项目案例
多目标推荐排序重构
把单目标 CTR 模型升级为 CTR + CVR + 停留时长的多任务架构，用 PLE 结构缓解任务冲突，并引入去偏采样处理位置偏差与流行度偏差。
Uplift 驱动的优惠券投放
用两阶段 uplift 模型识别"被券影响才会下单"的人群，替代原有的按购买概率排序的投放逻辑。在预算不变的前提下显著提升了券的增量效率。
仓网需求预测系统
为 12 个区域仓建立 SKU 级别的日粒度需求预测。融合了促销日历、天气与竞品价格等外生变量，用分层调和保证不同粒度预测的一致性。
特征平台与实验中台
主导团队特征平台建设，统一离线训练与在线推理的特征口径，彻底解决训练-服务偏斜问题；配套实验平台支持自动功效计算与指标显著性判定。
关于 苏未晞
离线 AUC 提升 2 个点，线上可能毫无变化。我这几年最大的成长，是学会对"提升"这件事保持警惕。
我目前在一家电商平台负责**推荐算法**与**增长实验体系**。日常工作大致分三块：迭代排序模型、维护特征与训练管道、以及设计并解读线上实验。这三件事缺一不可——只做模型的算法工程师，很容易在一个失真的离线指标上自我感动。
技术上我的主线是**深度排序模型**与**因果推断**的结合。传统推荐容易陷入"推荐它是因为它本来就会被点"的自我强化循环，我们通过引入 uplift 建模与去偏采样，把资源真正倾斜给增量更高的人群，在同等曝光下把 GMV 提升了 5.3%。
工程能力是数据科学家的隐形门槛。我独立搭建过团队的**特征平台**，把特征上线周期从平均 3 天压缩到 4 小时，并解决了长期困扰团队的训练-推理特征不一致问题。这类工作不会写进论文，但它决定了一个算法团队的迭代速度上限。
我在职攻读统计学博士，研究方向是**观测数据下的处理效应估计**。学术训练让我在面对业务问题时会多问一句："这个结论的识别假设是什么？"——这个习惯帮团队避免过好几次错误的归因。
能力矩阵
经历年表
数据科学家 · 推荐与增长算法 @ 某综合电商平台
负责主站推荐排序模型与增长实验体系，同时承担团队的 ML 基础设施建设。
算法工程师 · 供应链智能 @ 某零售科技公司
负责需求预测与库存优化算法，服务全国 12 个区域仓。
数据分析师 @ 某互联网内容平台
负责用户增长方向的数据分析与实验支持，是我从分析转向建模的起点。
统计学 · 博士在读（在职） @ 国内某综合性大学
研究方向为观测数据下的异质处理效应估计，已发表 KDD、CIKM 论文各一篇。
三层能力：建模、工程、决策
机器学习建模
面向排序、预测与分类场景的模型设计、训练与调优。
- 深度排序模型（DIN / DCN）
- 梯度提升树与特征工程
- 时序预测与需求建模
- 多目标与多任务学习
数据与 ML 工程
把实验性的代码变成可持续运行、可监控的生产管道。
- Spark 大规模特征计算
- Airflow 调度与依赖管理
- 特征平台与在线服务
- 模型监控与自动回滚
实验与因果推断
用严谨的统计方法回答"这个改动到底带来了什么"。
- A/B 实验设计与功效分析
- Uplift 与异质处理效应
- 双重差分 / 合成控制
- 实验平台指标体系建设
教育经历
GPA 3.8/4.0，数学建模国赛一等奖，校数据科学实验室研究助理。
研究方向为因果推断与 uplift 建模，发表 KDD workshop 论文一篇。
项目 / 成果
把单目标 CTR 模型升级为 CTR + CVR + 停留时长的多任务架构，用 PLE 结构缓解任务冲突，并引入去偏采样处理位置偏差与流行度偏差。
用两阶段 uplift 模型识别"被券影响才会下单"的人群，替代原有的按购买概率排序的投放逻辑。在预算不变的前提下显著提升了券的增量效率。
为 12 个区域仓建立 SKU 级别的日粒度需求预测。融合了促销日历、天气与竞品价格等外生变量，用分层调和保证不同粒度预测的一致性。
主导团队特征平台建设，统一离线训练与在线推理的特征口径，彻底解决训练-服务偏斜问题；配套实验平台支持自动功效计算与指标显著性判定。