主分类：数据分析与数据科学
来源 JD 数据（旧分类保留，当前主分类见上方）
{
"schema_version": "via_ai_product_manager_jobs_v1",
"data_type": "ai_product_manager_jobs",
"job": {
"job_title": "灵犀互娱-AI投放数据分析-广州",
"job_level": "未披露",AI生成
"work_category": "全职",AI生成
"department": "灵犀互娱",
"location": "广州",
"work_mode": "未披露",AI生成
"job_category": "数据分析"AI生成
},
"company": {
"company_name": "灵犀互娱",
"company_industry": "游戏 / 互动娱乐",
"company_size": "未披露",
"company_website": "alibaba.com",
"company_description": "灵犀互娱提供网络游戏和互动娱乐服务。"
},
"compensation": {
"salary_range": {
"min": "",
"max": "",
"currency": "未披露",
"cycle": "未披露"
},
"benefits": "未披露"
},
"requirements": {
"working_years": 3,
"degree": "本科",
"language": "未披露",AI生成
"visa_support": "未披露",
"responsibilities": "1. 素材与投放的数据理解 负责让模型\"看懂\"素材与投放：围绕素材效果的可预测性，搭建相应的数据与特征基础，并对预测结果的可信度负责。\n2. 训练数据体系建设 负责建设支撑模型持续迭代的数据基础，让机器决策过程中的关键信息被完整、结构化地沉淀下来，形成可用于建模的资产。\n3. 建模效果的判断与推进 与算法同学配合，围绕当前建模路线做效果评估、问题定位和优化方向判断，推动模型准确性持续提升。\n4. 与投放自动化能力的协同 参与自动化投放能力的落地过程，从数据视角提出要求，保证过程中产生的数据可支撑后续的策略建模。\n5. 数据可信度把关 对分析口径与数据质量负责，为项目早期的路线判断提供可靠依据。",
"requirements_text": "1. 懂数据，3 年以上数据分析 / 数据建模 / 数据产品经验，做过标签体系、指标口径，或特征与样本设计。核心考察：能否把一个模糊的业务问题翻译成明确的数据结构和验证方案。\n2. 有建模判断力，不必是科班算法 能看懂模型结果，识别过拟合、样本偏差、数据泄漏、评估口径失真。我们不要求你手写模型代码——技术实现可以借助 AI 完成，但要求你判断得出模型对不对、结论可不可信。\n3. SQL 熟练；Python 与建模工具能借 AI 上手即可 自主取数、清洗、验证是日常工作。熟练用 AI 工具加速脚本、实验和分析。\n4. 能在模糊状态下自己定义问题 项目是初始阶段，没有现成的表、口径和标准答案，需要你主动定义\"什么算好\"，而不是等需求。\n加分项\n广告投放 / 买量或推荐搜索方向的数据经验，理解出价机制与素材审核规则\n接触过 GBM / LightGBM 等树模型，或做过小样本、聚合特征类建模\n做过内容或素材维度的标签体系、素材效果归因",
"skills": [AI生成
"Python",
"数据结构",
"数据分析",
"广告投放",
"建模"
],
"preferred_qualifications": "加分项",
"job_highlights": "未披露"
},
"contact": {
"recruiter_name": "未披露",
"contact_methods": [
{
"type": "apply_link",
"value": "https://talent.lingxigames.com/off-campus/position-detail?positionId=100040700002"
}
]
},
"posting": {
"posting_id": "100040700002",
"post_date": "2026-09-11",
