负责平台到店餐饮业务用户行为与商家运营数据洞察，支撑营销活动效果优化、商家分层运营策略制定及用户体验提升，联动产品、运营团队推动数据驱动业务落地

• 主导到店餐饮营销活动效果评估体系搭建，针对活动链路长（APP曝光→小程序领券→商家POS核销）、跨端数据分散痛点，融合RFM（最近消费、消费频率、消费金额）与LTV（生命周期价值）模型做用户分群，用Spark完成多源数据实时关联处理，构建“曝光点击率-领券转化率-核销率-ROI”全链路归因框架；推动与市场部共建活动效果评分标准（含投入产出比、用户新增留存、商家GMV拉动三项核心指标），上线后首季度活动ROI较前半年提升23%，无效投放成本下降18%，该体系被纳入平台营销活动SOP
• 核心参与腰部商家分层运营策略优化，用K-means聚类结合商家GMV、复购率、客单价、流量获取能力四维度，将到店商家划分为头部/腰部/尾部/新入驻四类；针对腰部商家“流量转化低、运营能力弱”的共性痛点，联合运营做12家商户深度访谈，设计“专属流量位扶持+每周1次运营培训”定向策略，通过A/B测试验证（实验组vs对照组），腰部商家GMV月均增长15%，30天留存率提升12%
• 重点解决用户下单转化率低问题，通过用户行为漏斗分析发现“支付环节跳出率”达32%（行业均值25%），结合热力图定位支付页“地址填写+支付”两步操作冗余，用漏斗归因模型确认该步骤贡献40%的跳出率；推动产品优化支付流程（合并两步为一步），上线后下单转化率从28%提升至33%，月均增加订单量12万单，对应GMV提升180万元
• 搭建到店商家健康度监测体系，基于平衡计分卡理论从财务（GMV、毛利率）、客户（复购率、好评率）、内部流程（订单处理时效、库存周转率）、学习成长（培训参与率、数字化工具使用率）四维度设计23个指标，用Tableau搭建实时看板；设置“复购率连续3周下降超10%”“库存周转率低于行业均值20%”等预警规则，帮助运营团队提前触达高风险商家（月均预警45家），商家主动沟通率提升25%，季度流失率从11%降至8%

负责平台到家业务基础数据统计与洞察，支撑运营活动复盘及日常问题解答，逐步参与核心业务分析项目

• 主导到家业务订单异常波动监测与归因，用ARIMA时间序列模型监控区域订单量，当某城区订单量骤降15%时，联动天气数据（当日暴雨红色预警）、竞品动作（某平台发放满30减15优惠券）及自身物流数据（骑手接单率从85%降至60%），定位“物流时效延长导致用户取消订单”核心原因；推动运营调整该区域配送资源（增加骑手补贴、开通暴雨专用通道），次日订单量恢复至正常水平98%，该归因方法被纳入异常问题处理手册
• 参与到家用户留存提升项目，用cohort分析拆解不同渠道用户留存——抖音引流用户30天留存仅18%（整体25%）；通过用户问卷（回收1200份）及行为路径分析发现，抖音广告强调“1元购”但实际商品缺货率达35%，导致用户预期不符；推动市场部优化广告素材（替换为真实用户评价+价格对比图），抖音引流用户30天留存提升至23%，季度新增用户留存贡献超5000人
• 搭建到家业务指标自动化日报体系，用Python+Pandas整合订单、用户、骑手三方数据，自动生成包含“订单量、客单价、骑手接单率、好评率”等12个核心指标的日报，替代原人工统计（2小时/天），效率提升60%，数据准确性从90%提升至99%，释放的人力用于做“周末客单价高于工作日20%”的趋势分析，推动运营上线“周末家庭套餐促销”，周末订单量增长18%

