{
    "schema_version": "via_ai_product_manager_jobs_v1",
    "data_type": "ai_product_manager_jobs",
    "job": {
        "job_title": "商业智能部-Al商业应用分析师-数据Agent方向",
        "job_level": "未披露",AI生成
        "work_category": "全职",AI生成
        "department": "阿里集团",
        "location": "杭州",
        "work_mode": "未披露",AI生成
        "job_category": "数据类-商业数据分析"AI生成
    },
    "company": {
        "company_name": "阿里国际数字商业",
        "company_industry": "跨境电商",
        "company_size": "未披露",
        "company_website": "alibaba.com",
        "company_description": "阿里国际数字商业业务涉及国际电商平台及跨境商品交易。"
    },
    "compensation": {
        "salary_range": {
            "min": "",
            "max": "",
            "currency": "未披露",
            "cycle": "未披露"
        },
        "benefits": "未披露"
    },
    "requirements": {
        "working_years": 2,
        "degree": "本科",
        "language": "未披露",AI生成
        "visa_support": "未披露",
        "responsibilities": "我们在做什么\n我们把\"数据分析师 + 业务参谋\"做成了一个 AI 管理助手——销售管理者问一句\"我这个区这个月营收为什么没达标\"，它能自己拆解归因，并结合团队实际情况给出下一步动作建议。\n不是 Demo，是数百名一线管理者每天在用、直接影响经营决策的AI产品。\n你会负责\n1. 数据Agent设计：定义 AI 管理助手的交互范式与能力单元（营收分析、市场洞察、商家规模增长、商业产品渗透、团队诊断等），从\"一问一答\"做到能追问、能补上下文、能主动建议。\n2. 质量的度量：把\"什么是一个好回答\"定义成可打分的标准，建立口径一致性、准确率、幻觉兜底、评测与回归机制。质量靠度量，不靠感觉。\n3. Skill 编排配置：把埋在代码和 Prompt 里的编排逻辑做成可配置能力，让分析步骤、口径、输出结构不必依赖研发就能改，把迭代周期从\"周\"压到\"天\"。\n4. 自迭代机制：设计\"反馈—评分—沉淀—复用\"闭环，让优秀回答与业务策略文档自动回流知识库、按评分被引用；同时防止低质与过期内容污染。\n5. 下游交互：主动定义与国际站其他 AI 工具、BI 系统、知识库的能力边界与上下文传递，让结论能流向下游动作，避免数据孤岛。\n6. 决策支持：通过分析报告与专题研究，支持销售团队目标拆解与业务机会挖掘。\n你要建的不是一堆一次性功能，而是一个能自我进化的系统——质量能被度量、能力能被快速配置、知识能自己沉淀。这件事在国内做成的团队还很少，你有机会从头把它定义出来。迭代快、反馈直接，每次改动立刻看到效果。",
        "requirements_text": "必备\n1. 2 年以上数据分析或者数据产品相关经验：对数据建模、指标体系与口径治理、BI/分析产品、数据服务化有完整认知，知道每层边界在哪。\n2. 对 AI 有真实热情——自己在用、在折腾，对 LLM / Agent / RAG 的能力与局限有基于实践的判断，而非概念了解。\n3. 能把模糊的质量诉求变成可度量标准：会建评测集、定判定口径、跟踪线上表现，而不是只报一个准确率。\n4. 能和一线业务用业务语言对话，把模糊诉求翻译成清晰的产品定义，用AI辅助实现。\n5. 能自己写 SQL 完成数据分析与业务探索。\n加分\n1. 有数据类 Agent 实操经验（Text2SQL、分析型 Agent、工具调用编排、Eval 体系），踩过坑。\n2. 做过能力编排或工作流的配置化/低代码平台。\n3. 做过知识沉淀、反馈闭环或 RAG 知识质量治理。\n4. 有 0→1 从试点到规模化的完整经历。",
        "skills": [AI生成
            "SQL",
            "数据分析",
            "建模",
            "大语言模型",
            "检索增强生成"
        ],
        "preferred_qualifications": "加分",
        "job_highlights": "未披露"
    },
    "contact": {
        "recruiter_name": "未披露",
        "contact_methods": [
            {
                "type": "apply_link",
                "value": "https://aidc-jobs.alibaba.com/off-campus/position-detail?positionId=100023715073"
            }
        ]
    },
    "posting": {
        "posting_id": "100023715073",
        "post_date": "2026-08-11",
