1. 数据采集与边缘计算
•熟悉物联网（IoT）设备（如 RFID、传感器、智能摄像头）的数据采集与协议解析（如 MQTT、OPC UA）。
•掌握边缘计算框架（如 NVIDIA Jetson、AWS Greengrass），能在本地完成数据预处理（如降噪、特征提取）以降低云端负载。
2. 大数据处理与存储
•精通分布式计算平台（Hadoop、Spark、Flink），尤其擅长处理仓储场景中的时序数据（如库存波动、设备日志）。
•熟练使用关系型数据库（MySQL、PostgreSQL）和NoSQL 数据库（Redis、Cassandra），具备 SQL 优化和索引设计经验。
•熟悉数据湖 / 仓架构（如 Delta Lake、Hive），能构建仓储数据资产目录，支持多源异构数据融合（如 WMS、ERP、IoT 数据）。
3. 机器学习与智能算法
•掌握预测模型（LSTM、Prophet）用于库存需求预测，或优化算法（遗传算法、强化学习）实现货位分配、路径规划。
•熟悉计算机视觉技术（如 YOLO、ResNet），能通过图像识别完成货物质检或盘点。
4. 实时处理与流计算
•精通流数据处理框架（Apache Kafka、Flink），能设计毫秒级响应的异常检测系统（如库存突增预警、设备故障预测）。
•熟悉低延迟架构（如 Kafka Connect+Flink SQL），支持实时数据与历史数据的关联分析（如实时订单与库存水位的联动）。
5. 数据治理与质量管控
•制定数据标准（如物料编码规范、订单状态定义）和质量规则（如完整性校验、异常值清洗），确保数据可用率达 99% 以上。
•熟悉数据血缘与影响分析工具（如 Apache Atlas），能追溯数据变更对业务指标的影响（如某批传感器数据异常导致库存预测偏差）。