📚 课程目录第1章岗位能力画像与简历优化模板

第1章岗位能力画像与简历优化

广告算法研究员面试的核心，是证明你能拿结果、懂业务、有深度。本章拆解岗位能力模型，提供简历量化和STAR回答框架，帮你精准匹配大厂与中小厂的不同要求。

  🎯 岗位能力画像 — 广告算法研究员 = 业务 × 算法 × 工程 × 数据 × 分析

💡 简历策略：投大厂重点写业务收益 + 量化指标；投中小厂重点写技术栈 + 工程落地细节。

  🎯 回答框架口诀：先说情境任务，再讲行动方案，最后量化结果，全程嵌入关键词。

请具体说说你在广告算法项目中是如何量化项目成果的？

🎯 考察点：能否用数据说话，是否有闭环评估意识
📐 回答框架：STAR + 关键指标（CTR / CVR / eCPM / ROI）
✏️ 示例回答：在广告CTR预估优化项目中，通过引入用户行为序列特征，使CTR提升3.2%（相对值），对应eCPM提升5.1%，广告收入增长4.3%。AB测试置信度95%，效果稳定持续4周以上。
❓ 可能追问：怎么排除其他因素干扰？用了什么统计检验方法？

⚠️ 避坑：不要只提技术指标不提业务收益，一定要关联收入 / ROI 等商业指标。

你简历中写到提升广告CTR 5%，具体用了什么方法？特征工程还是模型结构优化？

🎯 考察点：技术深度与落地能力，是否真正理解方案选择
📐 回答框架：问题背景 → 技术方案 → 实验验证 → 上线收益
✏️ 示例回答：针对展示广告CTR偏低，分析发现用户长尾兴趣未被捕捉。引入GraphSAGE对用户行为图做embedding，拼接DIN模型，离线AUC+0.8%，线上CTR+2.3%，CVR+1.7%。
❓ 可能追问：为什么选GraphSAGE而不是GAT？线上serving延迟怎么控制？

⚠️ 避坑：不要只说模型名，要讲清楚为什么选这个方案、数据怎么处理、工程上怎么落地。

你觉得大厂和中小厂在广告算法岗位上的侧重点有什么不同？

🎯 考察点：对行业和岗位的认知，自我定位是否清晰
📐 回答框架：产出导向 vs 动手能力，平台资源 vs 全栈能力
✏️ 示例回答：大厂重产出与业务影响力，要求独立lead项目拿结果，用数据说话；中小厂重动手能力与全栈工程，从数据清洗到模型部署都要能上手，快速验证迭代。
❓ 可能追问：你更适合哪种环境？为什么？

⚠️ 避坑：不要贬低任何一方，要体现自己的适应性和对不同环境的理解。

项目名称	展示广告CTR预估模型优化
业务背景	某信息流广告平台CTR低于竞品，广告匹配效率低，需在不增加延迟的前提下提升点击率
规模指标	日活1.2亿，广告请求量8亿/天，模型参数量2.3亿，线上serving延迟要求<50ms
技术栈	TensorFlow 2.x, Spark, Flink, TBKT, DIN, GraphSAGE, A/B Testing 平台
核心难点	① 用户长尾兴趣难以捕捉；② 实时特征更新延迟高；③ 模型参数量大与延迟约束的矛盾
面试高频追问	为什么选DIN+GraphSAGE组合？如何做特征实时更新？线上serving如何优化到50ms以内？
可迁移回答话术	"在业务背景下，我们面临核心难点（长尾兴趣+延迟约束）。我主导设计了技术方案（GraphSAGE+ DIN），通过工程优化（特征实时管道+模型量化）在延迟预算内完成上线，最终量化结果CTR+2.3%，CVR+1.7%，广告收入+4.1%。"

💡 简历优化提示：用「动词开头 + 技术方案 + 量化结果」格式写项目经历。例如："主导引入GraphSAGE用户行为图建模，线上CTR提升2.3%，广告收入增长4.1%。"

第1章 岗位能力画像与简历优化