Update from Sync Service

2026-07-31 15:28:08 +08:00
commit b8a78631a4
569 changed files with 193313 additions and 0 deletions
@@ -0,0 +1,43 @@
+1.  自我介绍
+    
+2.  未来转互联网：
+    
+    1.  第一个方面，最主要的，是我觉得互联网的机会对我来说更好，因为数据分析、数据算法这个岗位最早就是从互联网兴起的嘛，包括我在工作中也接触过从互联网行业来到汽车行业的同事，我认为在数据分析、数据算法这个方向还是互联网更加成熟，能让我接触到更多的项目，得到更好的锻炼，对我后续的职业发展更加有利；
+        
+    2.  第二个方面，是本身汽车行业现在确实是十分的动荡，数据分析、数据算法这个方向做的比较好的基本都是新势力的车企嘛，但是明年和后年，我觉得就是新势力的决赛圈了，从现在的情况看除了极少数的头部玩家，其他的新势力都要死，所以就是有点太不稳定了，我本身不是一个追求特别稳定的一个人，但是汽车行业尤其是新势力现在是太过动荡，这个情况对我，不论是未来的职业发展还是生活都不利；
+        
+3.  以前的哪些经验可以用在现在的工作上：
+    
+    1.  对数据分析和数据算法的基本能力：
+4.  对岗位的理解：
+    
+    1.  第一个：风控，利用数据分析
+5.  为什么离职：
+    
+    1.  集度：因为失业了，集度闪崩，基本已经把所有员工都裁掉了；
+        
+    2.  一汽：因为是已经在上海定居了嘛，所以当时去一汽的时候就是想转一个业务方向，所以当时就是规划了去一汽做3-5年的时间然后再回到上海，去年正好也有这样的机会，所以就回来了；
+        
+    3.  上汽：主要是因为当时的工作内容，上汽的职位更多的偏项目管理多一点，我自己是更想做技术，就是实际的技术研发多一点，另外，我个人对数据啊、算法、智能这些开发都非常感兴趣，当时正好一汽这边有这个机会就跳槽到了一汽这边；
+        
+6.  未来的职业规划：我是想走技术专精这个方向的，未来我想成为一名技术专家，短期内的话，我希望通过更多的项目实践，让我的能力可以得到更好的提升；
+    
+7.  之前公司表现：
+    
+    1.  集度：我个人觉得表现是不错的，因为我去年是拿了5分，就是满分的绩效，入职之后，我很快的就协助业务方的同事建立了完整的评价体系，支持业务方迭代策略、硬件选型及售后问题排查，得到了两边领导和同事的高度评价；
+        
+    2.  一汽：在一汽的话我的表现也是不错的，离职前最后一年是拿了A的绩效，也是最好的绩效，在职期间，我负责驾驶行为产品的定义和算法开发，我基于数据情况重新设计了驾驶行为评价指标，开发了多个数据算法提高了驾驶行为识别的准确性，同时也协调各方推进产品具体的开发工作，没有出现开发延误错过节点等等问题；
+        
+8.  加班和工作强度：
+    
+    1.  对于我个人来说，只要是工作很忙，工作量很大导致的，这种加班的话我是可以接受的；
+        
+    2.  从另外的角度来说，对于我的职业规划来讲，我是想走技术口的，走技术专家这个方向的，我希望在现在还算年轻，身体还允许的时候多做项目，尤其是那种比较复杂的项目，尽快的锤炼我的能力，让我在日后能后更好更高的竞争力；
+        
+9.  工作以外的爱好
+    
+    1.  折腾一些电子类的产品吧，尤其是智能家居类的；
+        
+    2.  看看书，军事，历史，最近在看的叫 五代十国全史，唐末到宋初这段时间的历史
+        
+10. 新机会在意的点： 技术、平台
@@ -0,0 +1,105 @@
+### 自我介绍
+
+老师您好！我叫李振洋,过去1年多时间是在TEMU这边主要负责海外认证仓和客退仓的风控策略开发。
+
+首先呢，我们主导搭建了TEMU海外认证仓和客退仓的日常业务监控与异动归因分析体系。我们会从业务量、异常单量比例、履约时效准确率等多个维度对业务进行日常的监控，并对业务异动进行异动归因，通过贡献度拆解等方法，下钻到区域、品类、物流商、店铺等维度，快速定位异动的根本原因，并与业务部门一起对异动进行及时干预。并且，我们还建立了对应的线上报表体系，可以支持业务部门快速查询日常运行数据和统计处罚进度等信息。
+
+此外，我们设计并落地了一套客退仓的风控机制和运营策略。例如，在出库环节，我们有一个销毁出库的业务，这个业务分为按重量计费和按箱数计费两种计费方式，我们分别对方式建立了风控机制，对于按重量计费的，开发重量异常的识别方法，并设计了处罚机制。对于按箱数计费的，我们引入AI图像算法，对服务商上传的出库凭证进行粗筛，识别其中装载率不达要求的箱子，在这个基础上，我结合运营的人工复合结果，与算法同事一起对识别算法进行优化，显著提升监控准确率与召回率，形成“监控→识别→干预→迭代”闭环。
+
+同时，我也建立了认证仓库履约质量评价体系，基于履约及时率、履约失效等信息为子仓的履约质量打分，此外，我们会对履约质量严重低于大盘、保证金不足等等一些情况进行自动预警，提醒业务部门及时介入处理，对于长期不达标仓库自动发起处罚。同时，我们也会根据仓库的履约情况、异常单比例和其他的一些因素为业务部门提供巡仓优先级的建议，支持业务部门高效巡仓；
+
+最后，我们会做一些专项的分析研究，对我们在日常监控过程中发现的，或者是业务部门反馈的异常案件进行进入分析，挖掘新的异常监控指标，对共性的问题建立新的识别和处罚体系，不断提高风控的准确性；
+
+
+###### 1.  未拆包点数：
+        
+	1.  发现过程：调拨回国后，部分子仓的丢件率异常上升，对调拨单、海运订单、入库时质检人等进行下钻分析，发现部分质检人出现明显聚集情况，进一步调取该部分质检人的点数视频发现其存在较高比例的未拆包点数；
+	2.  后续处理：
+		1.  与运营、商务共同实锤违规事实：对疑似问题质检人的点数视频做全量上传，并进行抽样检查，确定其在全托业务中存在较高比例的未拆包点数操作；原本的状态是：只有半托和有问题的全托入库单才会上传视频，存在误判的可能，这些人确实存在在半托管业务中违规，但是并不是丢件率上升的真实原因；
+		2.  确定业务范围：考虑到全托管有丢件处罚兜底，半托管入库后就无法管控，并且考虑到实际的数据情况(半托管更严重)，第一期以半托管的管控为主；
+		3.  探索策略指标，确定高风险质检人筛选策略：从拆包点数的动作出发探索可能可以代表未拆包点数的指标：抽样对比，符合条件的质检人其未拆包点数占比远高于不符合条件的质检人；
+			1.  标签打印次数：与sku数量或种类相等；
+			2.  上报黑码的退货入库单数量：极低；
+			3.  最后一次打印标签与包裹入库完成时间差90分位数：较低；
+			4.  商品类别：不包括服装类sku；
+		4.  确定处罚逻辑：
+			1.  先按筛选逻辑确定高风险质检人，人工复合后，对相关仓库进行警告和宣贯，向所有仓库明确告知6月1日后开始对未拆包点数进行考核；
+				
+			2.  按策略逻辑进行粗筛，再有运营人工复核，确定违规后进行处罚，初始阶段只处罚流入的入库单；
+				
+			3.  后续观察调拨回国的丢件率是否下降；
+                    
+###### 2.  薅羊毛:
+        
+	1.  发现：问题子仓实收sku占比持续异常偏低；
+	2.  过程：
+		1.  日常监控发现问题子仓出现数据异常，但不符合欺诈收货的特征；
+		2.  下钻：货物类型、质检人、物流商、用户uid进行的了下钻，并无明显聚集；
+		3.  进一步分析发现，问题子仓实收为0的包裹比例大涨，远超过大盘均值；同时，这些实收为0的包裹也有很大比例进行了申诉；
+		4.  与商务和运营沟通，并与子仓确认情况，子仓收到大量包装类似的包裹，并且包裹中均只有破旧衣服，没有退货的物品，判断子仓遭到灰产组织的薅羊毛行动，但是灰产组织应该还在试探我们的退款规则，想从中找到漏洞；
+		5.  同时，发现子仓确实存在点数拆包不规范的问题，如果用户申诉且点数时存在点数视频无效的情况就会全额退款；
+	3.  后续：
+		1.  持续加强对问题子仓及其周边地区子仓的监控；
+		2.  对服务商宣贯拆包规范，要求其加以改进；
+		3.  客服侧上线对该地区异常账号的风控标示，对高风险用户，不以「点数视频无效」进行退款；
+	4.  效果：
+		1.  客服侧风险提示上线后，因「视频无效」导致全额退款的比例明显下降，在运行一段时间后，子仓的实收sku占比得到改善，与商务确认子仓收到的异常包裹数量大幅下降，初步判断灰产组织意识到我们的管控，暂停了行动；
+
+###### 3.  欺诈收货
+        
+	1.  发现：商务发现反馈，发现原因：该子仓客退收货量激增，且有物流商举报(仓库操作问题导致物流商被处罚，无轨迹)；
+	2.  复盘结果：
+		1.  复盘的思路：
+			1.  梳理整个退货流程各个环节，寻找可能存在的漏洞；
+			2.  寻找可以检测漏洞的数据指标；
+			3.  从每个环节的操作上入手，寻找典型的数据指标，比如时间、操作的凭证、操作所必然带来的信息；
+		2.  发现：
+			1.  时间类：
+				1.  从退货申请到仓库质检完成时间：异常子仓该时间的中位数明显偏低；
+				2.  从签收到仓库质检完成：异常子仓该时间的中位数明显偏低(但这个指标并不具有特异性，召回很低)；
+			2.  操作凭证类：
+				1.  点数视频无效率很高；
+			3.  其他：
+				1.  客退单无逆向物流轨迹的占比较高；
+###### 4.   物流商提前上传签收
+        
+	1.  目的：确认物流商违规，进行处罚；
+	2.  过程：
+		1.  发现：有多个客退仓子仓质检延迟的罚单和罚金异常激增；
+		2.  异动分析：
+			1.  发现质检延迟罚单在部分物流商上出现明显聚集，并且这些问题子仓其他物流商的退货单质检延迟没有出现明显上升；
+			2.  对物流商逆向轨迹进行分析，发现了聚集物流商存在退货单激增且，大量退货单的轨迹存在异常(如： 最后一次转运轨迹操作时间和签收时间之间间隔极短)，且铜时间段内，其他物流商未出现轨迹异常的情况；
+		3.  与商务、运营等讨论确认：
+			1.  当时正处于黑五之后，退货量激增，部分仓库出现爆单问题；
+			2.  问题物流商承认由于爆单，部分操作人员在没有送达仓库前提前点了签收，导致该问题出现；
+		4.  后续处理：
+			1.  筛选问题物流商的问题单，提交商务团队，由商务团队同事与物流商商议一次性的处罚；
+			2.  推动物流商侧建立对提前签收问题的处罚；
+			3.  与商务、运营确定范围，推动主动为仓库服务商进行免罚，防止舆论风险；
+			4.  建立对物流商轨迹异常的监控(只监控与仓库考核相关的轨迹节点)；
+###### 5.   运营策略
+        
+	1.  销毁出库重量异常:
+		1.  策略制定：根据历史称重数据建立参考重量，并使用物流商上报重量作为兜底和校验，防止仓库故意将所有的称重都往高报；
+		2.  对不满足称重次数的sku进行监控；
+	2.  销毁出库装载率异常，这里要强调：
+		1.  引入图像识别算法，利用算法对出库凭证数据进行粗筛，再由运营进行人工复合；
+		2.  根据运营人工复合结果，整理反馈标签，推动图像算法优化；
+###### 6.   日常报表体系
+        
+	1.  支持业务快速查询数据
+	2.  处罚量和处罚率
+	3.  处罚进度跟踪
+
+###### 7. 对途虎养车的了解
+途虎养车是国内领先的线上线下一体化汽车服务平台。其最核心的壁垒不仅是线上的流量，更是线下几千家工场店的**标准化履约能力**。作为门店运营，我理解的途虎模式是‘强管控、强赋能’。我们不仅是把配件卖给加盟商，还提供数字化的SOP（标准作业程序）、技师培训、供应链支持。截至2025年底，途虎养车工场店数量已突破8000家，覆盖全国绝大多数地级市，注册用户超1.6亿，稳居中国汽车服务市场第一。同时，开业6个月以上的工场店盈利比例接近90%。并且已经在香港上市。
+
+###### 8.  途虎养车与京东养车、天猫养车的区别
+
+三家虽同为头部玩家，但底层商业逻辑与核心优势存在显著差异。途虎养车走的是垂直深耕路线，核心壁垒在于强大的线下履约能力与供应链体系。其自建的前置仓与统仓统配模式，专为门店施工效率服务，且开业6个月以上的工场店盈利比例接近90%，单店盈利模型非常健康。京东养车则依托京东集团的物流与供应链优势，主打“正品+极速送达”，擅长标准品的电商化运营，但在非标服务的线下管控深度上仍有提升空间。天猫养车则充分借力阿里生态的流量与数据资源，擅长通过大促活动与线上营销快速起量，但线下门店的服务标准化程度相对途虎略逊一筹。总结来说，途虎的核心竞争力在于“懂线下服务”与“扎实的门店盈利赋能”。
+
+###### 9. 为什么想来途虎
+首先，汽车后市场正处于从‘散乱差’向‘连锁标准化’转型的关键期，而途虎是这个赛道里**数字化程度最高**的平台。我非常看重途虎完善的底层数据基建，这意味着门店运营不再是靠经验拍脑袋，而是能真正通过数据模型来驱动业务。通过挖掘门店的交易、转化、人效等数据，精准诊断门店的痛点，并制定针对性的运营策略（比如提升高毛利产品渗透率、优化技师排班模型等），而这和我的工作经验和未来的职业规划是非常符合的。
+
+###### 10. 反问：
+11.我们和门店是否有直接的交流，问这个是因为在多多这边，其他都很好，只是感觉和仓库等相关方的直接沟通比较少
@@ -0,0 +1,203 @@
+1.  自我介绍：老师好，我叫李振洋，2017年毕业于吉林大学车辆工程专业。
+
+虽然过去一年多我在拼多多(TEMU)从事仓库履约风控与质量评价体系的相关工作，但今天面试的是汽车方向的数据分析岗，因此我想重点介绍一下我在**集度汽车**期间的工作经历。在集度，我主要对接**整车工程、座舱触点、生产管理与质量**三大部门，完整参与从需求对接、数据获取、清洗分析到报告输出或看板搭建的全链路。
+
+针对用户强感知的能耗与续航问题，我协同业务方确立百公里电耗与续航预估准确率为核心北极星指标，搭建了覆盖全场景的监控与评价体系，对整车能耗、续航里程估计准确性进行持续监控，并支持对异常波动的高效下钻与根因定位，为业务部门提供精准的优化建议，支持业务迭代升级；此外，我们也会编写一些python的脚本，实现对客诉的单车能耗问题的自动分析和报告生成；
+
+对于座舱触点，我们对智能化功能的渗透率进行分析，并对智能化功能的用户流失原因进行下钻分析，如退出空调自动挡、雨刮自动挡、关闭电动开门等等，挖掘体验痛点，指导产品迭代；此外，我们还基于操作步骤数与完成时长，对大屏UI设计的便利性进行了分析，支持业务部门优化UI的设计工作；
+
+对于生管与质量部门，我们主要通过数据分析支持其解决用户抱怨问题，比如空调震动等；对于一些偶发难以复现的故障进行长期监控，提供故障发生时第一现场的车辆状态与用户操作数据；
+
+至于拼多多(TEMU)的经历，我主要负责仓库履约风控与质量评价体系建设，通过数据监控、异常识别和闭环干预机制，保障履约合规性、降低平台风险、提高用户体验，比如我们会监控仓库的履约质量、履约时长、异常单比例等等，来引导仓库合规履约，确保用户的体验，防止仓库作弊等等。
+
+&nbsp;
+
+###### 1.  数据探查：
+    
+    1.  分布：是否合理；
+    2.  是否有空值：确定空值的状态；
+###### 2.  ### 数据预处理都做了哪些内容：
+    
+    1.  去重：每分钟只保留一个数据，按业务需求进行处理，一般取最大值，对于能耗相关的电流、电压等取均值，对于加速度保留两个值，一个最大一个最小；
+    2.  异常值处理：
+        1.  超出物理限制、空值：一般做剔除，如果业务上有需要可以做线性插值、取上一个有效值(状态)；
+    3.  标准化；
+    4.  事件对齐：按时间轴进行对齐，一般取最早的触发源；
+    5.  数据分段：
+        1.  行程划分；
+        2.  充电起止点；
+        3.  放电起止点；
+        4. 
