品的销售趋势”）。 搭建模型训练与部署框架，实现AI能力快速迭代。 4、数据安全合规与质量管理 建立数据质量指标（完整性、一致性、准确性），开发自动化检测与修复工具。 实现异常数据实时告警（如延迟、权限越权），并通过邮件/SMS/企业微信通知责任人。 5、平台性能与稳定性保障 优化Spark/Flink任务性能，提升高并发场景下的平台稳定性。 监控系统运行状态，设计容灾机制与自动化运维工具，降低故障率。
阿里云CIO线交易计费平台，是阿里云业务中台系统的基石，是中台战略的核心阵地，由产商品、交易、优惠、计量计费、合同等多个核心业务平台组成，旨在提供简单可信赖的云服务交易平台，高效高质量地支持阿里云业务的全球化布局和创新性发展。 岗位职责： 技术方案设计 • 收集、识别、分析客户需求，并确定技术方案的目标、范围和交付成果 • 基于需求分析，进行技术可行性分析和方案评审，选择合适的技术选型、技术架构、数据架构和开发流程 技术实现 • 基于技术方案的拆解，按照任务目标和产出规范，完成任务/子任务的设计、编码开发和系统功能实现 • 对编码进行阶段性的讨论和CodeReview，并通过调试优化，推动代码成功部署 • 对开发中和部署后的程序进行必要的维护和迭代，包括值班oncall、升级工单处置、bug排查、问题诊断、产品体验改善、性能和成本优化等 基础服务开发 • 洞察和抽象团队内的共性技术需求并形成基础服务技术方案 • 通过技术框架、技术领域SDK、web组件库、技术知识库等可复用能力的建设，不断提升团队研发效率和质量 技术洞察与研究 • 通过行业会议、技术媒体、学术研究、友商交流等方式，收集领域内的最新技术信息，包括但不限于技术原理、技术优劣势、应用场景等 • 追踪并定期分析竞对产品的核心技术指标和发展方向 • 通过内外部渠道，了解并洞悉客户需求，并凝练形成对应的技术洞察 技术规划 • 基于业务需求和技术洞察，制定技术团队的中长期发展规划和技术路线图 • 体系性的设计各类配套规划，包括技术人员规划、技术基础设施规划、技术质量规划、技术安全规划等 项目管理 • 确定项目目标和范围，并拟定项目计划、预算和资源需求计划、项目风险评估、交付成果等 • 组建项目团队，明确项目各岗位职责和任务，配备必要的资源，并设计高效的协作机制 • 按项目计划进行落地实施，并对项目进度、数据、质量进行监控，确保项目保质保量实施 • 总结项目经验和教训，反馈项目成果和绩效，为之后的项目管理沉淀经验总结
1、遵循Robots协议，参与爬虫系统的建设与优化，满足各类业务数据需求； 2、负责分布式爬虫系统的建设，优化数据调度、抓取、解析、存储全栈流程； 3、帮助团队攻克各种爬虫技术难关，提升海量数据系统的抓取效果与性能。
1、负责网易集团财经数据中台的数仓规划与设计 2、完成相关原始数据采集、清洗、整理、去重和治理，保证数据及时性、完整性、一致性和准确性。 3、参与业务需求调研，根据业务需求设计数据仓库维度模型，并完成数据模型开发，沉淀数据指标。 4、持续改进优化ETL、分析处理等问题，对结构化的数据做数据分析； 5、对项目开发进度、代码质量进行管控、完成技术文档的沉淀。