• 开创性地为公司海量（EB级）的视频、图片、文档等非结构化数据建立了系统的治理体系。设计了“非结构化数据资产编目”方案，通过AI技术自动提取视频关键帧、生成字幕文本、识别物体和场景，为其生成丰富的结构化元数据，使其变得“可搜索、可管理、可分析”。
• 构建了“多媒体内容合规与版权治理”系统，利用图像识别、音频指纹和版权库比对技术，自动检测用户上传内容中的违规和侵权风险，每日审核内容百万条，准确率95%+，避免了巨大的法律风险。
• 实现的“非结构化数据生命周期管理”策略，根据内容的访问热度、业务价值和法律要求，自动制定其在不同存储介质（如热存储、冷存储、归档存储）间的流转和归档策略，年节省存储成本40%。
• 该体系将公司过去视为“成本负担”的非结构化数据资源盘活为“待挖掘的金矿”，直接赋能了内容推荐、智能剪辑、广告投放等业务场景。

• 深入业务部门痛点问题，主导了​​核心业务数据​​的质量专项治理项目，通过根源分析、流程重构和技术监控相结合，将新闻题材、素材等关键字段的差错率从​​万分之五降低至十万分之一​​。
• 负责​​素材、题材数据管理体系建设，统一了多个业务系统的ID映射与数据模型，确保核心实体数据在全公司范围内的​​一致性、唯一性和准确性​​，支撑了精准的营销和风控。
• 设计并实施​​数据访问权限最小化​​管控方案，基于数据分类分级结果，实现行级别和列级别的动态数据脱敏与精准权限控制，覆盖​​100%​​的敏感数据访问场景。

手游实时用户行为分析平台从0到1构建

• 项目背景：星途互娱作为年轻向手游研发商，原有用户行为分析依赖离线Hive任务（T+1产出），无法支撑运营实时调整活动策略、产品快速迭代用户路径优化；核心目标是构建**秒级延迟的实时用户行为分析平台**，覆盖客户端日志、服务器行为、第三方支付/广告等多源数据，赋能运营、产品、数据科学团队实时决策。
• 解决的关键难题：1）多源异构数据的实时统一处理（客户端SDK日志为JSON格式、服务器日志为Protobuf、支付数据为CSV）；2）高并发下的低延迟保障（峰值QPS达12万，要求99%数据处理延迟<1秒）；3）游戏场景定制化指标的快速输出（如“关卡30秒流失率”“付费转化漏斗实时转化率”）。
• 核心行动与创新：1）技术选型上，采用Flink 1.17作为实时计算引擎（基于其Exactly-Once语义和增量Checkpoint能力），结合Kafka做消息缓冲（分层topic设计：raw->buffer->processing，削峰填谷）；2）针对多源数据，自研**游戏事件统一解析器**，通过Avro Schema Registry实现JSON/Protobuf/CSV到统一事件模型（含用户ID、事件类型、时间戳、游戏服ID等12个核心字段）的自动转换；3）为支撑游戏运营的“场景化指标”需求，设计**动态指标计算框架**——基于Flink CEP定义用户行为序列模式（如“登录→进入关卡→道具购买”），实时输出漏斗转化、留存等20+定制指标。
• 项目成果：1）平台上线后，数据处理延迟降至平均450ms，支撑日均1.2亿条实时事件处理；2）覆盖运营（实时活动效果监控）、产品（用户路径流失点定位）、数据科学（实时A/B测试）三大团队，运营调整活动策略的时间从“次日”缩短至“实时”，单活动ROI提升28%；3）个人主导了平台架构设计与跨团队需求对齐，推动解决了“实时数据一致性”“高并发稳定性”两大核心技术问题，成为公司游戏运营的核心数据工具。

手游用户生命周期数据仓库重构与商业化赋能

• 项目背景：原有用户数据仓库基于传统Hive Star Schema设计，未贴合手游用户生命周期（拉新→促活→留存→付费→裂变）的业务特性，导致商业化分析（如付费用户LTV预测、渠道ROI拆解）需手动关联多表，周期长达3天，无法支撑投放策略优化；目标是重构**以生命周期为核心的分层数据仓库**，提升商业化分析效率与准确性。
• 解决的关键难题：1）原有模型灵活性不足（新增生命周期阶段需修改全量表结构）；2）跨域数据关联复杂（用户行为数据与付费数据来自不同业务库，join效率低）；3）LTV预测准确性差（原模型用线性回归，未考虑用户行为的时序特征）。
• 核心行动与创新：1）采用Kimball维度建模方法，重新设计**生命周期分层模型**——事实表分为拉新事实（注册、首玩）、促活事实（登录、互动）、付费事实（订单、ARPU）等5类，共享用户、渠道、游戏版本3大维度表，支持快速扩展新生命周期阶段；2）通过Hive Bucketing（按用户ID分桶）和分区（按日期+游戏服）优化跨表join性能，将付费行为与用户行为的关联时间从2小时缩短至15分钟；3）构建**时序特征工程 pipeline**——用Flink提取用户近7天的登录次数、关卡进度、道具使用等15个时序特征，输入XGBoost模型预测LTV，替代原有的线性回归。
• 项目成果：1）数据仓库重构后，商业化分析周期从“每周1次”变为“每日1次”，LTV预测准确性从71%提升至86%；2）支撑渠道投放优化，通过生命周期ROI分析淘汰低效渠道3个，获客成本降低19%；3）建立**数据质量监控体系**（用Apache Superset可视化监控数据完整性、准确性，如用户ID空值率从5%降至0.1%），个人推动数据仓库从“支撑分析”向“驱动商业化决策”转型，成为公司用户运营的核心数据资产。

• 大二观察到毕业生离校时大量教材被废弃，而新生购书支出占生活费12%，便发起校园书籍教材循环计划。为解决传统二手书交易效率低的问题，我们开发微信小程序实现扫码估价、预约取件功能，并说服快递中心以成本价承接物流。
• 通过建立翻新消毒标准打消卫生顾虑，项目年流通教材1.2万册，累计为同学节省书费38万元。这段经历让我从商业小白成长为能设计闭环模式的实践者，项目不仅获省级创业金奖，更被纳入学校官方服务体系延续至今。