+###### 3.  ### UI设计分析：
+    
+    1.  数据获取：与业务方共同确定需要分析的功能，确定数据口径，确定埋点需求，提交埋点团队开发，并进行验证；
+    2.  数据预处理：
+        1.  去重；
+        2.  空值处理：
+            1.  对10s以内的空缺多取上一秒的数据填充，对于超过10s的数据丢弃处理；
+        3.  事件对齐和触发源确认：
+            1.  以vin码为单位，按时间轴对齐；
+            2.  同一时钟源的(车辆can等总线信号)：取功能激活前2s内的触发源；
+            3.  对非统一时钟源：取功能激活前后5s内的触发源；
+            4.  统一功能取时间上最早的触发源；
+        4.  操作结束：
+            1.  触发/调节某个功能后5s内不再操作屏幕；
+    3.  评价指标：
+        1.  单个功能的触发源占比；
+        2.  屏幕功能的操作步骤和操作时长；
+    
+###### 4.  空调策略：
+    
+    1.  我主导了自动空调退出行为的专项分析。这个项目的核心痛点是：**用户频繁手动接管自动空调，说明算法设定的‘舒适区’与用户真实体感存在偏差**。我的目标是通过量化这种偏差，为热管理控制策略提供精准的优化输入。
+        
+        #### 1\. 定义分析锚点与特征工程
+        
+        我没有简单对比退出前后的平均值，而是以 **‘用户手动退出自动模式’为事件锚点**，构建了时序特征矩阵：
+        
+        - **退出前状态（算法决策）**：提取退出瞬间及前30秒的风速、出风模式、目标温度、压缩机功率等自动控制参数；
+        - **退出后行为（用户真值）**：记录用户在退出后首次手动调节的目标值，以及后续5分钟内的稳定设定值；
+        - **环境上下文**：同步关联车外温湿度、光照强度、车速及座舱内多点温度传感器数据。
+        
+        #### 2\. 核心分析方法：偏差归因与场景聚类
+        
+        通过计算‘用户设定值’与‘算法输出值’的差值，我识别出三类典型退出动机：
+        
+        - **风速不适型**：算法风速 > 用户期望（占比最高），尤其在降温初期，算法为快速拉温采用高风速，但用户体感吹风感过强；
+        - **温度过冲型**：算法目标温度 < 用户期望，常见于冬季制热场景，算法为补偿冷启动过度加热，导致用户燥热；
+        - **模式冲突型**：自动模式切换出风口方向不符合用户习惯（如制冷时吹脸）。
+        
+        进一步结合环境数据进行聚类，我发现**60%的风速不适集中在‘夏季上车后10分钟内’且‘车内外温差>8℃’的场景**，说明算法在瞬态响应阶段的舒适性权重不足。
+        
+        #### 3\. 策略优化建议与落地
+        
+        基于上述洞察，我向热管理团队提出了分层优化方案：
+        
+        - **瞬态阶段**：在‘大温差+初始降温’场景下，将风速上限从10档降至7档，并引入30秒缓升斜坡，牺牲部分降温速度换取体感舒适；
+            
+        - **稳态阶段**：根据用户历史手动修正偏好，建立个性化舒适基线，对高频调低风速的用户自动下调默认风速曲线；
+            
+        - **交互反馈**：当检测到用户连续2次手动下调风速时，主动弹出‘是否调整为柔风模式’的快捷提示，减少操作步数。
+            
+            &nbsp;
+            
+###### 5.  未拆包点数：
+    
+    1.  发现过程：调拨回国后，部分子仓的丢件率异常上升，对调拨单、海运订单、入库时质检人等进行下钻分析，发现部分质检人出现明显聚集情况，进一步调取该部分质检人的点数视频发现其存在较高比例的未拆包点数；
+    2.  后续处理：
+        1.  与运营、商务共同实锤违规事实：对疑似问题质检人的点数视频做全量上传，并进行抽样检查，确定其在全托业务中存在较高比例的未拆包点数操作；原本的状态是：只有半托和有问题的全托入库单才会上传视频，存在误判的可能，这些人确实存在在半托管业务中违规，但是并不是丢件率上升的真实原因；
+        2.  确定业务范围：考虑到全托管有丢件处罚兜底，半托管入库后就无法管控，并且考虑到实际的数据情况(半托管更严重)，第一期以半托管的管控为主；
+        3.  探索策略指标，确定高风险质检人筛选策略：从拆包点数的动作出发探索可能可以代表未拆包点数的指标：抽样对比，符合条件的质检人其未拆包点数占比远高于不符合条件的质检人；
+            1.  标签打印次数：与sku数量或种类相等；
+            2.  上报黑码的退货入库单数量：极低；
+            3.  最后一次打印标签与包裹入库完成时间差90分位数：较低；
+            4.  商品类别：不包括服装类sku；
+        4.  确定处罚逻辑：
+            1.  先按筛选逻辑确定高风险质检人，人工符合后
+                
+                日常报表体系
+                
+                支持业务快速查询数据  
+                处罚量和处罚率  
+                处罚进度跟踪
+                
+                对相关仓库进行警告和宣贯，向所有仓库明确告知6月1日后开始对未拆包点数进行考核；
+                
+            2.  按策略逻辑进行粗筛，再有运营人工复核，确定违规后进行处罚，初始阶段只处罚流入的入库单；
+                
+            3.  后续观察调拨回国的丢件率是否下降；
+                
+###### 6.  欺诈收货
+    
+    1.  发现：商务发现反馈，发现原因：该子仓客退收货量激增，且有物流商举报(仓库操作问题导致物流商被处罚，无轨迹)；
+    2.  复盘结果：
+        1.  复盘的思路：
+            1.  梳理整个退货流程各个环节，寻找可能存在的漏洞；
+            2.  寻找可以检测漏洞的数据指标；
+            3.  从每个环节的操作上入手，寻找典型的数据指标，比如时间、操作的凭证、操作所必然带来的信息；
+        2.  发现：
+            1.  时间类：
+                1.  从退货申请到仓库质检完成时间：异常子仓该时间的中位数明显偏低；
+                2.  从签收到仓库质检完成：异常子仓该时间的中位数明显偏低(但这个指标并不具有特异性，召回很低)；
+            2.  操作凭证类：
+                1.  点数视频无效率很高；
+            3.  其他：
+                1.  客退单无逆向物流轨迹的占比较高；
+###### 7.  商家虚假备货：
+    
+    1.  发现：部分子仓的发货时效异常上涨，明显高于大盘的20%的限制；
+    2.  下钻分析：发现问题子仓中，发货时效长的订单集中于部分商家；
+    3.  确认原因：
+        1.  分析问题商家发货时效长的订单情况：发现该部分订单出现仓库接单反复失败的问题，接单失败原因为库存不足；
+        2.  与商务、仓库运营确认原因：部分商家的库存信息不准确，有两种可能：
+            1.  商家在合作仓内备货不仅提供给temu，还提供给其他电商平台，库存未及时同步；
+            2.  部分商家利用规则漏洞，将货备在当地低价仓库，有订单后再备货到合作仓，同时享受低价的仓储和运输费用；
+    4.  处理：
+        1.  对仓库：调整仓库失效计算的起点；
+        2.  对利用漏洞的商家，提交给对应团队进行处理；
+###### 8.  能耗的影响(温度在25度左右，不开启空调，不用智驾)：相关性分析
+    
+    1.  相对正加速度；
+    2.  急加速次数；
+    3.  急减速次数；
+    4.  行程环境(城市、高速、拥堵)；
+    5.  平均车速；
+    6.  最高车速；
+    7.  怠速时间占比；
+    8.  制动能量回收设置(这个是环境变量)；
+    9.  行程环境：判断整个行程用户的用车情况，高速、城市和拥堵， 行驶里程大于10km的行程；
+        1.  平均车速；
+        2.  最高车速；
+        3.  车速在80km/h以上行驶里程占比；
+        4.  怠速时间占比；
+        5.  行驶里程；
+        6.  加减速切换，即加速之后紧接着就减速，对应严重拥堵情况；
+###### 9.  驾驶风格识别模型：  
+    1\. 模型：  
+    1\. 数据指标：当车速大于15km/h，且总行驶里程大于10km：最大加速度、平均车速(不计怠速时间)、加速度方差、平均车速方差、最大冲击度、最大冲击度方差、每公里急加速次数/急减速次数、最大方向盘转角速度；  
+    2\. 数据预处理：  
+    1\. 归一化；  
+    2\. PCA；  
+    3\. kmeans聚类；评价：**轮廓系数；**  
+    4\. 验证：找同事开车进行实车验证，由其他同事打分；
+    
+###### 10. 驾驶事件识别模型：
+    
+    1.  模型：
+        1.  驾驶工况：
+            1.  以2分钟切分工况段；
+            2.  根据最大方向盘转角、最大方向盘转角速度和最大侧向加速度三个变量区分直行和侧向工况，根据不同车速点做选取不同阈值，就分两类(直行和侧向)，车速点 40，60，80，100(要求车速大于15小于100km/h)， 不同车速点之间采用线性插值；
+            3.  直线工况：根据不同车速范围划分加速度阈值，取90百分位的加速度值作为阈值基础，取0.5m/s2作为回滞；
+            4.  侧向工况：换道、车道保持、转向和其他，支持向量机(高斯核、OVO(没有数据不平衡的问题，总共是(4\*(4-1)/2)6个分类器)、软间隔、hinge损失函数)，
+                1.  指标 最大侧向加速度、最大质心转向角度、最大方向盘转角、方向盘转角速度；
+        2.  训练、验证数据采集：实车实验，can信号收集，实验工况记录及视频录像；
+        3.  评价：使用macro-f1作为评价指标，调试超参数C和γ；
+
+&nbsp;
+
+###### 11\. 能耗：
+
+1\. 能耗评价体系：电池、电机、热管理、行驶工况评价，与CLTC之间的差距；  
+            1. 北极星：整车能耗(百公里能耗水平)  
+            2. 一级指标：  
+                1. 电机能耗  
+                2. 热管理能耗  
+                3. DCDC高压侧能耗  
+                4. 电池SOC与能耗匹配情况  
+                5. 用户行为  
+            3. 二级指标  
+                1. 电机  
+                    1. 电机综合效率  
+                    2. 电机制动能量回收效率  
+                2. DCDC高压侧能耗：  
+                    1. DCDC高低压侧转换效率  
+                    2. DCDC低压侧用电器  
+                        1. 热管理低压侧功率：电池水泵、电机水泵、鼓风机、风扇  
+                        2. 其他低压侧功能使用情况：座椅加热、哨兵、ACU  
+                3. 热管理：  
+                    1. 座舱热管理功率  
+                    2. 电池热管理功率  
+                4. 用户行为：  
+                    1. 行驶工况  
+                    2. 驾驶风格  
+                    3. 空调使用与设置  
+                    4. 制动能量回收设置
@@ -0,0 +1,153 @@
+### 自我介绍
+
+老师您好！我叫李振洋,过去1年多时间是在TEMU这边主要负责海外认证仓和客退仓的风控策略开发。
+
+首先呢，我们主导搭建了TEMU海外认证仓和客退仓的日常业务监控与异动归因分析体系。我们会从业务量、异常单量比例、履约时效准确率等多个维度对业务进行日常的监控，并对业务异动进行异动归因，通过贡献度拆解等方法，下钻到区域、品类、物流商、店铺等维度，快速定位异动的根本原因，并与业务部门一起对异动进行及时干预。并且，我们还建立了对应的线上报表体系，可以支持业务部门快速查询日常运行数据和统计处罚进度等信息。
+
+此外，我们设计并落地了一套客退仓的风控机制和运营策略。例如，在出库环节，我们有一个销毁出库的业务，这个业务分为按重量计费和按箱数计费两种计费方式，我们分别对方式建立了风控机制，对于按重量计费的，开发重量异常的识别方法，并设计了处罚机制。对于按箱数计费的，我们引入AI图像算法，对服务商上传的出库凭证进行粗筛，识别其中装载率不达要求的箱子，在这个基础上，我结合运营的人工复合结果，与算法同事一起对识别算法进行优化，显著提升监控准确率与召回率，形成“监控→识别→干预→迭代”闭环。
+
+同时，我也建立了认证仓库履约质量评价体系，基于履约及时率、履约失效等信息为子仓的履约质量打分，此外，我们会对履约质量严重低于大盘、保证金不足等等一些情况进行自动预警，
+
+提醒业务部门及时介入处理，对于长期不达标仓库自动发起处罚。同时，我们也会根据仓库的履约情况、异常单比例和其他的一些因素为业务部门提供巡仓优先级的建议，支持业务部门高效巡仓；
+
+最后，我们会做一些专项的分析研究，对我们在日常监控过程中发现的，或者是业务部门反馈的异常案件进行进入分析，挖掘新的异常监控指标，对共性的问题建立新的识别和处罚体系，不断提高风控的准确性；
+
+&nbsp;
+
+### 风控策略开发流程
+
+* * *
+
+**面试官您好，关于风控策略的开发流程，我想以“销毁出库异常重量识别”这个项目为例来说明。**
+
+整个过程我遵循了“问题定义 -> 数据探查 -> 策略设计 -> 规则校准 -> 落地闭环”的标准流程。
+
+**首先，是明确业务痛点和目标。** 我们发现，在按重量计费的销毁出库场景中，存在部分仓库虚报重量、套取费用的风险。我们的核心目标是：在有效识别并遏制这种违规行为的同时，也要避免对正常操作的仓库造成误伤，引发不必要的舆情风险。
+
+**其次，进行深入的数据探查与分析。** 我们采集了海量的历史称重数据，并按SKU维度进行聚合分析。通过观察数据分布，我们发现单个SKU的重量虽然存在一定波动，但其历史中位数是一个非常稳健的参考基准。因此，我们初步决定以SKU的历史称重中位数作为该SKU的标准参考重量。
+
+**接着，是核心的策略规则设计。** 识别逻辑很简单：当一笔出库订单的实际重量超过其对应SKU参考重量的某个阈值比例时，即被判定为异常。但关键在于，这个“阈值比例”如何科学设定？这里我做了两方面的精细化考量：
+
+1.  **数据层面**：我分析了各SKU历史重量的分布情况（比如标准差、分位数），确保阈值能覆盖绝大多数正常波动。
+2.  **业务层面**：我模拟了不同阈值下，对全量子仓产生的处罚影响。通过测算罚单数量和预估罚金总额，我们找到了一个平衡点——既能有效覆盖高风险的异常行为，又能将对大多数合规子仓的处罚率和罚金控制在一个可接受的范围内，从而兼顾了风控效力和合作方的体验。
+
+**最后，是策略的落地与闭环。** 规则确定后，我们将其部署到监控系统中，实现了对异常订单的实时预警和自动拦截。同时，我们建立了申诉和复核通道，并将人工核实的结果反馈回模型，用于未来对阈值或规则的持续迭代优化。
+
+通过这套方法论，我们成功上线了该策略，不仅显著降低了异常重量订单的比例，也因为前期充分的校准工作，确保了策略执行过程中的平稳过渡，得到了业务和合作方的认可。
+
+&nbsp;
+
+### 如何定义和量化异常
+
+**面试官您好，“如何定义和量化异常”是风控工作的核心问题。我的原则是：异常不能仅靠统计直觉，而必须结合数据分布、业务影响和可操作性，进行量化定义。**
+
+我以一个实际项目为例来说明——**合作仓发货履约质量的异常预警体系**中的“发货时长异常”模块。
+
+我们的目标是及时发现履约效率持续下滑的子仓，避免影响终端客户体验。但“慢”是相对的，所以我们需要一个客观、公平且可执行的判断标准。
+
+**首先，我们基于大盘数据建立动态基准。**  
+每天计算全网子仓的平均发货时长作为当日大盘基准。然后，对每个子仓，判断其当日发货时长是否超过大盘均值的 **150%（即高出50%）**。这个阈值不是拍脑袋定的，而是通过分析历史数据中“子仓 vs 大盘”的发货时长差异分布得出的——它能覆盖掉绝大多数正常波动，同时保留对真正低效仓的敏感性。
+
+**其次，我们引入时间维度过滤噪音。**  
+单日异常可能是偶发因素（如系统故障、临时缺人），因此我们设定：**只有连续3天触发该条件，才生成正式预警**。这有效降低了误报率，确保预警对象是存在持续性问题的子仓。
+
+**最关键的是，我们用业务指标对策略进行了量化校准。**  
+在确定“50%”这个阈值时，我们不仅看了统计分布，还模拟了不同阈值下：
+
+- 每天会触发预警的子仓数量；
+- 预计需要运营介入的工作量。
+
+最终选择的参数，是在**风险覆盖度**（能抓到多少真正有问题的仓）和**运营可承载性**（预警量不至于让团队疲于奔命）之间取得的最佳平衡。
+
+**最后，我们用历史数据做了完整回测，并与运营、商务团队对齐。**  
+回测结果显示，该策略能提前3–5天识别出后续被投诉或降级的低效仓，准确率和召回率均达到预期。更重要的是，我们拿着回测报告和预警样例，与运营、商务同事一起评审，确认预警结果符合他们的业务感知，并就后续处置流程达成一致，才正式上线。
+
