FDE Times 数据在招 FDE 职位 924▲33 近 7 天在招职位数的变化(同口径比较):不计入本周新开始追踪的公司的职位近 7 天新增 80在招公司 196支持远程 25%美国薪资中位数 $200k招聘最多 Databricks 107
ENVI

前线部署工程师(FDE)的专业媒体

技能指南 · 指南

前线部署分析师先问:数据能回答什么

Electric Twin 和 PromptQL 都在招这个岗位,Palantir 称之为部署策略师,数据、研究和咨询背景的人可由此入行。

分享微博

要点速览

  • 前线部署分析师是 AI 公司里真实存在的岗位:负责连接平台与终端用户、导入客户数据、诊断数据问题。
  • 据 Paraform 的说法,相关岗位部署策略师负责“为什么”和“做什么”,FDE 负责“怎么做”,即数据管道和 schema。
  • 入行路径包括数据分析、市场研究、咨询或面向客户的岗位;招聘启事提到的两项技能是 Python 和 SQL。
堆叠横条图展示一份 4,000 行的调查文件:3,480 行有年龄(蓝色),520 行缺少年龄(橙色,占 13%)。注释:先问客户,这可能来自一个不询问年龄的调查渠道,删掉这些行会让结果产生偏差。
在把数据加载到平台之前做剖析时,4,000 行中有 520 行无法归入任何年龄段。这个缺口必须由客户解决,分析师不能自行决定。来源:文中的假设案例(为一家连锁零售商导入调查文件)。

Electric Twin 和 PromptQL 都在招一个大多数工程师从没听说过的岗位:前线部署分析师(Forward Deployed Analyst)。Electric Twin 把这个岗位描述为连接其 AI 平台与终端用户的关键桥梁。

设想你和新客户合作的第一周。你带着 API 文档和一个运行流畅的演示到场,但坐在对面的是对方的分析负责人。她不问该调哪个接口,而是问:公司现有的数据,能回答哪些问题?

这个问题属于另一个角色。工程师仍然应该把它弄懂,因为在没有人担任这个岗位的团队里,这份工作往往会落到工程师头上。

一个角色,多种叫法

Electric Twin 的招聘启事写明了核心任务:导入每个客户自己的数据集,在“合成人群”(synthetic population)上设计查询。

分析师还要诊断数据问题,并与工程团队合作改进平台。他们在公司内部代表客户发声,收集一线反馈,帮助决定产品的优先级。

PromptQL 也在招前线部署分析师,要求熟练掌握 SQL、数据转换技术和现代分析工具。

在那里,分析师全程陪伴客户:从最初的需求调研,到签约之后客户有效使用产品、逐步扩大规模的阶段。

他们还要帮助公司的 AI 分析助手达到企业级的准确度。

在 Palantir,最接近的角色是部署策略师(Deployment Strategist)。他们到客户现场,与客户的分析师会面,了解对方需要回答的关键问题;深入客户的问题和工作流,找到相关数据集;再与前线部署工程师(FDE)合作,把数据接入稳定的数据管道。

名称不同,但属于同一类角色:都贴近用户,都与客户的数据打交道。对于策略师,Paraform 这样概括分工:策略师负责“为什么”和“做什么”,FDE 负责“怎么做”,也就是搭建数据管道、设计 schema。

Scaler 按写代码的多少给 Palantir 的三个岗位排序:策略师有技术背景,但写的代码最少。代码写得少,不等于这个角色不懂技术:Paraform 列出的策略师技能包括 SQL 和 Python,以及通过数据分析证明投资回报率(ROI)。

FDE

  • 负责“怎么做”:数据管道、schema
  • 据 Scaler 的说法,写的代码比策略师多

分析师 / 策略师

  • 策略师负责“为什么”和“做什么”
  • 导入客户数据,诊断数据问题
  • 通过数据分析证明 ROI,把反馈带回产品

一次数据导入是什么样的?

