供应链预测与定价策略算法工程师

岗位职责：
1. 需求预测建模：基于客户年度出货预测、月度MRP需求、历史采购数据，构建料号/品类/供应商多层级需求预测模型；处理插单（如客户急单）等间歇性需求、新料号冷启动问题；预测结果需支撑采购计划编制与预算锁定。
2. 原材料价格预测（铜、铝为主）：融合LME铜铝现货/期货指数、汇率等外生变量，构建价格走势预测模型，输出锁价点/价时机、安全库存与补货量建议，直接支撑锁价策略与议价时机判断。
3. AI标准估价（Should-Cost）：将采购成本拆解为原料（铜铝）/加工/利润等成本项，结合历史报价回归校准，为议价和降本提供量化依据。
4. AI比价分析：构建历史报价比对、供应商与物料匹配的多维度比价能力（价格/交期/品质/风险），支撑战略寻源询比价流程。
5. 模型治理与监控：需求预测、AI比价初筛在AI治理框架中被划为L1（全自动执行、无需即时人工确认，仅月度抽核），因此需具备模型准确率监控、漂移检测、误判自动降级机制的工程能力，不能只是离线验证的demo模型。
6. 走查/回测框架：建立严格的walk-forward回测框架与时序数据泄漏防护机制，能够量化“若按模型建议执行可节约多少成本”（反事实评估）。
7. 业务协同：与“大宗商品分析师”“战略采购经理”“成本工程师”等业务角色协作，将预测结果转化为可执行的采购决策建议（下单时点、批量、锁价比例）。
8. AI需求资料清洗与采购领域本体论建设：负责历史合同、报价单、供应商档案、交易记录等非结构化/半结构化采购数据的清洗、去重、标准化，产出可直接用于模型训练的结构化数据集；主导采购领域本体/分类体系设计（物料、供应商、合约条款、风险类型、成本项等核心实体及其关系定义），确保需求预测、Should-Cost、比价分析等多个模型间术语与分类口径一致，避免各模型自建一套标签体系造成后续维护混乱。
任职要求：
1. 本科及以上学历，计算机、软件工程、数据科学、统计学、工业工程、供应链、金融工程等相关专业。
2. 3年及以上时序预测/量化建模相关经验，且至少有1个预测模型真实上线并稳定运行6个月以上（课程项目、实习demo、离线实验不计）。
3. 精通时序预测算法：熟练掌握LightGBM、CatBoost、XGBoost等树模型与特征工程方法；了解PatchTST、iTransformer、DLinear、TimesNet等现代深度时序模型；了解TimesFM、Chronos、Moirai等时序基础模型及其在新料号/新供应商冷启动场景中的应用。
4. 掌握概率预测方法（分位数回归、Conformal Prediction），理解采购场景需要预测区间而非点值；熟悉间歇性需求建模（Croston、TSB等）与多层级预测调和；熟悉MASE、WQL、Pinball Loss等评估口径。
5. 精通walk-forward回测框架设计与时序数据泄漏防护，具备反事实评估能力。
6. 精通Python开发，熟练使用Pandas、Numpy、Sklearn、PyTorch等，具备生产级代码能力。
7. 具备大宗商品/原材料价格分析基础：理解期货、汇率等外生变量与原材料价格的联动关系，能看懂LME铜铝指数、期货行情走势（不要求交易经验，但需要基础的商品市场认知）。
8. SQL熟练，能独立完成从ERP/SRM等业务系统取数、数据处理、模型训练到上线部署的全流程。
9. 具备数据合规意识，理解报价、成本、供应商价格属于高敏感商业数据。
10. 具备数据清洗与领域本体/知识体系建设经验：能将非结构化采购数据（合同、报价单、往来记录）转化为结构化、可建模的数据集；理解本体论/分类体系（taxonomy）设计方法，能定义领域实体、属性与关系，产出标准化的术语与分类体系，而非仅停留在单一模型的特征工程层面。
11. 具备与独立数据治理团队协作的能力：理解基础的数据治理概念（元数据管理、主数据管理MDM、数据质量规则），能清晰表达并对齐数据定义、分类边界与质量标准，避免采购域自建的本体/标签体系与公司级数据治理标准冲突或重复建设。
12.具备制造业相关行业工作经验，熟悉制造业供应链与采购全业务流程，理解ERP、SRM系统基础逻辑与数据结构；有散热、电子制造、精密制造行业经验者优先。
加分项：
1. 有采购需求预测、大宗原材料价格预测、智能寻源、供应商评级等项目从0到1落地经验。
2. 有制造成本建模（Should-Cost）或工业工程成本核算相关经验。
3. 熟悉运筹优化建模工具（OR-Tools、Pyomo、Gurobi等），了解newsvendor、安全库存、批量采购等决策模型，能将预测结果转化为下单时点、批量与锁价比例等可执行动作。
4. 熟悉可解释性方法（SHAP等），了解评级稳定性设计与反馈闭环偏差处理方法。
5. 有主流数据竞赛（Kaggle、天池等）时序或表格赛道优异成绩、优质开源项目贡献或相关领域论文——可作为学习能力/钻研深度的佐证。
6. 熟悉知识图谱构建工具（如Neo4j）、本体建模规范（如OWL、RDF、SKOS）或企业级标签体系/分类体系设计经验；有与数据治理/数据中台团队协作对接的实际项目经验。
7. 了解大模型Agent工作流、RAG检索、文档智能（报价单与合同结构化抽取）——非必须，团队现有2位AI应用开发工程师已覆盖此类能力，但若候选人具备基础认知，有助于后续与Agent平台层（PIS AI Agent Platform）对接协作，比如将预测结果封装为Agent可调用的工具。