+**所以总结来说，我对“异常”的量化，是一个从数据出发、以业务闭环为目标、经过多轮校准和验证的系统工程。** 它确保了风控策略既科学严谨，又能真正驱动业务行动。
+
+### 主动发现风险点：
+
+1.  物流商提前上传签收
+    1.  过程：
+        1.  发现：有多个客退仓子仓质检延迟的罚单和罚金异常激增；
+        2.  异动分析：
+            1.  发现质检延迟罚单在部分物流商上出现明显聚集，并且这些问题子仓其他物流商的退货单质检延迟没有出现明显上升；
+            2.  对物流商逆向轨迹进行分析，发现了聚集物流商存在退货单激增且，大量退货单的轨迹存在异常(如： 最后一次转运轨迹操作时间和签收时间之间间隔极短)，且相同时间段内，其他物流商未出现轨迹异常的情况；
+        3.  与商务、运营等讨论确认：
+            1.  当时正处于黑五之后，退货量激增，部分仓库出现爆单问题；
+            2.  问题物流商承认由于爆单，部分操作人员在没有送达仓库前提前点了签收，导致该问题出现；
+        4.  后续处理：
+            1.  筛选问题物流商的问题单，提交商务团队，由商务团队同事与物流商商议一次性的处罚；
+            2.  与商务、运营确定范围，推动主动为仓库服务商进行免罚，防止舆论风险；
+            3.  调整质检延迟的开始时间，由物流商上传的签收时间改为仓库上传的收包时间，并且要求仓库提供收包凭证；
+            4.  增加对物流商轨迹异常的监控(只监控与仓库考核相关的轨迹节点)；
+
+&nbsp;
+
+1.  ### 风控策略开发都做了哪些事情，策略如何定义
+    
+    1.  异常检测
+        1.  欺诈收货
+            1.  发现：商务发现反馈，发现原因：该子仓客退收货量激增，且有物流商举报(仓库操作问题导致物流商被处罚，无轨迹)；
+            2.  复盘结果：
+                1.  复盘的思路：
+                    1.  梳理整个退货流程各个环节，寻找可能存在的漏洞；
+                    2.  寻找可以检测漏洞的数据指标；
+                    3.  从每个环节的操作上入手，寻找典型的数据指标，比如时间、操作的凭证、操作所必然带来的信息；
+                2.  发现：
+                    1.  时间类：
+                        1.  从退货申请到仓库质检完成时间：异常子仓该时间的中位数明显偏低；
+                        2.  从签收到仓库质检完成：异常子仓该时间的中位数明显偏低(但这个指标并不具有特异性，召回很低)；
+                    2.  操作凭证类：
+                        1.  点数视频无效率很高；
+                    3.  其他：
+                        1.  客退单无逆向物流轨迹的占比较高；
+        2.  薅羊毛:
+            1.  发现：问题子仓实收sku占比异常偏低， 视频无效率偏高，但操作时长无异常；
+            2.  过程：
+                1.  日常监控发现问题子仓出现数据异常，但不符合欺诈收货的特征；
+                2.  与商务和运营沟通，并与子仓确认情况，子仓收到大量包装类似的包裹，并且包裹中均只有破旧衣服，没有退货的物品，判断子仓遭到灰产组织的薅羊毛行动；
+                3.  同时，发现子仓确实存在点数拆包不规范的问题；
+            3.  后续：
+                1.  持续加强对问题子仓及其周边地区子仓的监控；
+                2.  对服务商宣贯拆包规范，要求其加以改进；
+                3.  客服侧上线对该地区异常账号的风控标示，对高风险用户，不以「点数视频无效」进行退款；
+        3.  未拆包点数：
+            1.  发现：排查子仓点数错误问题时发现；
+            2.  策略制定：
+                1.  相关性：与调拨回国空包调包的相关性分析；
+                2.  以业务分析：
+                    1.  标签打印次数：与sku数量或种类相等；
+                    2.  上报黑码的退货入库单数量：极低；
+                    3.  最后一次打印标签与包裹入库完成时间差90分位数：较低；
+                    4.  商品类别：不包括服装类sku；
+            3.  后续处理：
+                1.  按策略逻辑进行粗筛，再有运营人工复核；
+                2.  初始阶段只处罚流入的入库单，后续如果指标准确性得到证明考虑对高风险质检人按比例进行处罚；
+        4.  物流商提前上传签收
+            1.  目的：确认物流商违规，进行处罚；
+            2.  过程：
+                1.  发现：有多个客退仓子仓质检延迟的罚单和罚金异常激增；
+                2.  异动分析：
+                    1.  发现质检延迟罚单在部分物流商上出现明显聚集，并且这些问题子仓其他物流商的退货单质检延迟没有出现明显上升；
+                    2.  对物流商逆向轨迹进行分析，发现了聚集物流商存在退货单激增且，大量退货单的轨迹存在异常(如： 最后一次转运轨迹操作时间和签收时间之间间隔极短)，且铜时间段内，其他物流商未出现轨迹异常的情况；
+                3.  与商务、运营等讨论确认：
+                    1.  当时正处于黑五之后，退货量激增，部分仓库出现爆单问题；
+                    2.  问题物流商承认由于爆单，部分操作人员在没有送达仓库前提前点了签收，导致该问题出现；
+                4.  后续处理：
+                    1.  筛选问题物流商的问题单，提交商务团队，由商务团队同事与物流商商议一次性的处罚；
+                    2.  推动物流商侧建立对提前签收问题的处罚；
+                    3.  与商务、运营确定范围，推动主动为仓库服务商进行免罚，防止舆论风险；
+                    4.  建立对物流商轨迹异常的监控(只监控与仓库考核相关的轨迹节点)；
+        5.  手段：业务量，业务信息分布，异常单，操作或榴月时效等
+    2.  运营策略
+        1.  销毁出库重量异常:
+            1.  策略制定：根据历史称重数据建立参考重量，并使用物流商上报重量作为兜底和校验，防止仓库故意将所有的称重都往高报；
+            2.  对不满足称重次数的sku进行监控；
+        2.  销毁出库装载率异常，这里要强调：
+            1.  引入图像识别算法，利用算法对出库凭证数据进行粗筛，再由运营进行人工复合；
+            2.  根据运营人工复合结果，整理反馈标签，推动图像算法优化；
+2.  日常报表体系
+    
+    1.  支持业务快速查询数据
+    2.  处罚量和处罚率
+    3.  处罚进度跟踪
@@ -0,0 +1,133 @@
+老师您好！我叫李振洋,过去1年多时间是在TEMU这边主要负责海外认证仓和客退仓的风控策略开发。
+
+首先呢，我们主导搭建了TEMU海外认证仓和客退仓的日常业务监控与异动归因分析体系。我们会从业务量、异常单量比例、履约时效准确率等多个维度对业务进行日常的监控，并对业务异动进行异动归因，通过贡献度拆解等方法，下钻到区域、品类、物流商、店铺等维度，快速定位异动的根本原因，并与业务部门一起对异动进行及时干预，比如我们通过对客退仓点数错误罚单的异动分析中，发现了部分子仓的点数操作员没有按要求进行拆包点数操作，我们制定了策略圈定异常退货单进行处罚，引导服务商合规履约；
+
+此外，我们设计并落地了一套客退仓的风控机制和运营策略。例如，在出库环节，我们有一个销毁出库的业务，这个业务分为按重量计费和按箱数计费两种计费方式，我们分别对方式建立了风控机制，对于按重量计费的，开发重量异常的识别方法，并设计了处罚机制，对于按箱数计费的，我们引入AI图像算法，对服务商上传的出库凭证进行粗筛，识别其中装载率不达要求的箱子。此外，我们会对履约质量严重低于大盘、保证金不足等等一些情况进行自动预警，提醒业务部门及时介入处理，对于长期不达标仓库自动发起处罚。最后，我们会做一些专项的分析研究，对我们在日常监控过程中发现的，或者是业务部门反馈的异常案件进行进入分析，挖掘新的异常监控指标，对共性的问题建立新的识别和处罚体系，不断提高风控的准确性；
+
+以上是我在TEMU的主要工作内容，由于今天面试的是面向智能座舱的岗位，我想顺便说一下我在集度工作时相关的一些工作内容，我在集度主要是和整车工程、座舱触点和生产管理与质量这三部门对接，负责从需求对接、需求分析、数据获取、预处理、分析到撰写分析报告或者搭建看板；比如说，我们会对车辆大屏中各个功能的所需操作步骤和操作时长进行分析，确定各个功能UI设计的便捷性；我们也会对用户退出自动空调功能的原因进行深入分析，探索用户对自动空调模式潜在的需求和抱怨；此外，我们也会编写一些python的脚本，实现能耗问题的自动分析和报告生成；
+
+&nbsp;
+
+### 下钻分析：
+
+在分析海外客退仓点数错误罚金异常增长的问题时，我主导完成了一次典型的**风控归因与策略落地闭环**。
+
+**1\. 问题发现与根因定位**  
+我们首先观察到某子仓的点数错误罚金显著上升，且问题高度集中于“点数视频无效”。进一步下钻发现，异常集中在少数质检员身上。通过人工复核其操作视频，确认他们**未按规范拆包点数**，而是直接扫描外箱条码完成流程。
+
+**2\. 数据指标构建与验证**  
+为系统性识别此类行为，我们从两个维度挖掘特征：
+
+- **业务逻辑角度**：未拆包点数会导致“黑码多货”等异常上报率极低，且因跳过拆包环节，单单操作时长明显偏短；
+- **关联风险角度**：这类质检员处理的退货，在后续调拨回国后出现的丢件比例也显著高于均值。  
+    我们将这些特征组合成风险评分模型，精准圈定高风险人员。
+
+**3\. 策略落地与风险缓释**  
+考虑到直接处罚可能引发服务商舆情，我们采取了**分阶段干预策略**：
+
+- 第一阶段：由商务团队对问题最严重的子仓和质检员进行**口头警告+合规宣贯**；
+- 第二阶段：对增量订单中符合风险特征的质检行为进行**定向抽样核查**，确认违规后再开具罚单。
+
+这一策略既有效遏制了不合规操作，又平稳引导服务商提升履约质量，最终使相关子仓的点数错误率。
+
+&nbsp;
+
+1.  欺诈收货
+    1.  发现：商务发现反馈，发现原因：该子仓客退收货量激增，且有物流商举报(仓库操作问题导致物流商被处罚，无轨迹)；
+    2.  复盘结果：
+        1.  复盘的思路：
+            1.  梳理整个退货流程各个环节，寻找可能存在的漏洞；
+            2.  寻找可以检测漏洞的数据指标；
+            3.  从每个环节的操作上入手，寻找典型的数据指标，比如时间、操作的凭证、操作所必然带来的信息；
+        2.  发现：
+            1.  时间类：
+                1.  从退货申请到仓库质检完成时间：异常子仓该时间的中位数明显偏低；
+                2.  从签收到仓库质检完成：异常子仓该时间的中位数明显偏低(但这个指标并不具有特异性，召回很低)；
+            2.  操作凭证类：
+                1.  点数视频无效率很高；
+            3.  其他：
+                1.  客退单无逆向物流轨迹的占比较高；
+
+&nbsp;
+
+数据推动业务改善：
+
+1.  ### 集度百公里能耗分析：
+    
+    1.  我们以**百公里能耗作为北极星指标**，对实车运行数据进行了系统性拆解。通过基于物理系统的能耗分解模型，我们发现**热管理系统在低温场景下的能耗显著偏高，成为拖累整车能效表现的关键瓶颈**。
+        
+        为深入定位问题，我与热管理算法团队紧密协作，共同设计并落地了**精细化的热管理数据埋点方案**，覆盖压缩机、水泵、PTC、阀门等核心子部件的运行状态与能耗数据。基于此，我们构建了多维度分析框架，重点聚焦**不同环境温度区间（尤其是冬季制热场景）下的热管理能耗表现**。
+        
+        通过聚类和异常检测，我们识别出在特定低温工况下能耗显著偏高的车辆群体，并将这些高价值样本及其运行上下文（如温度、车速、SOC、用户设置等）提供给热管理团队，辅助其快速定位控制策略中的优化空间。最终，团队迭代上线了一版新的热管理控制策略。
+        
+        为科学评估策略效果，我们在不同低温场景下(-15~10度)，对比了策略上线前后各一个月的真实道路运行数据。通过对比满足里程要求的，且在相同气温区间的行程能耗数据，确认新策略在相同环境条件下**显著降低了热管理系统的百公里能耗**，有效提升了整车冬季续航表现。
+        
+2.  ### UI设计分析：
+    
+    1.  我们围绕**大屏功能的操作便捷性**开展了一套系统性的 UI 易用性评估工作，核心目标是：**识别高频功能在交互路径上的摩擦点，并推动设计与策略优化以提升行车安全与用户体验**。
+        
+        ### 1\. **明确评估范围与数据基础**
+        
+        我们首先通过用户行为数据，量化了不同交互方式（实体按键、语音、大屏）的使用占比，聚焦于**大屏使用率高但体验存疑的功能**，如空调控制、能耗信息查看等。  
+        为支撑分析，我们主导完成了相关埋点方案的设计与验收，确保能准确捕获：
+        
+        - 操作路径（页面跳转序列）
+        - 单步操作时长
+        - 功能调用入口分布（主界面 vs 快捷菜单）
+        
+        ### 2\. **多维评估发现问题**
+        
+        基于“步骤数 + 操作时长”基础指标，我们进一步结合**场景安全要求**进行深度诊断：
+        
+        - **问题一：快捷菜单功能可见性不足**  
+            空调“除湿”功能在快捷栏的操作占比极低，大量车辆从未通过该入口触发。结合用户访谈和界面走查，判断其图标设计缺乏可操作暗示（用户误以为是状态标识而非按钮），**违反了 HMI 的“可发现性”原则**。
+            
+        - **问题二：关键功能操作效率低下**  
+            手动调节出风口方向平均耗时超过 3 秒，远超 NHTSA 建议的单次视觉离路 ≤2 秒的安全阈值。说明当前交互（如多级滑块或小热区）**增加了认知负荷与操作风险**。
+            
+        - **问题三：高频功能入口过深**  
+            能耗信息页面虽使用频繁，但需 4 步以上才能进入，违背了“行车高频功能应在 3 步内完成”的交互准则，**影响用户快速获取关键信息的效率**。
+            
+        
+        ### 3\. **推动优化与效果验证**
+        
+        我们与 UX、工程团队协作，推动以下改进：
+        
+        - **图标语义强化**：重新设计除湿功能图标，增加“可点击”视觉线索（如微动效、边框高亮）。上线后，快捷栏使用占比**提升超 3 倍**；
+        - **信息架构调整**：将能耗页面从三级菜单提升至二级，支持从仪表盘一键呼出；
+        - **复杂功能专项研究**：针对出风口调节，启动新一轮原型测试，探索手势控制或预设模式替代精细拖拽。
+3.  ### 空调的调整；
+    
+    1.  我主导了自动空调退出行为的专项分析。这个项目的核心痛点是：**用户频繁手动接管自动空调，说明算法设定的‘舒适区’与用户真实体感存在偏差**。我的目标是通过量化这种偏差，为热管理控制策略提供精准的优化输入。
+        
+        #### 1\. 定义分析锚点与特征工程
+        
+        我没有简单对比退出前后的平均值，而是以 **‘用户手动退出自动模式’为事件锚点**，构建了时序特征矩阵：
+        
+        - **退出前状态（算法决策）**：提取退出瞬间及前30秒的风速、出风模式、目标温度、压缩机功率等自动控制参数；
+        - **退出后行为（用户真值）**：记录用户在退出后首次手动调节的目标值，以及后续5分钟内的稳定设定值；
+        - **环境上下文**：同步关联车外温湿度、光照强度、车速及座舱内多点温度传感器数据。
+        
+        #### 2\. 核心分析方法：偏差归因与场景聚类
+        
+        通过计算‘用户设定值’与‘算法输出值’的差值，我识别出三类典型退出动机：
+        
+        - **风速不适型**：算法风速 > 用户期望（占比最高），尤其在降温初期，算法为快速拉温采用高风速，但用户体感吹风感过强；
+        - **温度过冲型**：算法目标温度 < 用户期望，常见于冬季制热场景，算法为补偿冷启动过度加热，导致用户燥热；
+        - **模式冲突型**：自动模式切换出风口方向不符合用户习惯（如制冷时吹脸）。
+        
+        进一步结合环境数据进行聚类，我发现**60%的风速不适集中在‘夏季上车后10分钟内’且‘车内外温差>8℃’的场景**，说明算法在瞬态响应阶段的舒适性权重不足。
+        
+        #### 3\. 策略优化建议与落地
+        
+        基于上述洞察，我向热管理团队提出了分层优化方案：
+        
+        - **瞬态阶段**：在‘大温差+初始降温’场景下，将风速上限从10档降至7档，并引入30秒缓升斜坡，牺牲部分降温速度换取体感舒适；
+        - **稳态阶段**：根据用户历史手动修正偏好，建立个性化舒适基线，对高频调低风速的用户自动下调默认风速曲线；