        "hire_time": "未披露",
        "update_date": "20260917",
        "job_url": "https://aidc-jobs.alibaba.com/off-campus/position-detail?positionId=100023715073"
    },
    "fulltext": "商业智能部-Al商业应用分析师-数据Agent方向\n商业智能部-Al商业应用分析师-数据Agent方向\n\n基础信息\n职位类别：数据类-商业数据分析\n工作地点：杭州\n\n职位描述\n我们在做什么\n我们把\"数据分析师 + 业务参谋\"做成了一个 AI 管理助手——销售管理者问一句\"我这个区这个月营收为什么没达标\"，它能自己拆解归因，并结合团队实际情况给出下一步动作建议。\n不是 Demo，是数百名一线管理者每天在用、直接影响经营决策的AI产品。\n你会负责\n1. 数据Agent设计：定义 AI 管理助手的交互范式与能力单元（营收分析、市场洞察、商家规模增长、商业产品渗透、团队诊断等），从\"一问一答\"做到能追问、能补上下文、能主动建议。\n2. 质量的度量：把\"什么是一个好回答\"定义成可打分的标准，建立口径一致性、准确率、幻觉兜底、评测与回归机制。质量靠度量，不靠感觉。\n3. Skill 编排配置：把埋在代码和 Prompt 里的编排逻辑做成可配置能力，让分析步骤、口径、输出结构不必依赖研发就能改，把迭代周期从\"周\"压到\"天\"。\n4. 自迭代机制：设计\"反馈—评分—沉淀—复用\"闭环，让优秀回答与业务策略文档自动回流知识库、按评分被引用；同时防止低质与过期内容污染。\n5. 下游交互：主动定义与国际站其他 AI 工具、BI 系统、知识库的能力边界与上下文传递，让结论能流向下游动作，避免数据孤岛。\n6. 决策支持：通过分析报告与专题研究，支持销售团队目标拆解与业务机会挖掘。\n你要建的不是一堆一次性功能，而是一个能自我进化的系统——质量能被度量、能力能被快速配置、知识能自己沉淀。这件事在国内做成的团队还很少，你有机会从头把它定义出来。迭代快、反馈直接，每次改动立刻看到效果。\n\n职位要求\n必备\n1. 2 年以上数据分析或者数据产品相关经验：对数据建模、指标体系与口径治理、BI/分析产品、数据服务化有完整认知，知道每层边界在哪。\n2. 对 AI 有真实热情——自己在用、在折腾，对 LLM / Agent / RAG 的能力与局限有基于实践的判断，而非概念了解。\n3. 能把模糊的质量诉求变成可度量标准：会建评测集、定判定口径、跟踪线上表现，而不是只报一个准确率。\n4. 能和一线业务用业务语言对话，把模糊诉求翻译成清晰的产品定义，用AI辅助实现。\n5. 能自己写 SQL 完成数据分析与业务探索。\n加分\n1. 有数据类 Agent 实操经验（Text2SQL、分析型 Agent、工具调用编排、Eval 体系），踩过坑。\n2. 做过能力编排或工作流的配置化/低代码平台。\n3. 做过知识沉淀、反馈闭环或 RAG 知识质量治理。\n4. 有 0→1 从试点到规模化的完整经历。\n我们在做什么\n我们把\"数据分析师 + 业务参谋\"做成了一个 AI 管理助手——销售管理者问一句\"我这个区这个月营收为什么没达标\"，它能自己拆解归因，并结合团队实际情况给出下一步动作建议。\n不是 Demo，是数百名一线管理者每天在用、直接影响经营决策的AI产品。\n你会负责\n1. 数据Agent设计：定义 AI 管理助手的交互范式与能力单元（营收分析、市场洞察、商家规模增长、商业产品渗透、团队诊断等），从\"一问一答\"做到能追问、能补上下文、能主动建议。\n2. 质量的度量：把\"什么是一个好回答\"定义成可打分的标准，建立口径一致性、准确率、幻觉兜底、评测与回归机制。质量靠度量，不靠感觉。\n3. Skill 编排配置：把埋在代码和 Prompt 里的编排逻辑做成可配置能力，让分析步骤、口径、输出结构不必依赖研发就能改，把迭代周期从\"周\"压到\"天\"。\n4. 自迭代机制：设计\"反馈—评分—沉淀—复用\"闭环，让优秀回答与业务策略文档自动回流知识库、按评分被引用；同时防止低质与过期内容污染。\n5. 下游交互：主动定义与国际站其他 AI 工具、BI 系统、知识库的能力边界与上下文传递，让结论能流向下游动作，避免数据孤岛。\n6. 决策支持：通过分析报告与专题研究，支持销售团队目标拆解与业务机会挖掘。\n你要建的不是一堆一次性功能，而是一个能自我进化的系统——质量能被度量、能力能被快速配置、知识能自己沉淀。这件事在国内做成的团队还很少，你有机会从头把它定义出来。迭代快、反馈直接，每次改动立刻看到效果。\n必备\n1. 2 年以上数据分析或者数据产品相关经验：对数据建模、指标体系与口径治理、BI/分析产品、数据服务化有完整认知，知道每层边界在哪。\n2. 对 AI 有真实热情——自己在用、在折腾，对 LLM / Agent / RAG 的能力与局限有基于实践的判断，而非概念了解。\n3. 能把模糊的质量诉求变成可度量标准：会建评测集、定判定口径、跟踪线上表现，而不是只报一个准确率。\n4. 能和一线业务用业务语言对话，把模糊诉求翻译成清晰的产品定义，用AI辅助实现。\n5. 能自己写 SQL 完成数据分析与业务探索。\n加分\n1. 有数据类 Agent 实操经验（Text2SQL、分析型 Agent、工具调用编排、Eval 体系），踩过坑。\n2. 做过能力编排或工作流的配置化/低代码平台。\n3. 做过知识沉淀、反馈闭环或 RAG 知识质量治理。\n4. 有 0→1 从试点到规模化的完整经历。",
    "standard_classification": {
        "std_category_code": "PM004",
        "std_aux_codes": [
            "T017"
        ],
        "std_category_status": null,
        "std_taxonomy_version": "20261104"
    }
}