"hire_time": "未披露",
"update_date": "20260917",
"job_url": "https://talent.lingxigames.com/off-campus/position-detail?positionId=100040700002"
},
"fulltext": "灵犀互娱-AI投放数据分析-广州\n灵犀互娱-AI投放数据分析-广州\n\n基础信息\n工作地点：广州\n\n职位描述\n1. 素材与投放的数据理解 负责让模型\"看懂\"素材与投放：围绕素材效果的可预测性，搭建相应的数据与特征基础，并对预测结果的可信度负责。\n2. 训练数据体系建设 负责建设支撑模型持续迭代的数据基础，让机器决策过程中的关键信息被完整、结构化地沉淀下来，形成可用于建模的资产。\n3. 建模效果的判断与推进 与算法同学配合，围绕当前建模路线做效果评估、问题定位和优化方向判断，推动模型准确性持续提升。\n4. 与投放自动化能力的协同 参与自动化投放能力的落地过程，从数据视角提出要求，保证过程中产生的数据可支撑后续的策略建模。\n5. 数据可信度把关 对分析口径与数据质量负责，为项目早期的路线判断提供可靠依据。\n\n职位要求\n1. 懂数据，3 年以上数据分析 / 数据建模 / 数据产品经验，做过标签体系、指标口径，或特征与样本设计。核心考察：能否把一个模糊的业务问题翻译成明确的数据结构和验证方案。\n2. 有建模判断力，不必是科班算法 能看懂模型结果，识别过拟合、样本偏差、数据泄漏、评估口径失真。我们不要求你手写模型代码——技术实现可以借助 AI 完成，但要求你判断得出模型对不对、结论可不可信。\n3. SQL 熟练；Python 与建模工具能借 AI 上手即可 自主取数、清洗、验证是日常工作。熟练用 AI 工具加速脚本、实验和分析。\n4. 能在模糊状态下自己定义问题 项目是初始阶段，没有现成的表、口径和标准答案，需要你主动定义\"什么算好\"，而不是等需求。\n加分项\n广告投放 / 买量或推荐搜索方向的数据经验，理解出价机制与素材审核规则\n接触过 GBM / LightGBM 等树模型，或做过小样本、聚合特征类建模\n做过内容或素材维度的标签体系、素材效果归因\n1. 素材与投放的数据理解 负责让模型\"看懂\"素材与投放：围绕素材效果的可预测性，搭建相应的数据与特征基础，并对预测结果的可信度负责。\n2. 训练数据体系建设 负责建设支撑模型持续迭代的数据基础，让机器决策过程中的关键信息被完整、结构化地沉淀下来，形成可用于建模的资产。\n3. 建模效果的判断与推进 与算法同学配合，围绕当前建模路线做效果评估、问题定位和优化方向判断，推动模型准确性持续提升。\n4. 与投放自动化能力的协同 参与自动化投放能力的落地过程，从数据视角提出要求，保证过程中产生的数据可支撑后续的策略建模。\n5. 数据可信度把关 对分析口径与数据质量负责，为项目早期的路线判断提供可靠依据。\n1. 懂数据，3 年以上数据分析 / 数据建模 / 数据产品经验，做过标签体系、指标口径，或特征与样本设计。核心考察：能否把一个模糊的业务问题翻译成明确的数据结构和验证方案。\n2. 有建模判断力，不必是科班算法 能看懂模型结果，识别过拟合、样本偏差、数据泄漏、评估口径失真。我们不要求你手写模型代码——技术实现可以借助 AI 完成，但要求你判断得出模型对不对、结论可不可信。\n3. SQL 熟练；Python 与建模工具能借 AI 上手即可 自主取数、清洗、验证是日常工作。熟练用 AI 工具加速脚本、实验和分析。\n4. 能在模糊状态下自己定义问题 项目是初始阶段，没有现成的表、口径和标准答案，需要你主动定义\"什么算好\"，而不是等需求。\n加分项\n广告投放 / 买量或推荐搜索方向的数据经验，理解出价机制与素材审核规则\n接触过 GBM / LightGBM 等树模型，或做过小样本、聚合特征类建模\n做过内容或素材维度的标签体系、素材效果归因",
"standard_classification": {
"std_category_code": "T017",
"std_aux_codes": [],
"std_category_status": null,
"std_taxonomy_version": "20261104"
}
}