+        - **交互反馈**：当检测到用户连续2次手动下调风速时，主动弹出‘是否调整为柔风模式’的快捷提示，减少操作步数。
+        
+        #### 4\. 效果验证
+        
+        新策略OTA上线后，我们跟踪了相同季节条件下的数据：**自动空调平均持续使用时长提升了22%，用户手动退出率下降了35%**，且在用户满意度调研中‘空调舒适性’评分显著提升。这证明了通过数据驱动的策略迭代，能有效提升自动化功能的用户信任度。”
+        
+4.  备用换挡器误触发问题：
@@ -0,0 +1,47 @@
+&nbsp;
+
+1.  对小鹏汽车的了解：
+    1.  基本的信息：小鹏汽车成立于2014年；
+    2.  今年最重要的变化就是从“造车新势力”向“物理AI公司的转型”，小鹏汽车已经更名为小鹏集团，四大业务支柱：ai汽车、robotaxi、人形机器人和飞行汽车四大块；
+    3.  也是在今年，小鹏将智驾中心和智舱中心合并为通用智能中心，为集团提供统一的AI技术平台，为公司全面发展为物理ai科技公司提供助力；
+    4.  技术护城河：小鹏一直以来都是以智能驾驶见长， 尤其是新的第二代VLA架构的推出，实现了从视觉信号到车辆控制信号的端到端直连，并且取消了较为昂贵的激光雷达，可以实现优质的智驾技术进一步下探和普及；公司还有自研的图灵AI芯片，算力强劲，并且通过了车规和功能安全认证，是实现公司物理ai重要硬件基础；
+    5.  同时，第二代VLA和图灵芯片都获得了大众公司的定点，凸显公司技术能力已经得到友商的认可；
+    6.  财务角度：公司在25年q4首次实现了季度盈利；
+    7.  图灵芯片750tops的算力；
+    8.  vla从视觉到车辆控制指令的端到端大模型；
+2.  如何看待后面自动驾驶和智能座舱的发展，数据分析能做什么：
+    1.  基本的：
+        1.  智能驾驶：智驾功能的执行情况(接管情况)，智驾coner case的识别的，用户的使用习惯识别实现千人千面的智驾模式；
+        2.  智能座舱：智能化功能的渗透率，用户流失率，流式原因的深入分析；
+    2.  智驾和座舱的融合发展：定义驾仓协同体验指标体系：
+        1.  比如说哪些座舱功能可能影响到驾驶员对接管请求的响应，智舱的某些功能是否加重了驾驶员的认知负荷；
+3.  对未来的职业规划：
+    1.  在短期，加深对深入理解智驾智舱功能与用户真实场景的闭环关系，并提升自己通过数据驱动业务优化迭代的能力，尽快成为团队中能独当一面的技术骨干；
+    2.  长期的话，希望继续在智驾、智舱尤其是驾仓一体这个方向上继续深耕，让自己成为一名技术专家；
+4.  通过数据分析影响决策：通过异动分析确定原本认为仓的问题实际上是物流商的问题：
+    1.  物流商提前上传签收
+        
+        1.  过程：
+            1.  发现：有多个客退仓子仓质检延迟的罚单和罚金异常激增；
+            2.  异动分析：
+                1.  发现质检延迟罚单在部分物流商上出现明显聚集，并且这些问题子仓其他物流商的退货单质检延迟没有出现明显上升；
+                2.  对物流商逆向轨迹进行分析，发现了聚集物流商存在退货单激增且，大量退货单的轨迹存在异常(如： 最后一次转运轨迹操作时间和签收时间之间间隔极短)，且相同时间段内，其他物流商未出现轨迹异常的情况；
+            3.  与商务、运营等讨论确认：
+                1.  当时正处于黑五之后，退货量激增，部分仓库出现爆单问题；
+                2.  问题物流商承认由于爆单，部分操作人员在没有送达仓库前提前点了签收，导致该问题出现；
+            4.  后续处理：
+                1.  筛选问题物流商的问题单，提交商务团队，由商务团队同事与物流商商议一次性的处罚；
+                2.  与商务、运营确定范围，推动主动为仓库服务商进行免罚，防止舆论风险；
+                3.  调整质检延迟的开始时间，由物流商上传的签收时间改为仓库上传的收包时间，并且要求仓库提供收包凭证；
+                4.  增加对物流商轨迹异常的监控(只监控与仓库考核相关的轨迹节点)；
+5.  用三个词形容自己：
+    1.  谨慎：数据结果交叉验证，没有出过问题；
+    2.  快速学习：自学了python、sql和数据分析的基本知识，在一汽的时候，我曾经利用业务时间，在两周内自学了scala语言并基于scala开发了spark向TDengine写入超级表的writer；
+    3.  执行力强：
+6.  拼多多的经验哪些可以用在新的工作上：
+    1.  异动的根因分析；
+    2.  构建“监控-干预-迭代”闭环的能力；
+    3.  对舆情风险的思考；
+7.  缺点：
+    1.  过于关注一些细节；
+    2.  改善：对问题目标进行分析，明确问题的主线内容，在分析过程中围绕主线内容展开工作，防止自己陷入到对细节的纠结中；在保证主线问题保质保量交付的前提下，再考虑细节，作为锦上添花的内容；
@@ -0,0 +1,120 @@
+&nbsp;
+
+1.  自我介绍：
+    
+    老师好，我叫李振洋，2017年毕业于吉林大学车辆工程专业。
+    
+    虽然过去一年多我在拼多多从事仓库履约风控与质量评价体系的相关工作，但今天面试的是智能座舱方向的数据分析岗，因此我想重点介绍一下我在**集度汽车**期间与座舱智能化高度相关的工作经历。
+    
+    在集度，我主要对接**整车工程、座舱触点、生产管理与质量**三大部门，完整参与从需求对接、数据获取、清洗分析到报告输出或看板搭建的全链路。
+    
+    具体在**智能座舱方向**，我聚焦于**功能渗透率、交互便捷性与用户流失归因**三大核心问题。例如：
+    
+    - 我们对车机大屏中各项功能的**操作步骤数与完成时长**进行量化分析，评估UI的操作便利性，并提出优化建议；
+    - 针对自动空调、自动雨刮、电动门等高频触点功能，通过数据下钻分析，识别体验痛点，指导产品迭代；
+    - 针对用户强感知的能耗与续航问题，我协同业务方确立百公里电耗与续航预估准确率为核心北极星指标，搭建了覆盖全场景的监控与评价体系，并支持对异常波动的高效下钻与根因定位；
+    - 对于偶发且难以复现的问题（如空调异响），我们通过长期数据埋点，在故障发生时还原**第一现场的车辆状态与用户操作序列**，极大提升了问题定位效率。
+    
+    此外，我还基于 Python 开发了多套自动化工具，实现关键指标异常自动推送、分析报告自动生成，显著提升了业务团队的响应效率。
+
+    
+    至于拼多多的经历，我主要负责仓库履约风控与质量评价体系建设，通过数据监控、异常识别和闭环干预机制，保障履约合规性、降低平台风险，比如我们会监控仓库的履约质量、履约时长、异常单比例等等，来引导仓库合规履约，确保用户的体验，防止仓库作弊等等
+    
+
+&nbsp;
+
+1.  数据预处理都做了哪些内容：
+    
+    1.  去重：每分钟只保留一个数据，按业务需求进行处理，一般取最大值，对于能耗相关的电流、电压等取均值，对于加速度保留两个值，一个最大一个最小；
+    2.  异常值处理：
+        1.  超出物理限制、空值：一般做剔除，如果业务上有需要可以做线性插值、取上一个有效值(状态)；
+        2.  标准化；
+        3.  数据分段：
+            1.  行程划分；
+            2.  充电起止点；
+            3.  放电起止点；
+2.  为什么要做这个分析，目的和后续用途；
+    
+3.  用车场景库
+    
+    1.  动态用车：
+        
+        1.  自动驾驶使用统计：
+        2.  高速工况：
+        3.  城市工况：
+    2.  行程合并：
+        
+        1.  背景：按车辆模式是否为driving划分会导致行程碎片化，比如司机临时停车再上车，其实是一段行程，但是会被切成两段，导致对用户习惯判断的错误；
+    3.  能耗的影响(温度在25度左右，不开启空调，不用智驾)：相关性分析
+        
+        1.  相对正加速度；
+        2.  急加速次数；
+        3.  急减速次数；
+        4.  行程环境(城市、高速、拥堵)；
+        5.  平均车速；
+        6.  最高车速；
+        7.  怠速时间占比；
+        8.  制动能量回收设置(这个是环境变量)；
+        9.  行程环境：判断整个行程用户的用车情况，高速、城市和拥堵， 行驶里程大于10km的行程；
+            1.  平均车速；
+            2.  最高车速；
+            3.  车速在80km/h以上行驶里程占比；
+            4.  怠速时间占比；
+            5.  行驶里程；
+            6.  加减速切换，即加速之后紧接着就减速，对应严重拥堵情况；
+    4.  驾驶风格识别模型：  
+        1\. 模型：  
+        1\. 数据指标：当车速大于15km/h，且总行驶里程大于10km，最大加速度、平均车速(不计怠速时间)、加速度方差、平均车速方差、最大冲击度、最大冲击度方差、每公里急加速次数/急减速次数、最大方向盘转角速度；  
+        2\. 数据预处理：  
+        1\. 归一化；  
+        2\. PCA；  
+        3\. kmeans聚类；  
+        4\. 验证：找同事开车进行实车验证，由其他同事打分；
+        
+    5.  续航估计准确率：
+        
+        1.  续航里程变化量与实际里程的比值；
+        2.  影响因素：
+            1.  电池类型；
+            2.  行驶里程，特别短的计算不准；
+            3.  环境温度、驾驶激烈程度(相对正加速度)、电池健康度
+    6.  ```
+            1. 能耗：
+                1. 能耗评价体系：电池、电机、热管理、行驶工况评价，与CLTC之间的差距；
+                    1. 北极星：整车能耗(百公里能耗水平)
+                    2. 一级指标：
+                        1. 电机能耗
+                        2. 热管理能耗
+                        3. DCDC高压侧能耗
+                        4. 电池SOC与能耗匹配情况
+                        5. 用户行为
+                    3. 二级指标
+                        1. 电机
+                            1. 电机综合效率
+                            2. 电机制动能量回收效率
+                        2. DCDC高压侧能耗：
+                            1. DCDC高低压侧转换效率
+                            2. DCDC低压侧用电器
+                                1. 热管理低压侧功率：电池水泵、电机水泵、鼓风机、风扇
+                                2. 其他低压侧功能使用情况：座椅加热、哨兵、ACU
+                        3. 热管理：
+                            1. 座舱热管理功率
+                            2. 电池热管理功率
+                        4. 用户行为：
+                            1. 行驶工况
+                            2. 驾驶风格
+                            3. 空调使用与设置
+                            4. 制动能量回收设置
+        ```
+        
+    7.  3\. 驾驶事件识别模型：
+        
+        1.  模型：
+            1.  驾驶工况：
+                1.  以2分钟切分工况段；
+                2.  根据最大方向盘转角、最大方向盘转角速度和最大侧向加速度三个变量区分直行和侧向工况，根据不同车速点做选取不同阈值，就分两类(直行和侧向)，车速点 40，60，80，100(要求车速大于15小于100km/h)， 不同车速点之间采用线性插值；
+                3.  直线工况：根据不同车速范围划分加速度阈值，取90百分位的加速度值作为阈值基础，取0.5m/s2作为回滞；
+                4.  侧向工况：换道、车道保持、转向和其他，支持向量机(高斯核、OVO(没有数据不平衡的问题，总共是(4\*(4-1)/2)6个分类器)、软间隔、hinge损失函数)，
+                    1.  指标 最大侧向加速度、最大质心转向角度、最大方向盘转角、方向盘转角速度；
+            2.  训练、验证数据采集：实车实验，can信号收集，实验工况记录及视频录像；
+            3.  评价：使用macro-f1作为评价指标，调试超参数C和γ；
@@ -0,0 +1,71 @@
+1.  SWOT：
+    1.  内部优势
+        1.  高端品牌定位，用户忠诚度高，服务口碑非常好；
+        2.  换电模式有差异化优势，补能效率高，并且可以在一定程度上灵活更换电池；
+        3.  乐道和萤火虫下沉到中端和低价市场，乐道目前销量不错，*蔚来*、乐道、萤火虫的长期*销量*结构预期为35%、55%和10%；
+        4.  已经连续两个季度盈利，现金储备充足；
+        5.  个人感受：品牌较少参与网络撕逼；
+    2.  内部劣势：
+        1.  单车成本高；
+        2.  智能驾驶落地稍慢，无图方案还没有推送；
+    3.  外部机会:
+        1.  国家对换电技术的支持和补贴，强调一下最新的《2026汽车标准化工作要点》中有多次提到换电兼容；国标《电动汽车换电安全要求》；
+        2.  出海机会；
+        3.  **软件与服务收入，尤其是Baas收入**
+    4.  外部威胁:
+        1.  竞争加剧，原材料价格上涨，挤压利润空间；
+        2.  贸易摩擦加剧，关税、保护性和歧视性的贸易法规(电池护照、碳足迹阈值、以及对应带来的合规成本、最新的投资规定)；
+
+| 类型  | 策略方向 |
+| --- | --- |
+| SO（进攻） | 利用换电+高端服务优势，加速欧洲高端市场渗透；借三品牌矩阵抢占不同细分市场增量。 |
+| ST（防御） | 通过软件订阅（如NOP+、高级座舱功能）提升单车收入，对冲硬件价格战压力。 |
+| WO（改善） | 加快乐道/萤火虫渠道下沉，联合第三方共建三四线城市服务网络；优化供应链降本。 |
+| WT（避险） | 推动换电标准国际化，绑定政策红利；加强与宁德时代等电池厂战略合作，锁定原材料成本。 |
+
+&nbsp;
+
+2\. PESTEL：
+
+1.  1.  P政治因素：
+        1.  “双碳”；
+        2.  换电；
+        3.  出海政策支持；
+        4.  关税；
+        5.  地方保护主义；
+    2.  E经济因素：
+        1.  高端
+    3.  S社会：
+    4.  T技术：
+    5.  E环境：
+    6.  L法规：
+2.  常用的KPI：
+    1.  市占率；
+    2.  渗透率；
+
+| 维度  | 关键行动建议 |
+| --- | --- |
+| 政治+环境 | 加速海外本地化生产（如匈牙利工厂），规避关税并满足欧盟电池法 |
+| 经济+社会 | 通过乐道品牌下沉，结合“换电+服务包”降低三四线用户门槛 |
+| 技术+法律 | 推动NOP+订阅制，明确用户协议中的责任边界，降低法律风险 |
+
+2.  净推荐值(NPS)：
+
+$NPS=(\frac{推荐人群}{总人群}) - (\frac{贬损者人数}{总人群}) \times 100\%$
+
+&nbsp;
+
+3\. 问界车型价格区间：
+
+1.  M5: 22~25万
+2.  M6: 25~30万
+3.  M7: 主打30~35万，有两款低配无激光雷达的在24~29万；
+4.  M8：35~45万
+5.  M9：48~55万，加长版50万~65万
+
+&nbsp;
+
+4\. 尚界：
+
+1.  Z7/Z7T：ET5/ET5T， 21~30万；
+2.  h5：15~20万
@@ -0,0 +1,36 @@
+尊敬的面试官您好，感谢您给我这次面试机会。
+
+我在temu，主要从事**仓库履约风控与质量评价体系**相关的工作，核心是通过数据监控、异常识别、闭环机制设计，提升履约合规性、降低运营风险和平台资金风险。
+
+我围绕三个核心模块展开工作：
+
+**第一，客退仓履约的智能风控体系建设。**  
+参与设计和建设覆盖入库，出库全流程的风控体系。在入库环节，我通过异常称重识别逻辑，实现对异常账单的实时拦截；同时设计了未拆包点数的识别与处罚机制，能够监控仓库和质检员的异常操作。出库环节，我重点设计了销毁出库的异常监控系统，我们的销毁出库分为两类计费模式，对于按箱计费的模式，我们设计了低装载率审核和处罚机制，利用图像算法粗筛再由人工审核；对于按重量计费的模式，建立重量异常异常识别标准与处罚规则，综合考虑称重历史、物流商重量等信息，防止服务商虚报重量；在调拨出库上，我们结合轨迹信息与打托装柜记录，识别虚假调拨行为，并对调拨回国的商品进行监控，对丢件调包空包等问题进行统计与处罚。此外，我还通过反馈数据持续优化装载率识别算法，提升了监控的准确率与召回率，我们第一期优化主要针对算法打标不确定的情况做优化，将不确定率由30%多下降到不足10%，形成了“监控→识别→预警→落地→迭代”的闭环。
