数据科学资深
数据科学 × 资深
在数据科学领域拥有10年以上经验，曾在金融和电商行业主导从机器学习模型设计到MLOps构建的全流程工作。擅长开发推荐引擎，为年销售额提升数亿日元做出贡献，并负责DAU超100万产品的数据基础设施整合。核心竞争力在于能够从商业课题的界定到概念验证、生产环境部署及团队管理，实现端到端的推进。
📌 职业概要
- ▸在大型系统集成商从事数据仓库构建及BI导入咨询，负责从需求定义到数据建模的全过程，积累了3年的项目经验。
- ▸跳槽至外资科技企业，作为高级数据科学家，主导电商推荐算法开发及MLOps流水线标准化工作，任职5年。
- ▸目前在国内大型金融机构的DX推进室担任数据科学团队经理，负责信贷模型的AI化改造，并管理8人团队，任职2年。
📌 业绩与优势
- ▸通过重构电商网站的个性化推荐模型，将转化率提升14%，实现年销售额增加25亿日元。
- ▸引入AI信贷审核模型，将审核周期从平均3天缩短至15分钟，同时将违约率降低0.8%。
- ▸自主搭建MLOps平台（基于Kubeflow和MLflow），将模型从开发到生产部署的周期从4周压缩至3天。
📌 技能
- ▸编程语言与框架：精通Python、SQL、PyTorch、TensorFlow、Scikit-learn及Spark，具备丰富的实际应用经验。
- ▸MLOps与基础设施：熟练使用Docker、Kubernetes、Kubeflow、MLflow，以及AWS（SageMaker、Redshift、Glue）和GCP（BigQuery、Vertex AI）等云服务。
- ▸数据工程：掌握dbt、Airflow、Kafka等工具，能够构建高效的数据管道和处理流式数据。
- ▸商业与管理：具备项目管理、团队建设、利益相关者沟通等能力，英语达到商务水平（TOEIC 920分）。
📌 自我介绍
- ▸我是一名注重“商业影响”而非“技术至上”的数据科学家。在上一家电商公司，我曾提议采用当时最先进的深度学习模型，但因推理成本和延迟问题遭到业务方反对。为此，我自主设计并实现了一个集成轻量级XGBoost与神经网络的混合模型，在将推理成本降低60%的同时保持精度，最终实现年销售额增加25亿日元。这段经历让我坚信，平衡技术探索与业务约束、并引导利益相关者共同寻求最优解，是我最大的优势。
💡 撰写建议
- 💡针对日企和外企对“管理”的不同定义，调整简历侧重点：日企强调协调与共识构建能力，外企则突出技术领导力和数据驱动的团队建设。
- 💡高级职位不仅看重技术实操，更关注如何识别业务问题并最大化投资回报率。准备一些关于概念验证项目失败教训的案例，有助于提升面试评价。
- 💡MLOps和数据治理经验当前市场价值极高，除了模型开发，务必突出你在降低运维和合规成本方面的具体成果。
🔗 🔗 同行业其他级别
最后审核: 2026-09-06 · aijobs 编辑部