用 200 行 Python 给三个行业的 FDE 岗位做差异画像

原创

三合卓学

发布于 2026-11-03 13:46:40

850

同一个岗位名称，在律所、电商、制造三个行业几乎是三种职业——服务对象、数据环境、合规约束、考核锚点完全不同。与其靠感觉判断，不如把差异结构化：本文把三个行业的 FDE 岗位拆成 7 个可打分维度写成 JSON 配置，再用一个脚本完成两件事——生成岗位差异画像，以及计算你的背景与三个方向的匹配度。代码只依赖标准库，克隆下来就能跑。

一、维度模型设计

对比维度直接决定画像质量。从岗位职责里抽象出 7 个维度，每个维度 1–5 分：

维度	说明	1 分锚点	5 分锚点
compliance	合规约束强度	几乎无监管要求	出错即重大责任事故
data\_sensitivity	数据敏感度	公开数据为主	核心机密不可出域
realtime	实时性要求	批处理即可	毫秒级响应
iteration\_speed	迭代节奏	以季度计	以天甚至小时计
business\_coupling	业务耦合深度	标准化交付	深度嵌入业务流程
hardware	硬件/现场依赖	纯软件	必须下现场摸设备
fault\_tolerance	试错容忍度	可灰度可回滚	一次错误不可接受

二、岗位画像配置 industries.json

把三个行业的岗位画像写成配置，分值来自对公开招聘 JD 的归纳，你可以按自己收集到的 JD 调整：

{
  "weights": {
    "compliance": 0.18, "data_sensitivity": 0.14, "realtime": 0.12,
    "iteration_speed": 0.12, "business_coupling": 0.18,
    "hardware": 0.10, "fault_tolerance": 0.16
  },
  "industries": {
    "律所": {"compliance": 5, "data_sensitivity": 5, "realtime": 1,
             "iteration_speed": 2, "business_coupling": 4,
             "hardware": 1, "fault_tolerance": 1},
    "电商": {"compliance": 3, "data_sensitivity": 3, "realtime": 4,
             "iteration_speed": 5, "business_coupling": 4,
             "hardware": 1, "fault_tolerance": 4},
    "制造": {"compliance": 4, "data_sensitivity": 3, "realtime": 5,
             "iteration_speed": 2, "business_coupling": 5,
             "hardware": 5, "fault_tolerance": 1}
  },
  "my_profile": {"compliance": 3, "data_sensitivity": 3, "realtime": 4,
                 "iteration_speed": 4, "business_coupling": 4,
                 "hardware": 2, "fault_tolerance": 3}
}

注意 fault_tolerance 这个维度是反向的：分值越高代表行业越容忍试错。my_profile 填你自己的偏好——你在哪个维度上越强或越享受，就打越高分。

三、完整脚本 fde_profiler.py

#!/usr/bin/env python3
"""FDE 岗位差异画像与个人匹配度计算。仅依赖标准库。"""
import json
import math
import sys


def load_config(path: str) -> dict:
    with open(path, encoding="utf-8") as f:
        cfg = json.load(f)
    dims = set(cfg["weights"])
    for name, profile in cfg["industries"].items():
        missing = dims - set(profile)
        if missing:
            raise ValueError(f"行业[{name}]缺少维度: {missing}")
    return cfg


def weighted_distance(a: dict, b: dict, weights: dict) -> float:
    """加权欧氏距离，越小越匹配。"""
    return math.sqrt(sum(weights[d] * (a[d] - b[d]) ** 2 for d in weights))


def match_score(a: dict, b: dict, weights: dict) -> float:
    """把距离折算成 0-100 的匹配分。最大距离为 sqrt(sum(w) * 16)。"""
    max_dist = math.sqrt(sum(weights.values()) * 16)
    return round((1 - weighted_distance(a, b, weights) / max_dist) * 100, 1)


def render_report(cfg: dict) -> str:
    dims = list(cfg["weights"])
    industries = cfg["industries"]
    lines = ["| 维度 | 权重 | " + " | ".join(industries) + " |",
             "| --- | --- | " + " | ".join(["---"] * len(industries)) + " |"]
    for d in dims:
        row = [d, str(cfg["weights"][d])]
        row += [str(industries[name][d]) for name in industries]
        lines.append("| " + " | ".join(row) + " |")
    lines.append("\n## 个人匹配度")
    me = cfg["my_profile"]
    scores = {name: match_score(me, industries[name], cfg["weights"])
              for name in industries}
    for name, s in sorted(scores.items(), key=lambda kv: -kv[1]):
        lines.append(f"- {name}: {s} / 100")
    return "\n".join(lines)


if __name__ == "__main__":
    cfg = load_config(sys.argv[1] if len(sys.argv) > 1 else "industries.json")
    print(render_report(cfg))

运行：

python3 fde_profiler.py industries.json

输出示例（匹配分随你填的 my_profile 变化）：

| 维度 | 权重 | 律所 | 电商 | 制造 |
| --- | --- | --- | --- | --- |
| compliance | 0.18 | 5 | 3 | 4 |
...

## 个人匹配度
- 电商: 84.6 / 100
- 制造: 60.5 / 100
- 律所: 52.7 / 100

四、验证方法与扩展方向

验证模型是否有区分度，最简单的办法是做对照：把 my_profile 分别填成"极端合规偏好型"和"极端快节奏偏好型"，跑出来的第一名应该分别是律所和电商。如果排序不符合直觉，说明权重或锚点描述需要校准。

两个实用的扩展：一是新增行业时只改 JSON，脚本不用动，这本身就是配置化设计的好处；二是把招聘平台抓下来的 JD 文本过一遍关键词表（如"驻场""合规""大促""产线"），自动给 7 个维度预打分，再人工修正，能把画像的样本量从个位数扩到几十条。

岗位差异这件事，写出来是观点，结构化了才是工具。把判断依据留在配置里，三个月后你的想法变了，改的是数据而不是记忆——这也是工程思维对职业决策的一点实际帮助。

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

AIGC