+
+**第二，认证仓履约质量评价体系。**  
+从履约及时率、履约时长、揽收率、滞留时间、发货准确性等维度构建评价指标，并建立履约评价分体系，对低于大盘的仓库触发预警，对长期不达标的执行处罚。建立了巡仓优先级判断逻辑，通过风险评分模型自动标识高风险仓库并建议调整巡仓频率，如对新仓、欺诈和虚化发货等履约问题的仓提高巡仓频率。在设计上，我们实现了自动预警和处罚机制，对未及时缴纳保证金、质量持续不达标及严重履约风险的仓库自动触发处罚。在退仓环节，我会校验履约及处罚情况，评估保证金退回风险。同时，我搭建了业务监控报表，支撑日常运营决策，形成“评价→预警→干预→处罚→退仓风控”的全流程闭环。
+
+**第三，卖家履约质量监控。**  
+我从发货行为和售后反馈两个维度进行监控。发货侧，我识别利用规则漏洞（如偏远地区长考核时效）规避延迟履约处罚的行为，防止不公平竞争。售后侧，我监控用户进线情况，对集中反馈问题进行归因分析，识别履约问题店铺并执行处罚；并通过用户反馈与处罚项的交叉验证，发现未被识别的违规行为，提升异常订单的召回率。我还会统计店铺处罚情况，对高风险店铺重点处理。同时搭建业务监控看板，可视化展示处罚进度与业务波动，形成“行为监控→用户反馈→交叉验证→风险处置→看板可视化”的闭环。
+
+&nbsp;
+
+2\. 对于装载率审核算法应该追求高精度还是高召回
+
+&nbsp;
+
+3\. 要补充的内容：
+
+1.  1.  商家仓地址治理：危害对其他商家不公平的优势、平台可能要补运费造成资金损失；
+        1.  筛选违规使用平台低价面单的发货地址，交由运营核实拉黑；
+        2.  对治理结果的影响进行分析，是否达到了预期的结果(除部分特批地址外，违规直链单基本绝迹)，对发货量的影响，确定商家的应对策略(使用其他低价物流商替换，转移到新地址和店铺发货)
+        3.  挖掘有可能可以转化为合作仓的商家，使用非认证仓仓库的；
+    2.  未拆包点数；
+    3.  备货违规；
+    4.  退货仓异常监控；
+
+&nbsp;
+
+&nbsp;
+
+1.  日常业务监控与异动分析：监控合作仓、客退仓的业务变化情况，对；
@@ -0,0 +1,52 @@
+各位老师好，我叫李振洋，2017年硕士毕业于吉林大学车辆工程专业，目前就职于一汽南京科技开发有限公司，目前我主要负责驾驶行为分析相关的产品开发，驾驶行为分析这个产品呢，主要功能是通过分析驾驶员的驾驶行为与行车安全和能耗之间的关系，引导驾驶员改善驾驶习惯。在这个产品中呢，我同时承担产品经理和数据算法开发两项工作。在产品经理这方面呢，负责PRD文档编写、原型图设计等，除此之外呢，我还负责对产品的功能体系和技术架构进行比较大的调整，功能项进行了精简和调整，；同时，我们对驾驶行为和行车安全及能耗做了相关性和关联分析，并根据分析结果，重新设计了驾驶行为的评价体系；在数据算法这方面呢，我们基于 SVM、聚类、DTW、RNN网络等开发驾驶工况和行驶环境识别、不良驾驶行为识别、驾驶风格识别、用路线识别等算法。 除了驾驶行为分析这个产品之外呢，我还负责和参与了两个产品的开发，一个是主动人体健康管理，这个项目里，我主要负责人体健康管理产品0～1产品调研、竞品分析、产品架构，并且组织供应商技术交流，选定传感器、确定数据中台的设计方案等；另一个是伏羲大数据平台中驾驶行为相关模块的开发，伏羲大数据平台是一汽自研的车联大数据应用平台， 支撑数据驱动研发概念落地，负责驾驶行为分析模块数据指标设计、数据拉取、数据清理、数据计算及入库等工作，设计安全、 能耗、 辅助驾驶和舒适 4 个子模块 20 余项指标； 就我个人，我是一个开朗、外向的人，可以很快的融入不同的团队。在工作上，我是一个认真负责，能吃苦耐劳的人。同时呢，我也是一个渴望学习新知识并会学习的人，非常愿意面对全新的挑战。
+
+数据清洗都做了哪些工作？
+
+mqtt协议和http协议；
+
+比较困难的工作点，如何解决的；
+
+有创新性的工作；
+
+为什么想来做产品经理；
+
+1.  建立分析体系
+    
+    1.  流程：明确分析目的和思路——数据收集——数据处理——数据分析——数据展现——报告撰写
+        
+    2.  例子：能耗相关性分析：要分析哪些驾驶行为与能耗相关——根据车辆动力学和电驱系统特性粗选指标——收集数据——相关性分析、因子分析——撰写分析报告
+        
+    3.  常用方法：
+        
+        1.  趋势分析；
+            
+        2.  多维分解；
+            
+        3.  用户分群；
+            
+        4.  漏斗分析；
+            
+        5.  留存分析；
+            
+        6.  AB 测试；
+            
+2.  指标字典 1. 确定分析指标——明确指标的维度和口径——指标评审——运营指标字典 2. 例子：伏羲大数据平台：分析APA系统的使用情况——
+    
+3.  数据分析平台建设
+    
+    1.  数据采集、数据整合、数据加工、数据可视化
+4.  大数据处理流程：
+    
+    1.  数据生产
+        
+    2.  数据采集
+        
+    3.  数据预处理
+        
+    4.  数据储存
+        
+    5.  数据挖掘、统计与分析
+        
+    6.  数据ETL与存储关系系数据库
+        
+    7.  数据可视化
@@ -0,0 +1,171 @@
+1.  自我介绍 老师好，我叫李振洋，17年毕业于吉林大学车辆工程专业，现在上海集度汽车有限公司任数据分析师一职，在这期间我主要负责整车工程、座舱触点、生产管理与质量三个部门的数据分析任务，包括从需求对接、需求分析、数据获取、预处理、分析到撰写分析报告或者搭建看板；对于整车工程，我与业务方同事合作，设计建立北极星评价指标，并围绕北极星指标建立完整的评价体系，对整车能耗、续航里程估计准确性等用户感知较强的问题进行持续监控，对异常波动进行归因分析，为业务部门提供精准的优化建议，支持业务迭代升级。对于座舱触点，我们对智能化功能的渗透率进行分析，并对智能化功能的用户流失原因进行下钻分析，如退出空调自动挡、雨刮自动挡、关闭电动开门等；对于生管与质量部门，我们主要通过数据分析支持其解决用户抱怨问题，比如空调震动等；对于一些偶发难以复现的故障进行长期监控，提供故障发生时第一现场的车辆状态与用户操作数据；此外，会对车辆整个生产、交付环节中的用时、成本进行分析，提出卡点问题，促进业务的优化；此外，我们还会进行专题数据分析，通过大数据，探索用户驾驶风格、用车习惯等信息，并指导车辆功能设计和零部件选型，如电池加热策略更新、NVH优化方向、DCDC选型、VAVE等；最后，我们基于python等工具开发了一系列的辅助工具，实现重点业务指标、问题的自动推送，业务报告的自动生成，提升业务团队的效率；这是我在集度这边的一些主要工作内容。
+    
+2.  做过的工作，
+    
+    1.  整车工程
+        
+        1.  能耗：
+            
+            1.  能耗评价体系：电池、电机、热管理、行驶工况评价，与CLTC之间的差距；
+                
+                1.  北极星：整车能耗(百公里能耗水平)
+                    
+                2.  一级指标：
+                    
+                    1.  电机能耗
+                        
+                    2.  热管理能耗
+                        
+                    3.  DCDC高压侧能耗
+                        
+                    4.  电池SOC与能耗匹配情况
+                        
+                    5.  用户行为
+                        
+                3.  二级指标
+                    
+                    1.  电机
+                        
+                        1.  电机综合效率
+                            
+                        2.  电机制动能量回收效率
+                            
+                    2.  DCDC高压侧能耗：
+                        
+                        1.  DCDC高低压侧转换效率
+                            
+                        2.  DCDC低压侧用电器
+                            
+                            1.  热管理低压侧功率：电池水泵、电机水泵、鼓风机、风扇
+                                
+                            2.  其他低压侧功能使用情况：座椅加热、哨兵、ACU
+                                
+                    3.  热管理：
+                        
+                        1.  座舱热管理功率
+                            
+                        2.  电池热管理功率
+                            
+                    4.  用户行为：
+                        
+                        1.  行驶工况
+                            
+                        2.  驾驶风格
+                            
+                        3.  空调使用与设置
+                            
+                        4.  制动能量回收设置
+                            
+            2.  续航里程估计准确性影响因素：行驶里程、环境温度、驾驶激烈程度、电池健康度
+                
+            3.  驾驶风格评价：
+                
+                1.  与能耗的关系：SVM分类；
+                    
+                2.  聚类分析
+                    
+            4.  用户工况提取：
+                
+                1.  车辆的行驶工况：
+                    
+                    1.  不同路段的行驶时间占比、不同的特征（车速、加速度）；
+                        
+                    2.  不同温度环境下用户的加速需求，针对电池低温下功率受限，调整加热策略；
+                        
+                2.  用户用车场景：
+                    
+                    1.  静态：露营、小憩、游戏模式的使用；
+                        
+                    2.  动态：智能驾驶（开启的时间、持续里程）
+                        
+        2.  电池：
+            
+            1.  算法有效性评估：
+                
+                1.  动态矫正评估
+            2.  异常报警监控
+                
+        3.  NVH：
+            
+            1.  用户常用工况提取；
+                
+            2.  空调系统异常震动原因分析；
+                
+        4.  人机：屏幕便利性
+            
+        5.  商属：乘坐舒适性问卷分析；
+            
+    2.  触点：
+        
+        1.  渗透率
+            
+        2.  智能功能流失原因：
+            
+            1.  雨刮：刮速、行驶工况
+                
+            2.  自动空调：吹风模式、内外循环
+                
+            3.  电动开门：开门速度、开门角度小
+                
+    3.  生管、质量
+        
+        1.  偶发问题监控：胎压系统报警、异常破冰激活
+3.  能力证明：
+    
+    1.  项目管理：
+        
+        1.  周例会：确定上周的工作进展、讨论新出现的问题、讨论卡点并确定下一步的行动计划；
+            
+        2.  预警机制；
+            
+        3.  排期：数据获取与预处理、分析与描述、报告或看板；
+            
+        4.  优先级：公司的重点(用户的抱怨、公司下一阶段重点任务)，接下来的行动急迫性，对业务方的贡献度(投入产出比，询问业务方拿到数据后能做哪些工作)；
+            
+    2.  专业成就：
+        
+        1.  集度：
+            
+            1.  搭建了完整的整车能耗评价和分析体系，这个分析体系一方面探查了整车能耗较高的组件、工况，为后续产品优化提供了明确的方向，另一方面在应对客户抱怨等方向上极大的提升了业务部门的工作效率，得到业务部门领导和同事的广泛好评；
+                
+            2.  难点：时间紧、任务重，几乎从零开始；
+                
+            3.  解决方法：与业务方合作，根据需求的紧迫程度和前置条件的满足度确定开发计划，并行推进数据采集、校验、数据分析、看板搭建等工作，并且两天与各个相关方碰头一次，确定业务进度、卡点及下一步行动方案；
+                
+            4.  结果：两周的时间从0到1搭建起来整车能耗评价体系，完成看板搭建，尤其对能耗问题较严重的热管理系统进行了深入的拆解，帮助业务部门明确了下一步的优化方向，并且协助业务部门成功应对了车辆上市初期较多的能耗抱怨问题(因为是冬天上市交车，能耗问题、尤其是续航打折、充电慢等问题较为突出)；
+                
+        2.  实时驾驶行为评价，过去的驾驶行为产品需要等待车辆停止并熄火20分钟后才能呈现结果，但我们的新产品可以在行车过程中向用户显示信息，并且在车辆熄火后几乎立即显示评价结果。为了实现这一目标，我们进行了大规模的技术架构调整，引入了先进的技术方案，如边缘计算和流处理。然而，我们在这个过程中面临了许多技术难题，例如实时软件的效率不足、软件不够稳定，以及其他部门的阻力。为了解决这些问题，我们优化了软件代码，提高了效率和稳定性，并通过合理的产品设计来避免软件问题对用户体验造成严重影响。我们还采用了调研等方法来证明我们的设计合理性和必要性，并与其他部门的同事一起讨论技术方案，试图找到既能减少工作量又能满足我们需求的解决方案；
+            
+4.  使用过的算法和数据分析方法：
+    
+    1.  聚类：
+        
+        1.  kmeans、密度聚类
+    2.  回归分析：
+        
+        1.  逻辑回归
+    3.  相关性分析
+        
+    4.  支持向量机
+        
+    5.  隐马尔可夫模型
+        
+    6.  D-S证据理论
+        
+    7.  漏斗模型
+        
+5.  如何做一个完整的分析：
+    
+    1.  目标确定
+        
+    2.  数据获取，埋点、获取途径、质量验证
+        
+    3.  数据预处理，异常值处理、打标签
+        
+    4.  数据分析与描述，数据情况描述、数据变化、可视化
+        
+    5.  总结结论及报告编写、搭建看板
+        
+6.  问题：
+    
+    1.  数据产品的范围？
@@ -0,0 +1,112 @@
+老师好，我叫李振洋，2017年毕业于吉林大学车辆工程专业。
+    
+    虽然过去一年多我在拼多多从事仓库履约风控与质量评价体系的相关工作，但今天面试的汽车行业的岗位，因此我想重点介绍一下我在**集度汽车**和之前在整车厂期间的工作经历。
+    
+    在集度，我主要对接**整车工程、座舱触点、生产管理与质量**三大部门，完整参与从需求对接、数据获取、清洗分析到报告输出或看板搭建的全链路。
+    
+    - 在智能座舱方向，我们对车机大屏中各项功能的**操作步骤数与完成时长**进行量化分析，评估UI的操作便利性，并提出优化建议；
+    - 在智能座舱方向，针对自动空调、自动雨刮、电动门等高频触点功能，通过数据下钻分析，识别体验痛点，指导产品迭代；
+    - 在与整车工程的合作仓，针对用户强感知的能耗与续航问题，我协同业务方确立百公里电耗与续航预估准确率为核心北极星指标，搭建了覆盖全场景的监控与评价体系，并支持对异常波动的高效下钻与根因定位；
+    - 对于偶发且难以复现的问题（如空调异响），我们通过长期数据埋点，在故障发生时还原**第一现场的车辆状态与用户操作序列**，极大提升了问题定位效率。
+    
