互联网公司数据科学家数据挖掘绩效考核表

互联网公司数据科学家数据挖掘绩效考核表员工姓名：输入姓名 直接上级：输入姓名所在部门：输入部门 岗位编制：全职编制员工职位：输入职位 考核周期：输入部门考核维度指标名称权重目标值评分标准得分模型性能与业务价值模型准确率40%90%基于混淆矩阵计算准确率，达到目标值得满分，每低1%扣2分，最低得0分业务指标提升率15%根据模型应用后核心业务指标（如CTR、转化率）的提升比例评分，达到目标值得满分，每低1%扣1.5分，最低得0分模型召回率80%基于混淆矩阵计算召回率，达到目标值得满分，每低1%扣2分，最低得0分模型AUC值0.85根据ROC曲线计算AUC值，达到目标值得满分，每低0.01扣1分，最低得0分模型部署效率7天从模型训练完成到成功部署上线的时间，达到目标值得满分，每超1天扣1分，最低得0分数据处理与特征工程数据清洗覆盖率25%95%对数据集中主要异常值、缺失值、重复值的处理比例，达到目标值得满分，每低1%扣1分，最低得0分特征数量与有效性30个有效特征提取的特征中，通过业务验证或统计检验证明有效的特征数量，达到目标值得满分，每少1个扣2分，最低得0分特征工程效率20天完成关键特征开发并验证的时间，达到目标值得满分，每超1天扣0.5分，最低得0分数据质量稳定性98%特征工程后数据集的稳定性指标（如标准差波动），达到目标值得满分，每低0.01%扣1分，最低得0分特征复用率60%可复用于多个模型的通用特征占总特征的百分比，达到目标值得满分，每低1%扣0.5分，最低得0分模型创新与优化新算法尝试数量20%2种考核周期内尝试并验证的新机器学习算法或深度学习模型的种类数量，达到目标值得满分，每少1种扣5分，最低得0分模型迭代次数3次针对核心模型进行的优化迭代次数（显著提升性能或效率的调整），达到目标值得满分，每少1次扣3分，最低得0分模型解释性SHAP值平均解释度>70%通过SHAP等解释性工具评估模型关键特征的影响力，平均解释度达到目标值得满分，每低5%扣2分，最低得0分模型压缩率30%模型部署后的大小或计算复杂度压缩比例，达到目标值得满分，每低1%扣1分，最低得0分优化建议采纳率85%向业务或技术团队提出的模型优化建议被采纳并实施的比例，达到目标值得满分，每低1%扣1分，最低得0分团队协作与沟通需求理解准确度15%无重大偏差对业务方提出的需求的理解和模型实现的一致性，无重大偏差得满分，存在偏差按严重程度扣1-3分，最低得0分技术文档完整性100%模型开发过程中的技术文档（如实验记录、模型说明）的完整性和规范性，达到目标值得满分，每缺失或未规范一项扣1分，最低得0分跨团队沟通效率无延迟与数据工程、产品、算法等团队的沟通协作是否及时有效，无延迟得满分，存在延迟按严重程度扣1-2分，最低得0分问题响应速度4小时对线上模型问题或业务方反馈的响应时间，达到目标值得满分，每超1小时扣1分，最低得0分知识分享贡献1次/季度向团队内外的知识分享（如技术分享、培训）的次数，达到目标值得满分，每少1次扣3分，最低得0分本考核表旨在全面评估数据科学家在数据挖掘岗位上的工作表现，从模型性能、数据处理、创新优化及团队协作四个维度进行量化考核。请各考核人根据被考核人的实际工作情况，对照指标和评分标准进行客观评价。权重分配体现了岗位的核心职责要求，请确保评分的公正性和一致性。评分（分）维度一维度二维度三维度四维度五员工评分合计上级评分合计最终得分奖金系数=(员工评分合计*30%)+(上级评分合计*70%)=绩效面谈直接主管签名：被考核