Update from Sync Service

工作笔记/找工作/小鹏.md

@@ -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；
+
+ 
+
+### 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。
+
+ 
+
+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；
+
+ 
+
+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：