+    此外，我还基于 Python 开发了多套自动化工具，实现关键指标异常自动推送、分析报告自动生成，显著提升了业务团队的响应效率。
+
+	此外，我在上汽时也做了三年的仪表dre，主导了荣威和名爵多款车辆仪表的开发工作，对车辆仪表和智能座舱的开发工作也有深入的了解。
+
+
+
+1.  数据预处理都做了哪些内容：
+    
+    1.  去重：每分钟只保留一个数据，按业务需求进行处理，一般取最大值，对于能耗相关的电流、电压等取均值，对于加速度保留两个值，一个最大一个最小；
+    2.  异常值处理：
+        1.  超出物理限制、空值：一般做剔除，如果业务上有需要可以做线性插值、取上一个有效值(状态)；
+        2.  标准化；
+        3.  数据分段：
+            1.  行程划分；
+            2.  充电起止点；
+            3.  放电起止点；
+2.  为什么要做这个分析，目的和后续用途；
+    
+3.  用车场景库
+    
+    1.  动态用车：
+        
+        1.  自动驾驶使用统计：
+        2.  高速工况：
+        3.  城市工况：
+    2.  行程合并：
+        
+        1.  背景：按车辆模式是否为driving划分会导致行程碎片化，比如司机临时停车再上车，其实是一段行程，但是会被切成两段，导致对用户习惯判断的错误；
+    3.  能耗的影响(温度在25度左右，不开启空调，不用智驾)：相关性分析
+        
+        1.  相对正加速度；
+        2.  急加速次数；
+        3.  急减速次数；
+        4.  行程环境(城市、高速、拥堵)；
+        5.  平均车速；
+        6.  最高车速；
+        7.  怠速时间占比；
+        8.  制动能量回收设置(这个是环境变量)；
+        9.  行程环境：判断整个行程用户的用车情况，高速、城市和拥堵， 行驶里程大于10km的行程；
+            1.  平均车速；
+            2.  最高车速；
+            3.  车速在80km/h以上行驶里程占比；
+            4.  怠速时间占比；
+            5.  行驶里程；
+            6.  加减速切换，即加速之后紧接着就减速，对应严重拥堵情况；
+    4.  驾驶风格识别模型：  
+        1\. 模型：  
+        1\. 数据指标：当车速大于15km/h，且总行驶里程大于10km，最大加速度、平均车速(不计怠速时间)、加速度方差、平均车速方差、最大冲击度、最大冲击度方差、每公里急加速次数/急减速次数、最大方向盘转角速度；  
+        2\. 数据预处理：  
+        1\. 归一化；  
+        2\. PCA；  
+        3\. kmeans聚类；  
+        4\. 验证：找同事开车进行实车验证，由其他同事打分；
+        
+    5.  续航估计准确率：
+        
+        1.  续航里程变化量与实际里程的比值；
+        2.  影响因素：
+            1.  电池类型；
+            2.  行驶里程，特别短的计算不准；
+            3.  环境温度、驾驶激烈程度(相对正加速度)、电池健康度
+    6.  ```
+            1. 能耗：
+                1. 能耗评价体系：电池、电机、热管理、行驶工况评价，与CLTC之间的差距；
+                    1. 北极星：整车能耗(百公里能耗水平)
+                    2. 一级指标：
+                        1. 电机能耗
+                        2. 热管理能耗
+                        3. DCDC高压侧能耗
+                        4. 电池SOC与能耗匹配情况
+                        5. 用户行为
+                    3. 二级指标
+                        1. 电机
+                            1. 电机综合效率
+                            2. 电机制动能量回收效率
+                        2. DCDC高压侧能耗：
+                            1. DCDC高低压侧转换效率
+                            2. DCDC低压侧用电器
+                                1. 热管理低压侧功率：电池水泵、电机水泵、鼓风机、风扇
+                                2. 其他低压侧功能使用情况：座椅加热、哨兵、ACU
+                        3. 热管理：
+                            1. 座舱热管理功率
+                            2. 电池热管理功率
+                        4. 用户行为：
+                            1. 行驶工况
+                            2. 驾驶风格
+                            3. 空调使用与设置
+                            4. 制动能量回收设置
+        ```
+        
+    7.  3\. 驾驶事件识别模型：
+        
+        1.  模型：
+            1.  驾驶工况：
+                1.  以2分钟切分工况段；
+                2.  根据最大方向盘转角、最大方向盘转角速度和最大侧向加速度三个变量区分直行和侧向工况，根据不同车速点做选取不同阈值，就分两类(直行和侧向)，车速点 40，60，80，100(要求车速大于15小于100km/h)， 不同车速点之间采用线性插值；
+                3.  直线工况：根据不同车速范围划分加速度阈值，取90百分位的加速度值作为阈值基础，取0.5m/s2作为回滞；
+                4.  侧向工况：换道、车道保持、转向和其他，支持向量机(高斯核、OVO(没有数据不平衡的问题，总共是(4\*(4-1)/2)6个分类器)、软间隔、hinge损失函数)，
+                    1.  指标 最大侧向加速度、最大质心转向角度、最大方向盘转角、方向盘转角速度；
+            2.  训练、验证数据采集：实车实验，can信号收集，实验工况记录及视频录像；
+            3.  评价：使用macro-f1作为评价指标，调试超参数C和γ；
@@ -0,0 +1,112 @@
+
+1. 远控功能分析：
+	1. 数据情况：
+		1. 车辆销售：10000台
+		2. app下载量：9500
+		3. app注册量：8500
+		4. 远控功能使用：6500
+		5. 30日回访：1500
+	2. 口径定义：
+		1. 北极星指标：
+			1. 30日回访率：30日内回访远程功能用户/新增注册用户数；
+		2. 过程指标：
+			1. app下载率：下载app的用户/新销售车辆数
+			2. app注册率：app注册的用户/app下载用户数
+			3. 远程控制使用率：曾使用远程控制功能的用户/app注册用户
+			4. 回访率：回访远控功能的用户/曾使用远控功能的用户
+	3. 问题分析：
+		1. 漏斗图：
+			1. 发现问题：
+				1. 从车辆销售到app注册中间流失了1500名用户，比例较高；
+					1. 可能原因1：门店没有按sop要求引导用户完成从app下载到注册的全过程；
+						1. 验证的指标：按门店统计未完成注册的车辆情况，查看是否有店铺聚集；
+						2. 解决方案：向门店进一步宣贯提车的sop要求，将app下载和注册率纳入门店考核(这里需要和门店运营协商)；
+						3. 验证：宣贯后持续监控门店的未完成注册车辆占比是否下降；
+					2. 可能原因2：注册步骤过于繁琐，导致用户不愿意完成注册；
+						1. 验证指标：统计注册过程中，用户需要进行的实际操作步骤和操作时长的中位数；
+						2. 解决方案：在保证合规的前提下，推动简化注册步骤；
+						3. 验证：
+							1. 设计A/B TEST实验，验证设计思路是否正确；
+				2. 远控功能的使用率较低：
+					1. 可能原因1: 对远控功能的宣贯不足，用户不了解该功能；
+						1. 解决方案：增加对远控功能的宣传，比如增加手机app的推送信息，如：「夏天天热，可能尝试一下远程开启空调」；
+						2. 验证：
+							1. 设计A/B test实验，验证增加推送用户和未增加推送用户在远控功能的使用上是否有区别；
+					2. 可能原因2: 远控功能入口不够明显，用户不太容易找到：
+						1. 验证指标：统计进入远控功能界面，用户需要进行的实际操作步骤和操作时长的中位数；
+						2. 解决方案：
+							1. 推动app修改远控入口设计，增加远控功能的快捷入口；
+						3. 验证：
+							1. 统计用户通过快捷入口操作远控功能的比例；
+							2. 统计修改前后用户使用远控功能的比率是否上升；
+					3. 可能原因3:  用户确实没有远控功能的需求：
+						1. 验证指标：
+							1. 用户是否在实际用车中使用了远控提供的功能，如：用户在上车后是否在高温环境下有以下操作：
+								1. 空调开启，但是乘客未上车，运行一段时间后，乘客才上车；
+								2. 车辆刚启动时，空调风速开到最大，温度也设置的很低，行驶一段时间后，空调风速调小温度也调高；
+							2. 在设想的使用场景下，远控功能的使用率是否有上升；
+						2. 解决方案：
+							1. 复盘并进一步下钻没有需求的用户情况，比如：用户年龄、用车地域等，分析总结产品定义的问题
+				3. 30日回访率极低：
+					1. 可能原因1: 用户使用的需求不足，同上一节的可能原因3；
+					2. 可能原因2: 操作繁琐，同上一节的可能原因2；
+					3. 可能原因3: 操作失败的概率较高，导致用户不愿意使用该功能：
+						1. 验证指标：
+							1. 远控设置成功率：远控功能设置成功的次数/用户设置远控功能的次数；
+						2. 解决方案：
+							1. 进一步下钻分析远控失败的原因，并推动业务部门进行修复：
+								1. 用户请求远控之后，车辆是否整车唤醒；
+								2. 唤醒后，TBOX是否正确发出了请求信息；
+								3. 网关是否正确转发了请求信息；
+								4. 控制器是否正确响应了对应的请求；
+								5. 统计失败原因占比，如整车状态是否满足远控功能的使用前提，如电量/油量是否充足等；
+								6. 前四项可以做成一个漏斗图，第五项可以做成饼状图；
+	
+
+2. 数字钥匙：
+	1. 数据情况：
+		1. 车辆销售：10000台
+		2. app下载量：9500
+		3. app注册量：8500
+		4. 数字钥匙注册：5000
+	2. 口径：
+		1. 北极星指标：
+			1. 数字钥匙解锁渗透率：用户使用数字钥匙解锁车门的次数/用户解锁车门的总次数
+			2. 辅助指标：数字钥匙使用用户占比：使用数字钥匙解锁车门的用户/数字钥匙注册用户数；
+	3. 问题分析：
+
+		1. 数字钥匙注册量较低，从app注册到数字要是注册流失3500名用户，流失率41.2%；
+			1. 可能原因1: 店铺未按sop要求引导用户完成数字钥匙的注册；
+				1. 验证方法：按门店统计未完成注册的车辆情况，查看是否有店铺聚集；
+				2. 解决方案：向门店进一步宣贯提车的sop要求，将数字钥匙注册率纳入门店考核(这里需要和门店运营协商)；
+				3. 验证：宣贯后持续监控门店的未完成注册车辆占比是否下降；
+			2. 可能原因2：注册数字钥匙过程过于繁琐导致用户放弃注册；
+				1. 验证方法：统计在数字钥匙注册过程中，用户操作步骤的中位数和操作时长的中位数；
+				2. 解决方案：
+					1. 设计a/b test实验，验证注册过程繁琐是用户放弃注册的原因；
+					2. 验证后，推动业务部门优化数字钥匙的注册流程；
+				3. 验证方案：
+					1. 除a/b test以外，在优化后流程上线后持续监测数字钥匙的注册率是否上升；
+			3. 可能原因3:  手机品牌系统、蓝牙标准等差异导致注册时产生兼容性问题；
+				1. 验证方法：按手机品牌、系统、蓝牙标准等方案对数字钥匙的注册情况进行统计，检查不同的品牌、系统之间是否存在注册差异；
+				2. 解决方案：
+					1. 对销量前20的手机进行专门适配，确保保有量大的手机可以稳定的使用数字钥匙功能；
+		2. (假设)注册用户中，数字钥匙解锁渗透率低：
+			1. 可能原因1：数字钥匙解锁成功率较低；
+				1. 验证指标：验证流失用户(定义为：使用过数字钥匙解锁，之后30日之内未再使用该功能)在流失前曾遇到解锁失败的比例；
+				2. 解决方法：
+					1. 进一步下钻失败原因，探寻占比高的问题，推动业务方解决；
+						1. 手机系统信息，如品牌、操作系统版本、蓝牙协议版本等；
+						2. 蓝牙等信号强度变化情况，验证手机与车机连接稳定性；
+						3. 车辆执行层：tbox、网关、执行器等故障状态；
+				3. 验证方案：
+					1. 持续监控问题优化后，数字钥匙解锁渗透率是否有上升；
+
+3. 共性分析：
+	1. 从用户画像角度分析用户对远控、数字钥匙等接受程度；
+		1. 基本信息：按年龄、性别等基本信息对用户对远控、数字钥匙等功能的使用和接受程度进行拆分；
+		2. 用户画像：
+			1. 如在周一到周五期间，每日以较为固定的时间在两个坐标点之间行驶，可以打标签为「上班族」；
+			2. 如在每次ota更新时，都在第一时刻更新，并在更新后立刻尝试新功能，可以打标为「科技达人」；
+		3. 目的：为在未来面向不同目标用户的车型设计上提供指导意见；
+
@@ -0,0 +1,28 @@
+您好！我叫李振洋，毕业于吉林大学车辆工程专业，过去1年多时间是在TEMU这边主要负责海外认证仓和客退仓的风控策略开发。
+
+首先呢，我们主导搭建了TEMU海外认证仓和客退仓的日常业务监控与异动归因分析体系。我们会从业务量、异常单量比例、履约时效准确率等多个维度对业务进行日常的监控，并对业务异动进行异动归因，通过贡献度拆解等，下钻到区域、品类、物流商、店铺等维度，快速定位异动的根本原因，并与业务部门一起对异动进行及时干预。并且，我们还建立了对应的线上报表体系，可以支持业务部门快速查询日常运行数据。
+
+此外，我们设计并落了一套客退仓的风控机制和运营策略。例如，在出库环节，我们有一个销毁出库的业务，这个业务分为按重量计费和按箱数计费两种计费方式，我们分别对方式建立了风控机制，对于按重量计费的，开发重量异常的识别方法，并设计了处罚机制。对于按箱数计费的，我们引入AI图像算法，对服务商上传的出库凭证进行粗筛，识别其中装载率不达要求的箱子，在这个基础上，我结合运营的人工复合结果，与算法同事一起对识别算法进行优化，显著提升监控准确率与召回率，形成“监控→识别→干预→迭代”闭环。
+
+同时，我也建立了认证仓库履约质量评价体系，自动预警机制，对履约质量严重低于大盘、保证金不足等等一些情况进行自动预警，提醒业务部门及时介入处理，对于长期不达标仓库自动发起处罚。同时，我们也会根据仓库的履约情况、异常单比例和其他的一些因素为业务部门提供巡仓优先级的建议，支持业务部门高效巡仓；
+
+最后，我们会做一些专项的分析研究，对我们在日常监控过程中发现的，或者是业务部门反馈的异常案件进行进入分析，挖掘新的异常监控指标，对共性的问题建立新的识别和处罚体系，不断提高风控的准确性；
+
+&nbsp;
+
+&nbsp;
+
+如何看待蔚来：
+
+1.  蔚来是最早的造车新势力，我认为蔚来现在有几个核心的优势：
+    1.  独一无二的用户运营与品牌忠诚度；蔚来的NPS值在行业内一直是处在最前列的，通过NIO house、APP等形成的用户黏性也是国内汽车中独一无二的存在；我认为这是蔚来最大的护城河之一，其他企业在短期内是很难复制的；
+    2.  独特的换电模式：蔚来是换电做的最成熟的品牌，提高了补能效率，缓解了里程焦虑，并且电池租用方案也可以大大降低购车门槛；随着技术的发展，蔚来的换电站也在逐渐成为一个新的应收增长点，不仅仅是电池业务，储能和虚拟电站的接入也会为蔚来带来汽车行业独有的资金来源和优势；
+    3.  蔚来的品牌形象很好，集中于高端产品矩阵，30万+的市场目前是有相当的成长性的，而蔚来在这方面深耕很多年了，产品成熟非常有竞争力。同时，最新的三品牌战略也让蔚来可以下沉到20万左右的市场参与竞争，同时又不损害蔚来品牌的形象。25年Q4蔚来首次实现季度盈利，说明了蔚来的业务情况正在不断向好增长；
+2.  蔚来现在面临的一些挑战：
+    1.  换电站投入很高，对资金依赖较重，NIO house的运营成本也不低，难以在短期内快速下沉；
+    2.  三品牌战略，尚未完全跑通，尤其是现在乐道的销量还远不及目标，如何平衡性价比和蔚来用户企业这个企业基因还需要考虑，如何平衡快速迭代和老用户权益，也需要再想一些办法；
+    3.  自动驾驶进展显得有点慢，无图NOA要到Q3才开始推送，已经明显比华为等竞争对手慢了一步，同时对现有的硬件算力有些不匹配；
+
+&nbsp;
+
+应对挑战：通过数据识别高价值服务模块，以低成本方式赋能子品牌，实现差异化竞争，避免陷入纯价格战。
@@ -0,0 +1,206 @@
+1.  ### 自我介绍：
+    
+    老师您好！我叫李振洋,过去1年多时间是在TEMU这边主要负责海外认证仓和客退仓的风控策略开发。
+    
+    首先呢，我们主导搭建了TEMU海外认证仓和客退仓的日常业务监控与异动归因分析体系。我们会从业务量、异常单量比例、履约时效准确率等多个维度对业务进行日常的监控，并对业务异动进行异动归因，通过贡献度拆解等方法，下钻到区域、品类、物流商、店铺等维度，快速定位异动的根本原因，并与业务部门一起对异动进行及时干预。并且，我们还建立了对应的线上报表体系，可以支持业务部门快速查询日常运行数据和统计处罚进度等信息， 并且我们还会做一些专项的分析研究，对我们在日常监控过程中发现的，或者是业务部门反馈的异常案件进行进入分析，挖掘新的异常监控指标。