看一个假设的案例。一家连锁零售商想知道哪些客户群体会对新的会员计划感兴趣,发来一份 4,000 行的调查文件。

工程师首先想到的是加载文件。分析师的起点不同:先把问题改写成数据能回答的形式,比如“按年龄段和地区统计的感兴趣比例”。

这个问题需要两列:年龄和地区。所以第二步是在动平台之前,先对这两列做数据剖析:

SELECT
  COUNT(*)                     AS total_rows,
  COUNT(age)                   AS rows_with_age,
  COUNT(DISTINCT region)       AS distinct_regions,
  SUM(CASE WHEN age < 16 OR age > 100 THEN 1 ELSE 0 END) AS odd_ages
FROM survey_raw;

假设结果显示共 4,000 行,但只有 3,480 行有年龄。剩下 520 行,即 13%,无法归入任何年龄段。客户说他们有 7 个地区,查询却数出 9 个,因为 “North” 和 “north “(末尾带空格)被算成了两个;另有 37 行的年龄明显不合理。

分析师的真本事就体现在这里:判断每个问题该由谁处理。重复的地区标签,自己规范化即可。缺少年龄的 520 行需要去问客户,因为它们可能来自一个从不询问年龄的调查渠道,直接删掉会让结果产生偏差。

如果平台无法标记缺少某个属性的行,就应该给工程团队提工单,而不是自己悄悄打补丁。

最后是汇报。给客户的分析师,需要一页纸讲清方法,并明确说明 13% 的数据缺少年龄。给管理层,一句话就够了:先针对哪个群体,把握有多大。

明天就能做的五步

  1. 和使用数据的人坐下来谈,也就是客户的分析师,而不只是签合同的人,把他们真正需要回答的问题记下来。
  2. 把每个问题翻译成具体的列、筛选条件和分组方式。如果做不到,说明问题还不够清楚,不能开工。
  3. 在把数据加载到平台之前,先针对这些列做数据剖析。
  4. 把错误分成三类:自己能修的、必须问客户的、产品本身的局限。
  5. 针对不同受众,用各自合适的层次汇报;把第三类错误整理成具体的反馈,交给工程团队。

常见的坑

最常见的错误是先加载数据、后提问题,结果优化的是一个没人提出的问题。第二个是“清洗”数据时删掉麻烦的行却不告诉客户,而恰恰是这些行可能藏着最重要的信号。

第三个是对所有层级用同一份汇报。分析师要看方法,管理者要看决策,把两者塞进一张幻灯片,谁的需求都满足不了。

最后一个是把产品反馈当成顺手的事。Electric Twin 的招聘启事明确把“将一线反馈纳入产品优先级”写进了岗位职责。

你在这条路上处于什么位置?

如果你是工程师,所在团队没有专职的分析师或策略师,那么分析师的工作很可能早已由你承担,只是没人这么叫。把它写进简历,用一句话讲清问题、数据、发现的错误和结果,而不是写“处理客户数据”。

例如:“为客户导入调查数据,在分析前发现 13% 的记录缺少属性”。这里的 13% 只来自上文的例子;在你自己的简历上,要用自己项目中的真实数字。

如果你是从另一个方向转过来,Electric Twin 的招聘启事说明这扇门比你想象的更宽。它要求 2-5 年数据分析、市场研究、咨询或面向客户的技术岗位经验,外加扎实的 Python;PromptQL 还要求 SQL。所以这两项技能最值得先练。

看招聘启事时,留意 “onboarding custom datasets”、“diagnose data issues” 或 “customer analysts” 这类表述,不管岗位叫什么名字,都能认出它。

工程师习惯问系统是怎么运作的,分析师会问它是用来做什么的。最好的 FDE 在写下第一行代码之前,会先自己问出第二个问题。

这篇文章对你有帮助吗?

6 个信源
路线图上的下一篇 · 阶段 1: 基础认知合同签完,FDE 为什么还留在客户身边Palantir 和 Anthropic 的招聘启事反复出现“生产环境”一词,读懂它,就知道投递前该练什么。