(2027届)算法工程师-增长方向

1.渠道投放优化

参与主流广告渠道的投放数据接入、特征建设和效果分析。

建立渠道、账户、计划、人群和素材等不同粒度的效果预测模型。

根据成本、转化、留存、ROI、LTV等指标，辅助预算分配、渠道选择和投放调控。

2.素材效果预估

基于素材内容、投放配置、渠道环境及历史表现，预测素材的点击率、转化率、获客成本和后链路质量。

探索图像、视频、文本及多模态大模型在素材理解、标签提取、相似度分析和爆款预测中的应用。

参与素材冷启动、潜力素材筛选、素材疲劳识别及生命周期管理策略建设。

3.增长策略建模

围绕拉新、拉活、召回等增长场景，设计人群选择、预算分配、频次控制和投放节奏策略。

结合用户分层、转化概率和长期价值预测，优化不同人群与渠道的匹配效率。

通过 A/B 实验、因果分析等方法评估策略的真实增量效果。

4.智能出价与成本预估

参与转化率、目标成本、竞争强度和可承受出价等模型建设。

研究基于规则、监督学习、在线学习、Bandit或强化学习的动态出价方法。

在成本、量级、ROI和长期价值等多目标约束下，持续优化投放策略。

5.AI 投放系统建设

将预测模型和增长策略接入现有 AI 投放系统，参与“数据采集—效果预估—策略生成—投放执行—效果反馈”的闭环建设。

配合产品、工程、数据和投放团队完成算法方案上线、监控、评估及持续迭代。

建设模型与策略的指标看板、异常诊断和效果归因能力，提高智能投放的稳定性与可解释性

1、2027届本科及以上学历，计算机、人工智能、数学、统计学、运筹学、自动化等相关专业；

2、具备良好的编程基础，熟悉 Python；能够使用 SQL完成数据提取和分析；

3、掌握常见机器学习方法，理解分类、回归、排序、聚类及模型评估的基本原理；

4、具备较好的概率统计、数据分析和逻辑推理能力，能够将业务问题转化为算法问题；

5、对广告投放、用户增长或推荐系统感兴趣，愿意深入理解业务指标和真实投放场景。

6、具备良好的沟通协作能力、学习能力和结果意识。

加分项：

1、有广告算法、推荐系统、搜索、增长分析或数据挖掘相关项目、竞赛或实习经历；

2、了解 CTR/CVR预估、用户 LTV预测、智能出价、预算分配或流量价值评估；

3、了解因果推断、A/B 实验、运筹优化、在线学习、Bandit或强化学习；

4、有图像、视频、NLP或多模态大模型相关实践经验；

5、使用过 PyTorch、TensorFlow、LightGBM、XGBoost等工具；

6、对广告渠道机制、素材生产流程或投放平台有一定了解