+    
+    &nbsp;
+    
+    同时，我也建立了认证仓库履约质量评价体系，基于履约及时率、履约失效等信息为子仓的履约质量打分，此外，我们会对履约质量严重低于大盘、保证金不足等等一些情况进行自动预警，提醒业务部门及时介入处理，对于长期不达标仓库自动发起处罚。同时，我们也会根据仓库的履约情况、异常单比例和其他的一些因素为业务部门提供巡仓优先级的建议，支持业务部门高效巡仓；
+    
+    此外，我们设计并落地了一套客退仓的风控机制和运营策略，监控并引导仓库合规履约，比如，仓库是否按要求进行了拆包点数，有没有按时效的要求完成收包点数入库等等流程，出库时是否按要求装满出库箱等等。
+    
+    &nbsp;
+    
+    由于今天面试的岗位更偏向数据分析、挖掘这块，我想顺便说一下我在集度工作时相关的一些工作内容，我在集度主要是和整车工程、座舱触点和生产管理与质量这三部门对接，负责从需求对接、需求分析、数据获取、预处理、分析到撰写分析报告或者搭建看板；比如说，我们以「百公里能耗」作为北极星指标，建立对整车能耗的监控看板，分析能耗问题，推动整车能耗的优化；此外，我们会收集车辆语音埋点、大屏埋点和车辆信号等相关数据，按车辆对齐相关事件，建立车辆功能使用报表，对车辆的智能化功能渗透率、流失原因等进行分析，比如用户退出自动空调的原因、大屏UI设计的便捷性等等；
+    
+
+&nbsp;
+
+1.  数据探查：
+    
+    1.  分布：是否合理；
+    2.  是否有空值：确定空值的状态；
+2.  ### 数据预处理都做了哪些内容：
+    
+    1.  去重：每分钟只保留一个数据，按业务需求进行处理，一般取最大值，对于能耗相关的电流、电压等取均值，对于加速度保留两个值，一个最大一个最小；
+    2.  异常值处理：
+        1.  超出物理限制、空值：一般做剔除，如果业务上有需要可以做线性插值、取上一个有效值(状态)；
+    3.  标准化；
+    4.  事件对齐：按时间轴进行对齐，一般取最早的触发源；
+    5.  数据分段：
+        1.  行程划分；
+        2.  充电起止点；
+        3.  放电起止点；
+3.  ### UI设计分析：
+    
+    1.  数据获取：与业务方共同确定需要分析的功能，确定数据口径，确定埋点需求，提交埋点团队开发，并进行验证；
+    2.  数据预处理：
+        1.  去重；
+        2.  空值处理：
+            1.  对10s以内的空缺多取上一秒的数据填充，对于超过10s的数据丢弃处理；
+        3.  事件对齐和触发源确认：
+            1.  以vin码为单位，按时间轴对齐；
+            2.  同一时钟源的(车辆can等总线信号)：取功能激活前2s内的触发源；
+            3.  对非统一时钟源：取功能激活前后5s内的触发源；
+            4.  统一功能取时间上最早的触发源；
+        4.  操作结束：
+            1.  触发/调节某个功能后5s内不再操作屏幕；
+    3.  评价指标：
+        1.  单个功能的触发源占比；
+        2.  屏幕功能的操作步骤和操作时长；
+4.  空调策略：
+    
+    1.  我主导了自动空调退出行为的专项分析。这个项目的核心痛点是：**用户频繁手动接管自动空调，说明算法设定的‘舒适区’与用户真实体感存在偏差**。我的目标是通过量化这种偏差，为热管理控制策略提供精准的优化输入。
+        
+        #### 1\. 定义分析锚点与特征工程
+        
+        我没有简单对比退出前后的平均值，而是以 **‘用户手动退出自动模式’为事件锚点**，构建了时序特征矩阵：
+        
+        - **退出前状态（算法决策）**：提取退出瞬间及前30秒的风速、出风模式、目标温度、压缩机功率等自动控制参数；
+        - **退出后行为（用户真值）**：记录用户在退出后首次手动调节的目标值，以及后续5分钟内的稳定设定值；
+        - **环境上下文**：同步关联车外温湿度、光照强度、车速及座舱内多点温度传感器数据。
+        
+        #### 2\. 核心分析方法：偏差归因与场景聚类
+        
+        通过计算‘用户设定值’与‘算法输出值’的差值，我识别出三类典型退出动机：
+        
+        - **风速不适型**：算法风速 > 用户期望（占比最高），尤其在降温初期，算法为快速拉温采用高风速，但用户体感吹风感过强；
+        - **温度过冲型**：算法目标温度 < 用户期望，常见于冬季制热场景，算法为补偿冷启动过度加热，导致用户燥热；
+        - **模式冲突型**：自动模式切换出风口方向不符合用户习惯（如制冷时吹脸）。
+        
+        进一步结合环境数据进行聚类，我发现**60%的风速不适集中在‘夏季上车后10分钟内’且‘车内外温差>8℃’的场景**，说明算法在瞬态响应阶段的舒适性权重不足。
+        
+        #### 3\. 策略优化建议与落地
+        
+        基于上述洞察，我向热管理团队提出了分层优化方案：
+        
+        - **瞬态阶段**：在‘大温差+初始降温’场景下，将风速上限从10档降至7档，并引入30秒缓升斜坡，牺牲部分降温速度换取体感舒适；
+            
+        - **稳态阶段**：根据用户历史手动修正偏好，建立个性化舒适基线，对高频调低风速的用户自动下调默认风速曲线；
+            
+        - **交互反馈**：当检测到用户连续2次手动下调风速时，主动弹出‘是否调整为柔风模式’的快捷提示，减少操作步数。
+            
+            &nbsp;
+            
+5.  未拆包点数：
+    
+    1.  发现过程：调拨回国后，部分子仓的丢件率异常上升，对调拨单、海运订单、入库时质检人等进行下钻分析，发现部分质检人出现明显聚集情况，进一步调取该部分质检人的点数视频发现其存在较高比例的未拆包点数；
+    2.  后续处理：
+        1.  与运营、商务共同实锤违规事实：对疑似问题质检人的点数视频做全量上传，并进行抽样检查，确定其在全托业务中存在较高比例的未拆包点数操作；原本的状态是：只有半托和有问题的全托入库单才会上传视频，存在误判的可能，这些人确实存在在半托管业务中违规，但是并不是丢件率上升的真实原因；
+        2.  确定业务范围：考虑到全托管有丢件处罚兜底，半托管入库后就无法管控，并且考虑到实际的数据情况(半托管更严重)，第一期以半托管的管控为主；
+        3.  探索策略指标，确定高风险质检人筛选策略：从拆包点数的动作出发探索可能可以代表未拆包点数的指标：抽样对比，符合条件的质检人其未拆包点数占比远高于不符合条件的质检人；
+            1.  标签打印次数：与sku数量或种类相等；
+            2.  上报黑码的退货入库单数量：极低；
+            3.  最后一次打印标签与包裹入库完成时间差90分位数：较低；
+            4.  商品类别：不包括服装类sku；
+        4.  确定处罚逻辑：
+            1.  先按筛选逻辑确定高风险质检人，人工符合后
+                
+                日常报表体系
+                
+                支持业务快速查询数据  
+                处罚量和处罚率  
+                处罚进度跟踪
+                
+                对相关仓库进行警告和宣贯，向所有仓库明确告知6月1日后开始对未拆包点数进行考核；
+                
+            2.  按策略逻辑进行粗筛，再有运营人工复核，确定违规后进行处罚，初始阶段只处罚流入的入库单；
+                
+            3.  后续观察调拨回国的丢件率是否下降；
+                
+6.  欺诈收货
+    
+    1.  发现：商务发现反馈，发现原因：该子仓客退收货量激增，且有物流商举报(仓库操作问题导致物流商被处罚，无轨迹)；
+    2.  复盘结果：
+        1.  复盘的思路：
+            1.  梳理整个退货流程各个环节，寻找可能存在的漏洞；
+            2.  寻找可以检测漏洞的数据指标；
+            3.  从每个环节的操作上入手，寻找典型的数据指标，比如时间、操作的凭证、操作所必然带来的信息；
+        2.  发现：
+            1.  时间类：
+                1.  从退货申请到仓库质检完成时间：异常子仓该时间的中位数明显偏低；
+                2.  从签收到仓库质检完成：异常子仓该时间的中位数明显偏低(但这个指标并不具有特异性，召回很低)；
+            2.  操作凭证类：
+                1.  点数视频无效率很高；
+            3.  其他：
+                1.  客退单无逆向物流轨迹的占比较高；
+7.  商家虚假备货：
+    
+    1.  发现：部分子仓的发货时效异常上涨，明显高于大盘的20%的限制；
+    2.  下钻分析：发现问题子仓中，发货时效长的订单集中于部分商家；
+    3.  确认原因：
+        1.  分析问题商家发货时效长的订单情况：发现该部分订单出现仓库接单反复失败的问题，接单失败原因为库存不足；
+        2.  与商务、仓库运营确认原因：部分商家的库存信息不准确，有两种可能：
+            1.  商家在合作仓内备货不仅提供给temu，还提供给其他电商平台，库存未及时同步；
+            2.  部分商家利用规则漏洞，将货备在当地低价仓库，有订单后再备货到合作仓，同时享受低价的仓储和运输费用；
+    4.  处理：
+        1.  对仓库：调整仓库失效计算的起点；
+        2.  对利用漏洞的商家，提交给对应团队进行处理；
+8.  能耗的影响(温度在25度左右，不开启空调，不用智驾)：相关性分析
+    
+    1.  相对正加速度；
+    2.  急加速次数；
+    3.  急减速次数；
+    4.  行程环境(城市、高速、拥堵)；
+    5.  平均车速；
+    6.  最高车速；
+    7.  怠速时间占比；
+    8.  制动能量回收设置(这个是环境变量)；
+    9.  行程环境：判断整个行程用户的用车情况，高速、城市和拥堵， 行驶里程大于10km的行程；
+        1.  平均车速；
+        2.  最高车速；
+        3.  车速在80km/h以上行驶里程占比；
+        4.  怠速时间占比；
+        5.  行驶里程；
+        6.  加减速切换，即加速之后紧接着就减速，对应严重拥堵情况；
+9.  驾驶风格识别模型：  
+    1\. 模型：  
+    1\. 数据指标：当车速大于15km/h，且总行驶里程大于10km：最大加速度、平均车速(不计怠速时间)、加速度方差、平均车速方差、最大冲击度、最大冲击度方差、每公里急加速次数/急减速次数、最大方向盘转角速度；  
+    2\. 数据预处理：  
+    1\. 归一化；  
+    2\. PCA；  
+    3\. kmeans聚类；评价：**轮廓系数；**  
+    4\. 验证：找同事开车进行实车验证，由其他同事打分；
+    
+10. 驾驶事件识别模型：
+    
+    1.  模型：
+        1.  驾驶工况：
+            1.  以2分钟切分工况段；
+            2.  根据最大方向盘转角、最大方向盘转角速度和最大侧向加速度三个变量区分直行和侧向工况，根据不同车速点做选取不同阈值，就分两类(直行和侧向)，车速点 40，60，80，100(要求车速大于15小于100km/h)， 不同车速点之间采用线性插值；
+            3.  直线工况：根据不同车速范围划分加速度阈值，取90百分位的加速度值作为阈值基础，取0.5m/s2作为回滞；
+            4.  侧向工况：换道、车道保持、转向和其他，支持向量机(高斯核、OVO(没有数据不平衡的问题，总共是(4\*(4-1)/2)6个分类器)、软间隔、hinge损失函数)，
+                1.  指标 最大侧向加速度、最大质心转向角度、最大方向盘转角、方向盘转角速度；
+        2.  训练、验证数据采集：实车实验，can信号收集，实验工况记录及视频录像；
+        3.  评价：使用macro-f1作为评价指标，调试超参数C和γ；
+
+&nbsp;
+
+11\. 能耗：
+
+1\. 能耗评价体系：电池、电机、热管理、行驶工况评价，与CLTC之间的差距；  
+            1. 北极星：整车能耗(百公里能耗水平)  
+            2. 一级指标：  
+                1. 电机能耗  
+                2. 热管理能耗  
+                3. DCDC高压侧能耗  
+                4. 电池SOC与能耗匹配情况  
+                5. 用户行为  
+            3. 二级指标  
+                1. 电机  
+                    1. 电机综合效率  
+                    2. 电机制动能量回收效率  
+                2. DCDC高压侧能耗：  
+                    1. DCDC高低压侧转换效率  
+                    2. DCDC低压侧用电器  
+                        1. 热管理低压侧功率：电池水泵、电机水泵、鼓风机、风扇  
+                        2. 其他低压侧功能使用情况：座椅加热、哨兵、ACU  
+                3. 热管理：  
+                    1. 座舱热管理功率  
+                    2. 电池热管理功率  
+                4. 用户行为：  
+                    1. 行驶工况  
+                    2. 驾驶风格  
+                    3. 空调使用与设置  
+                    4. 制动能量回收设置
@@ -0,0 +1,219 @@
+###### 1.  自我介绍：
+	老师您好！我叫李振洋,过去1年多时间是在TEMU这边主要负责海外认证仓和客退仓的风控策略开发。
+	首先呢，我们主导搭建了TEMU海外认证仓和客退仓的日常业务监控与异动归因分析体系。我们会从业务量、异常单量比例、履约时效准确率等多个维度对业务进行日常的监控，并对业务异动进行异动归因，通过贡献度拆解等方法，下钻到区域、品类、物流商、店铺等维度，快速定位异动的根本原因，并与业务部门一起对异动进行及时干预。并且，我们还建立了对应的线上报表体系，可以支持业务部门快速查询日常运行数据和统计处罚进度等信息， 并且我们还会做一些专项的分析研究，对我们在日常监控过程中发现的，或者是业务部门反馈的异常案件进行进入分析，挖掘新的异常监控指标。
+	同时，我也建立了认证仓库履约质量评价体系，基于履约及时率、履约失效等信息为子仓的履约质量打分，此外，我们会对履约质量严重低于大盘、保证金不足等等一些情况进行自动预警，提醒业务部门及时介入处理，对于长期不达标仓库自动发起处罚。同时，我们也会根据仓库的履约情况、异常单比例和其他的一些因素为业务部门提供巡仓优先级的建议，支持业务部门高效巡仓；
+	此外，我们设计并落地了一套客退仓的风控机制和运营策略，监控并引导仓库合规履约，比如，仓库是否按要求进行了拆包点数，有没有按时效的要求完成收包点数入库等等流程，出库时是否按要求装满出库箱等等。
+	由于今天面试的岗位更偏向数据分析、挖掘这块，我想顺便说一下我在集度工作时相关的一些工作内容，我在集度主要是和整车工程、座舱触点和生产管理与质量这三部门对接，负责从需求对接、需求分析、数据获取、预处理、分析到撰写分析报告或者搭建看板；比如说，我们以「百公里能耗」作为北极星指标，建立对整车能耗的监控看板，分析能耗问题，推动整车能耗的优化；此外，我们会收集车辆语音埋点、大屏埋点和车辆信号等相关数据，按车辆对齐相关事件，建立车辆功能使用报表，对车辆的智能化功能渗透率、流失原因等进行分析，比如用户退出自动空调的原因、大屏UI设计的便捷性等等；
+    
+
+
+
+
+###### 1.  如何判断外采数据的质量：
+    
+    1.  空值占比、长时间的异常卡滞；
+    2.  物理限制：
+        1.  数据本身超限；
+        2.  变化情况：速度、加速度、力和力矩是否存在突变；
+    3.  各传感器的数据一致性：
+        1.  时空同步：视觉、触觉、位置、加速度、速度等传感器数据结果是否在时空环境下一致，比如：视觉显示夹爪已闭合，但力传感器读数是否符合对应的状态；
+    4.  多样性：各数据的差异性；
+
+###### 2.  数据探查：
+    
+    1.  分布：是否合理；
+    2.  是否有空值：确定空值的状态；
+
+###### 3. 数据预处理都做了哪些内容：
+    
+    1.  去重：每分钟只保留一个数据，按业务需求进行处理，一般取最大值，对于能耗相关的电流、电压等取均值，对于加速度保留两个值，一个最大一个最小；
+    2.  异常值处理：
+        1.  超出物理限制、空值：一般做剔除，如果业务上有需要可以做线性插值、取上一个有效值(状态)；
+    3.  标准化；
+    4.  事件对齐：按时间轴进行对齐，一般取最早的触发源；
+    5.  数据分段：
+        1.  行程划分；
+        2.  充电起止点；
+        3.  放电起止点；
+    
