D4000廣告平台資料工程師

工作內容: 

1 設計和建立資料分析報告和資料儀表板， 

2.提供資訊視覺化及說明分析。 

3.運用統計概念與資料驅動思維，收集和清理各類型資料，並設計資料分析方法，建立相關資料應用。 

4.跨系統資料梳理及資料倉儲整合(ETL)應用(SSIS、Store Procedure)。 

專業能力: 

1.對數據分析具有統整運用能力,具有撰寫良好的分析報告能力。 

2.對於探索資料具有熱忱與好奇心，會主動了解相關技術與知識。 

3.能直接面對使用者與需求單位，具備細心、耐心、清晰的邏輯思維與簡報能力。

我們在尋找具有熱情、創新和技術專業的資料工程師加入我們數據團隊，如果你對數據技術充滿熱情，熱於挑戰和解決各種數據問題，歡迎加入我們。 

工作內容: 

1. 負責ETL流程開發與維運，確保資料準確性與完整性。 

2. 參與資料倉儲的設計、開發、優化和維護。 

3. 與其他部門合作，解決資料相關問題，支持業務需求。 

專業知識: 

1. 具有資料庫設計與優化經驗。 

2. 熟悉一種以上資料庫，如: PostgreSQL、MySQL、Oracle etc。 

3. 熟悉大數據技術，如: Hadoop、Spark. 等。 

4. 擅長工具 ETL(Informatica，Trinity，Apache NiFi etc.)

【工作內容】 

1. 設計資料模型與數據建模轉化 (Data Modeling)：主導 數據架構規劃與 Medallion 模型設計，定義企業級 Golden Table 規範，確保模型具備高度擴展性以支援 AI/ML 應用。 

2. BI 報表與儀表板開發：根據專案需求，在 Databricks 上以 Python / SQL 建置視覺化儀表板，並主動優化報表讀取效能。 

3. CDP 數據維護：主導 CDP 核心邏輯設計，包含用戶 ID Mapping、行為標籤化及多通路歸因邏輯，建構單一用戶視角 (Single Customer View)。 

4. 數據品質監控：維護數據管道 (Pipeline) 的日常運作，執行數據驗證，確保報表數據一致性。 

5. 跨部門協作／角色：參與業務需求討論，將「商業問題」轉化為「數據需求」，並協助資料科學家準備模型訓練所需的特徵資料。 

6. 推動資料治理：制定並推動資料治理政策與標準，進行元數據管理/權限設計/血緣管理，確保資料資產的管理做法符合最佳實踐。 

【專業能力】【Required】 

1. Python：能運用物件導向 (OOP) 與 Functional Programming 設計模式編寫具備可擴展性、易於維護且可測試 (Testable) 的程式碼。 

2. SQL：熟悉 Join 邏輯、Window Functions 以及效能調優。 

3. 數據模型經驗：具備 Data Modeling (Star Schema / Snowflake Schema) 實務設計經驗。 

4. Databricks / Spark 實務：Databricks 平台操作與實務經驗，能在 Notebook 或 Workflows 中管理資料流程，並深度理解資料分層（Bronze/Silver/Gold）的意義，能根據資料成熟度將資料放置在正確的資料分層，並從中運用 PySpark 或 Spark SQL 處理大規模資料轉換。 

5. 自動化調度：具備至少一種 排程編排工具（Databricks Workflows 或 Airflow）的基礎經驗，能編排並優化複雜的任務排程。 

6. 視覺化工具：具備至少一種 BI 工具經驗（Databricks Dashboard / Power BI / Tableau / Looker），具備基礎的視覺化設計美感，知道如何清楚呈現 KPI。 

【加分條件】【Nice to have】 

1. 零售或電商領域知識：了解零售／電商常見指標（如：AOV、轉化率、歸因模型）。 

2. 數據管理經驗：曾接觸元數據管理與數據治理相關經驗。 

3. 雲端經驗：具備至少一種 AWS / GCP / Azure 雲端平台操作基礎。 

4. CICD：具備 Databricks Asset Bundle / GitHub Actions 經驗，能將數據管道的部署自動化，並導入數據品質監控。 

▲uniopen團隊在做什麼? 

https://blog.104.com.tw/the-innovative-integration-of-the-uniopen-team/

CDP 與數據策略 

●設計 CDP 資料模型，整合多來源數據（網站、APP、社群），驅動行銷自動化。 

●定義 KPI/OKR，運用因果推斷設定用戶生命週期策略，確保數據一致性。 

模型與演算法設計 

●開發基於 Transformer 或 GNN 的推薦系統、用戶分群、流失預測等模型。 

●使用 LightGBM 或 PyTorch 迭代模型，優化效能與準確度。 

●透過 MLflow 追蹤實驗，確保模型可擴展與可重現。 

實驗設計與優化 

●規劃 A/B 測試或 MAB 實驗，驗證行銷或產品成效。 

●分析結果並迭代資料模型與演算法，推動留存率與營收成長。 

技術領導與培養 

●與工程團隊合作，透過 Kubeflow 優化 MLOps 流程。 

跨部門協作 

● 與行銷、產品、工程團隊對接，推進數據驅動專案。 

●向管理層展示演算法對業務的量化影響，驅動決策。 

資料合規 

●設計符合 GDPR、CCPA 的資料模型，確保數據安全與隱私。