协助数据分析师做基础数据处理与报表生成，参与简单业务问题分析，学习数据驱动决策逻辑

• 协助搭建业务指标口径字典，梳理到家业务112个指标的定义、计算逻辑及取数来源（如“有效订单”明确为“未退款且完成配送的订单”），解决之前市场部与运营部“订单量”定义冲突问题（前者含退款、后者不含），跨部门数据沟通效率提升40%，该字典成为公司数据资产核心文档
• 参与用户调研数据量化分析，用SPSS对2000份用户反馈做因子分析，将“配送慢、餐品凉了、客服半天不回复”等23个问题归纳为“配送时效”“商品质量”“客服响应”三大核心维度；输出《用户痛点优先级报告》，推动运营将配送时效问题解决优先级从第三提升至第一，后续该维度用户投诉量下降30%
• 自动化处理日常数据报表，用Excel VBA生成周度运营报表（含各区域订单量、客单价、复购率），原需手动复制粘贴10个表格（1天/周），现仅需1小时；释放时间后做“周五客单价较周一高15%”的简单趋势分析，推动运营上线“周五下班餐促销”，周五订单量增长12%，该自动化流程沿用至今

游戏用户生命周期价值（LTV）精准预测与精细化运营体系搭建

• 星途互动作为休闲游戏研发商，面临月活30日留存从28%降至22%、运营精准触达转化率仅11%的困境。我的目标是主导搭建LTV预测模型与运营体系，解决“无法识别高价值用户、资源投放低效”的核心问题，支撑运营决策从“拍脑袋”转向“数据驱动”。
• 项目难点在于传统LTV模型仅依赖静态特征（如累计付费），无法捕捉游戏用户行为序列（如关卡进度、社交互动）的动态影响，且实时性不足难以支撑运营决策。我选择融合XGBoost与生存分析模型，同时搭建实时特征 pipeline 突破这一瓶颈。
• 首先梳理用户全生命周期行为链路，定义30/60/90天LTV计算口径（ARPU×留存率）；接着提取200+维度特征——包括用户基础属性、Transformer编码的近30天行为时序特征（如首次付费时间、关卡通关率）、社交关系特征（好友活跃度、公会贡献值）；然后通过10+种模型组合交叉验证，确定“XGBoost处理结构化数据+Cox比例风险模型捕捉流失风险”的最优方案，预测准确率较单一模型提升18%；最后用Flink搭建实时特征计算平台，将模型结果小时级同步至运营后台，支持实时策略调整。
• 项目上线后，运营针对高LTV用户（预测前20%）的精准触达转化率提升至52%，单用户ARPU较对照组高27%，年新增营收约1200万。我主导了从需求调研、模型设计到运营落地的全流程，推动建立LTV监控 dashboard（覆盖用户分层、策略效果追踪），成为公司核心运营决策工具，个人获Q4“业务突破奖”。

短视频推荐算法效果归因与资源优化体系构建

• 云影作为短视频平台，推荐算法迭代频繁但效果归因模糊——“首页推荐”“关注页推荐”等渠道的贡献无法量化，导致低价值渠道占用30%流量。我的目标是构建归因体系，明确各推荐位价值，解决“资源投放盲目”问题，支撑算法与运营协同优化。
• 难点在于用户内容消费路径复杂（平均4.2步），传统last-click归因高估末端渠道、低估中间环节，结果失真。我需要用Shapley值模型解决合作博弈中的贡献分配问题，同时处理高维用户路径数据的计算效率瓶颈。
• 首先定义转化事件为“视频观看时长≥5分钟”，梳理用户从曝光到转化的全路径日志；然后用蒙特卡洛近似法实现Shapley值归因模型，将单用户路径归因时间从15分钟缩短至1分钟，解决高维稀疏数据计算问题；接着通过A/B测试验证模型——对比发现Shapley模型下“首页轮播图”贡献度从15%升至28%、“详情页关联推荐”从12%升至22%，修正了last-click的低估偏差。
• 归因体系上线后，运营调整资源分配：将“首页轮播图”流量提升40%、关停低贡献的“底部浮窗推荐”。结果首页轮播图点击率提升33%，长视频人均观看时长增加22%，内容分发人均观看次数增长18%。我主导了模型技术方案设计与落地，推动数据仓库整合10+张行为日志表，输出《推荐算法效果归因报告》，成为算法团队迭代的核心依据。

• 因痛心于年轻人对历史的疏离，我在B站创立「古人脱口秀」栏目，用职场梗解构历史事件（如《雍正皇帝的KPI保卫战》）。通过设计「颠覆认知-史料佐证-现代共鸣」三幕剧本模板，单期视频最高收获1.7万条弹幕互动。
• 两年间栏目播放量突破180万，作品被多地中学选为教学素材。这段经历磨砺出将学术内容转化为大众语言的能力，也让我理解到真实用户反馈才是创作者的指南针。