+###### 4.   UI设计分析：
+    
+    1.  数据获取：与业务方共同确定需要分析的功能，确定数据口径，确定埋点需求，提交埋点团队开发，并进行验证；
+    2.  数据预处理：
+        1.  去重；
+        2.  空值处理：
+            1.  对10s以内的空缺多取上一秒的数据填充，对于超过10s的数据丢弃处理；
+        3.  事件对齐和触发源确认：
+            1.  以vin码为单位，按时间轴对齐；
+            2.  同一时钟源的(车辆can等总线信号)：取功能激活前2s内的触发源；
+            3.  对非统一时钟源：取功能激活前后5s内的触发源；
+            4.  统一功能取时间上最早的触发源；
+        4.  操作结束：
+            1.  触发/调节某个功能后5s内不再操作屏幕；
+    3.  评价指标：
+        1.  单个功能的触发源占比；
+        2.  屏幕功能的操作步骤和操作时长；
+    
+###### 5.  空调策略：
+    
+    1.  我主导了自动空调退出行为的专项分析。这个项目的核心痛点是：**用户频繁手动接管自动空调，说明算法设定的‘舒适区’与用户真实体感存在偏差**。我的目标是通过量化这种偏差，为热管理控制策略提供精准的优化输入。
+        
+        #### 1\. 定义分析锚点与特征工程
+        
+        我没有简单对比退出前后的平均值，而是以 **‘用户手动退出自动模式’为事件锚点**，构建了时序特征矩阵：
+        
+        - **退出前状态（算法决策）**：提取退出瞬间及前30秒的风速、出风模式、目标温度、压缩机功率等自动控制参数；
+        - **退出后行为（用户真值）**：记录用户在退出后首次手动调节的目标值，以及后续5分钟内的稳定设定值；
+        - **环境上下文**：同步关联车外温湿度、光照强度、车速及座舱内多点温度传感器数据。
+        
+        #### 2\. 核心分析方法：偏差归因与场景聚类
+        
+        通过计算‘用户设定值’与‘算法输出值’的差值，我识别出三类典型退出动机：
+        
+        - **风速不适型**：算法风速 > 用户期望（占比最高），尤其在降温初期，算法为快速拉温采用高风速，但用户体感吹风感过强；
+        - **温度过冲型**：算法目标温度 < 用户期望，常见于冬季制热场景，算法为补偿冷启动过度加热，导致用户燥热；
+        - **模式冲突型**：自动模式切换出风口方向不符合用户习惯（如制冷时吹脸）。
+        
+        进一步结合环境数据进行聚类，我发现**60%的风速不适集中在‘夏季上车后10分钟内’且‘车内外温差>8℃’的场景**，说明算法在瞬态响应阶段的舒适性权重不足。
+        
+        #### 3\. 策略优化建议与落地
+        
+        基于上述洞察，我向热管理团队提出了分层优化方案：
+        
+        - **瞬态阶段**：在‘大温差+初始降温’场景下，将风速上限从10档降至7档，并引入30秒缓升斜坡，牺牲部分降温速度换取体感舒适；
+            
+        - **稳态阶段**：根据用户历史手动修正偏好，建立个性化舒适基线，对高频调低风速的用户自动下调默认风速曲线；
+            
+        - **交互反馈**：当检测到用户连续2次手动下调风速时，主动弹出‘是否调整为柔风模式’的快捷提示，减少操作步数。
+            
+
+            
+###### 6.  未拆包点数：
+    
+    1.  发现过程：调拨回国后，部分子仓的丢件率异常上升，对调拨单、海运订单、入库时质检人等进行下钻分析，发现部分质检人出现明显聚集情况，进一步调取该部分质检人的点数视频发现其存在较高比例的未拆包点数；
+    2.  后续处理：
+        1.  与运营、商务共同实锤违规事实：对疑似问题质检人的点数视频做全量上传，并进行抽样检查，确定其在全托业务中存在较高比例的未拆包点数操作；原本的状态是：只有半托和有问题的全托入库单才会上传视频，存在误判的可能，这些人确实存在在半托管业务中违规，但是并不是丢件率上升的真实原因；
+        2.  确定业务范围：考虑到全托管有丢件处罚兜底，半托管入库后就无法管控，并且考虑到实际的数据情况(半托管更严重)，第一期以半托管的管控为主；
+        3.  探索策略指标，确定高风险质检人筛选策略：从拆包点数的动作出发探索可能可以代表未拆包点数的指标：抽样对比，符合条件的质检人其未拆包点数占比远高于不符合条件的质检人；
+            1.  标签打印次数：与sku数量或种类相等；
+            2.  上报黑码的退货入库单数量：极低；
+            3.  最后一次打印标签与包裹入库完成时间差90分位数：较低；
+            4.  商品类别：不包括服装类sku；
+        4.  确定处罚逻辑：
+            1.  先按筛选逻辑确定高风险质检人，人工符合后
+                
+                日常报表体系
+                
+                支持业务快速查询数据  
+                处罚量和处罚率  
+                处罚进度跟踪
+                
+                对相关仓库进行警告和宣贯，向所有仓库明确告知6月1日后开始对未拆包点数进行考核；
+                
+            2.  按策略逻辑进行粗筛，再有运营人工复核，确定违规后进行处罚，初始阶段只处罚流入的入库单；
+                
+            3.  后续观察调拨回国的丢件率是否下降；
+                
+###### 7.  欺诈收货
+    
+    1.  发现：商务发现反馈，发现原因：该子仓客退收货量激增，且有物流商举报(仓库操作问题导致物流商被处罚，无轨迹)；
+    2.  复盘结果：
+        1.  复盘的思路：
+            1.  梳理整个退货流程各个环节，寻找可能存在的漏洞；
+            2.  寻找可以检测漏洞的数据指标；
+            3.  从每个环节的操作上入手，寻找典型的数据指标，比如时间、操作的凭证、操作所必然带来的信息；
+        2.  发现：
+            1.  时间类：
+                1.  从退货申请到仓库质检完成时间：异常子仓该时间的中位数明显偏低；
+                2.  从签收到仓库质检完成：异常子仓该时间的中位数明显偏低(但这个指标并不具有特异性，召回很低)；
+            2.  操作凭证类：
+                1.  点数视频无效率很高；
+            3.  其他：
+                1.  客退单无逆向物流轨迹的占比较高；
+    
+###### 8.  商家虚假备货：
+    
+    1.  发现：部分子仓的发货时效异常上涨，明显高于大盘的20%的限制；
+    2.  下钻分析：发现问题子仓中，发货时效长的订单集中于部分商家；
+    3.  确认原因：
+        1.  分析问题商家发货时效长的订单情况：发现该部分订单出现仓库接单反复失败的问题，接单失败原因为库存不足；
+        2.  与商务、仓库运营确认原因：部分商家的库存信息不准确，有两种可能：
+            1.  商家在合作仓内备货不仅提供给temu，还提供给其他电商平台，库存未及时同步；
+            2.  部分商家利用规则漏洞，将货备在当地低价仓库，有订单后再备货到合作仓，同时享受低价的仓储和运输费用；
+    4.  处理：
+        1.  对仓库：调整仓库失效计算的起点；
+        2.  对利用漏洞的商家，提交给对应团队进行处理；
+    
+###### 9.  能耗的影响(温度在25度左右，不开启空调，不用智驾)：相关性分析
+    
+    1.  相对正加速度；
+    2.  急加速次数；
+    3.  急减速次数；
+    4.  行程环境(城市、高速、拥堵)；
+    5.  平均车速；
+    6.  最高车速；
+    7.  怠速时间占比；
+    8.  制动能量回收设置(这个是环境变量)；
+    9.  行程环境：判断整个行程用户的用车情况，高速、城市和拥堵， 行驶里程大于10km的行程；
+        1.  平均车速；
+        2.  最高车速；
+        3.  车速在80km/h以上行驶里程占比；
+        4.  怠速时间占比；
+        5.  行驶里程；
+        6.  加减速切换，即加速之后紧接着就减速，对应严重拥堵情况；
+    
+###### 10. 驾驶风格识别模型：  
+    1\. 模型：  
+    1\. 数据指标：当车速大于15km/h，且总行驶里程大于10km：最大加速度、平均车速(不计怠速时间)、加速度方差、平均车速方差、最大冲击度、最大冲击度方差、每公里急加速次数/急减速次数、最大方向盘转角速度；  
+    2\. 数据预处理：  
+    1\. 归一化；  
+    2\. PCA；  
+    3\. kmeans聚类；评价：**轮廓系数；**  
+    4\. 验证：找同事开车进行实车验证，由其他同事打分；
+    
+###### 11. 驾驶事件识别模型：
+    
+    1.  模型：
+        1.  驾驶工况：
+            1.  以2分钟切分工况段；
+            2.  根据最大方向盘转角、最大方向盘转角速度和最大侧向加速度三个变量区分直行和侧向工况，根据不同车速点做选取不同阈值，就分两类(直行和侧向)，车速点 40，60，80，100(要求车速大于15小于100km/h)， 不同车速点之间采用线性插值；
+            3.  直线工况：根据不同车速范围划分加速度阈值，取90百分位的加速度值作为阈值基础，取0.5m/s2作为回滞；
+            4.  侧向工况：换道、车道保持、转向和其他，支持向量机(高斯核、OVO(没有数据不平衡的问题，总共是(4\*(4-1)/2)6个分类器)、软间隔、hinge损失函数)，
+                1.  指标 最大侧向加速度、最大质心转向角度、最大方向盘转角、方向盘转角速度；
+        2.  训练、验证数据采集：实车实验，can信号收集，实验工况记录及视频录像；
+        3.  评价：使用macro-f1作为评价指标，调试超参数C和γ；
+
+
+###### 12\. 能耗：
+	
+	能耗评价体系：电池、电机、热管理、行驶工况评价，与CLTC之间的差距；  
+	            1. 北极星：整车能耗(百公里能耗水平)  
+	            2. 一级指标：  
+	                3. 电机能耗  
+	                4. 热管理能耗  
+	                5. DCDC高压侧能耗  
+	                6. 电池SOC与能耗匹配情况  
+	                7. 用户行为  
+	            8. 二级指标  
+	                9. 电机  
+	                    10. 电机综合效率  
+	                    11. 电机制动能量回收效率  
+	                12. DCDC高压侧能耗：  
+	                    13. DCDC高低压侧转换效率  
+	                    14. DCDC低压侧用电器  
+	                        15. 热管理低压侧功率：电池水泵、电机水泵、鼓风机、风扇  
+	                        16. 其他低压侧功能使用情况：座椅加热、哨兵、ACU  
+	                17. 热管理：  
+	                    18. 座舱热管理功率  
+	                    19. 电池热管理功率  
+	                20. 用户行为：  
+	                    21. 行驶工况  
+	                    22. 驾驶风格  
+	                    23. 空调使用与设置  
+	                    24. 制动能量回收设置
+###### 13. 为啥要来蚂蚁灵波：
+“我想加入蚂蚁灵波，主要有三个原因：  
+	1. 第一是看好赛道与战略。具身智能是AI走向物理世界的必经之路，蚂蚁灵波依托蚂蚁集团的生态和技术底座，在这个赛道上的布局非常坚决，这让我看到了巨大的成长空间。  
+	2. 第二是认同团队务实的技术基因。我了解到灵波在模型训练中坚持使用海量真实物理数据，并且大方地开源了全栈工具链，这种不追求短期噱头、死磕底层技术、推动行业共建的极客文化，是我非常向往的。  
+	3. 第三是强烈的个人价值契合。灵波现在正处于商业化落地的关键期，需要强大的数据基建支撑。我过去在TEMU和集度汽车积累的从0到1搭建数据指标体系、跨部门推动问题落地以及数据资产治理的经验，刚好能在这个岗位上发挥价值。我非常渴望能加入灵波，为这个‘通用智能大脑’提供高质量的数据燃料，和公司一起成长。”
+
@@ -0,0 +1,59 @@
+
+###### 1. 自我介绍：
+
+	老师您好！我叫李振洋,我是17年毕业于吉林大学车辆工程专业，过去1年多时间是在TEMU这边主要负责海外认证仓和客退仓的风控策略开发。
+	
+	首先呢，我们主导搭建了TEMU海外认证仓和客退仓的日常业务监控与异动归因分析体系。我们会从业务量、异常单量比例、履约时效准确率等多个维度对业务进行日常的监控，并对业务异动进行异动归因，通过贡献度拆解等方法，下钻到区域、品类、物流商、店铺等维度，快速定位异动的根本原因，并与业务部门一起对异动进行及时干预。并且，我们还建立了对应的线上报表体系，可以支持业务部门快速查询日常运行数据和统计处罚进度等信息。
+	
+	此外，我们设计并落地了一套客退仓的风控机制和运营策略，去引导我们的服务商合规履约、降低平台的整体运营风险，提高用户的体验。同时，我们也引入AI算法，对重复性的工作进行替代，进行一些粗筛的工作，，在这个基础上，我人工复合结果，与算法同事一起对识别算法进行优化，显著提升监控准确率与召回率，形成“监控→识别→干预→迭代”闭环。
+	
+	同时，我也建立了认证仓库履约质量评价体系，基于履约及时率、履约失效等信息为子仓的履约质量打分，此外，我们会对履约质量严重低于大盘、保证金不足等等一些情况进行自动预警，提醒业务部门及时介入处理，对于长期不达标仓库自动发起处罚。同时，我们也会根据仓库的履约情况、异常单比例和其他的一些因素为业务部门提供巡仓优先级的建议，支持业务部门高效巡仓；
+
+	我个人的话，我觉得我是一个能吃苦、认真负责的性格，并且愿意去尝试新的事物和新的技术，并且我是一个外向、乐观开朗的人，可以很好的融入不同的团队。
+
+
+
+###### 2. 为什么离职：
+    
+    1. 拼多多：拼多多最近在裁员，被裁掉了； 
+    2. 集度：因为失业了，集度闪崩，基本已经把所有员工都裁掉了；
+        
+    3. 一汽：因为是已经在上海定居了嘛，所以当时去一汽的时候就是想转一个业务方向，所以当时就是规划了去一汽做3-5年的时间然后再回到上海，去年正好也有这样的机会，所以就回来了；
+        
+    4. 上汽：主要是因为当时的工作内容，上汽的职位更多的偏项目管理多一点，我自己是更想做技术，就是实际的技术研发多一点，另外，我个人对数据啊、算法、智能这些开发都非常感兴趣，当时正好一汽这边有这个机会就跳槽到了一汽这边；
+
+
+###### 3. 用三个词形容自己：
+    1.  谨慎：数据结果交叉验证，没有出过问题；
+    2.  快速学习：自学了python、sql和数据分析的基本知识，在一汽的时候，我曾经利用业务时间，在两周内自学了scala语言并基于scala开发了spark向TDengine写入超级表的writer；
+    3.  执行力强：
+
+###### 4.  拼多多的经验哪些可以用在新的工作上：
+    1.  异动的根因分析；
+    2.  构建“监控-干预-迭代”闭环的能力；
+    3.  对舆情风险的思考；
+
+###### 5. 缺点：
+    1.  过于关注一些细节；
+    2.  改善：对问题目标进行分析，明确问题的主线内容，在分析过程中围绕主线内容展开工作，防止自己陷入到对细节的纠结中；在保证主线问题保质保量交付的前提下，再考虑细节，作为锦上添花的内容；
+
+###### 6. **你通常通过什么方式，快速了解一个新接手业务部门（或区域）的运作模式和痛点？**
+
+1. 梳理现有的业务SOP和审批流，找出可能存在的效率瓶颈。 
+2. 第一时间拉取核心KPI、人效、流失率、客诉率等数据，建立对业务的初步量化认知。  
+3. 与业务负责人、一线店长和技师进行深度访谈，了解数据背后的真实业务体感。
+4. 如果条件允许，我会去实地巡店或参与业务复盘会，验证我的数据假设。通过这套组合拳，我能在短时间内精准定位痛点。”
+
+###### 5. 两个核心门店（或部门）在协作流程上发生激烈冲突，甚至影响了整体业绩，你怎么介入？  
+	
+	“处理冲突，我会坚持‘对事不对人，用数据说话’的原则。  
+	首先，我会分别私下沟通，安抚情绪并了解双方诉求；其次，我会拉取相关的业务数据（如客诉率、流失率、订单转化时长），用客观的数据还原事实真相，避免陷入主观的‘谁对谁错’争论；最后，我会组织三方复盘会，把大家的焦点重新拉回到‘如何提升整体业绩’这个共同目标上，并共同制定明确的协作SOP，从机制上杜绝冲突再次发生。”
+
+
+###### 6. 你过往的经历中，有哪些优势能让你胜任途虎的门店运营岗位？
+
+“我的核心优势在于**‘数据驱动业务的闭环能力’**。在过往的工作中，我不是单纯地看报表，而是能从海量数据中敏锐地发现业务异常。  
+另外，在上汽担任dre期间，所积累下来的协同沟通的能力，抗压的能力；
+再有就是，对车辆整体的系统性了解，有助于我加深对业务的理解，和更加顺畅的与门店、技师去沟通交流；
+
+