负责电商平台数据中台核心组件（数据接入、计算调度、元数据服务）的架构设计与迭代，支撑营销、供应链、客服等10+业务线的实时与离线数据需求，保障平台SLA达99.9%

• 主导数据湖仓一体平台升级，基于Apache Hudi与Flink构建用户行为数据增量处理链路，替代传统Hive T+1同步方案；通过优化Hudi的COW表合并策略与Flink的Checkpoint间隔，解决亿级数据实时更新的性能瓶颈，数据处理时效性从T+1提升至5分钟内，支撑推荐系统的实时特征生产，推荐点击率较之前提升8%
• 设计并落地实时计算任务智能调度系统，基于Airflow扩展自研引擎，引入任务依赖动态解析（支持嵌套依赖与跨任务参数传递）与资源弹性扩缩容机制（基于YARN队列负载自动调整TaskManager数量）；将任务失败率从5%降至0.8%，大促期间计算资源利用率提升30%，避免了因资源不足导致的任务积压
• 重构元数据服务平台，采用Neo4j图数据库存储数据血缘关系（覆盖表-字段-任务-指标全链路），结合Redis分布式缓存（设置15分钟过期策略）优化查询性能；元数据查询响应时间从2秒缩短至200毫秒，支持100+并发查询，帮助业务分析师快速定位数据来源，数据问题排查时间减少75%
• 落地数据平台多活容灾方案，基于阿里云杭州与上海双可用区部署，实现计算节点（Flink TaskManager）与存储节点（HDFS DataNode、Hudi表）的跨区域异步同步；通过Flink Checkpoint持久化到OSS与Hudi Timeline机制保障数据一致性，故障恢复时间从2小时缩短至15分钟，全年平台可用性达到99.95%

负责电商平台用户行为与交易数据的ETL开发及离线数据仓库构建，支撑营销活动效果分析、用户画像标签生产等业务需求

• 主导用户行为数据全链路ETL优化，基于Sqoop+Spark技术栈，针对传统单分区全量同步的痛点，设计「按天分区+动态并行度」策略（根据数据量自动调整Spark Executor数量）；将每日6亿条行为数据的处理时长从6小时缩短至1.5小时，支撑大促期间实时用户分群与精准触达需求，某次618活动的优惠券核销率提升5%
• 核心参与交易数据仓库维度建模，遵循Kimball方法论设计星型模型，整合订单、商品、支付3大域15+原始表，产出「用户交易汇总」「商品销售趋势」等20+核心主题表；日均处理数据量达1TB，支撑运营团队完成周度经营分析与促销策略调整，某季度新品类销售额因数据驱动的选品策略增长18%
• 优化数仓元数据管理，使用Apache Atlas搭建元数据仓库，通过自定义钩子（Hook）实现数据血缘自动采集（覆盖ETL任务、SQL查询），并开发可视化界面展示表-字段-任务的上下游关系；将数据问题定位时间从4小时减少至30分钟，提升跨团队（数据开发、业务分析师）协作效率
• 支撑营销活动数据需求，开发活动效果实时看板，基于Flume收集APP埋点数据（点击、加购、下单），通过Kafka传输至Spark Streaming做实时聚合（计算活动期间的PV、UV、转化率）；结合Redis缓存热点数据，活动数据延迟控制在5秒内，帮助运营团队及时调整优惠券发放策略，某次双11活动的ROI提升12%

星途互娱用户行为实时数仓及个性化推荐支撑平台建设

• 项目背景：公司短视频、直播业务月活突破5000万时，原有离线数仓（Hive+MySQL）无法满足实时推荐、活动运营的即时数据需求——实时推荐延迟超5分钟，活动效果报表需T+1产出，导致用户体验下滑、运营决策滞后。我的核心目标是搭建一套低延迟、高一致性的实时数仓体系，支撑推荐系统秒级数据供给及运营实时监控，同时保障数据可扩展性。
• 关键难题与技术选型：①多源数据整合：APP、小程序、微信/支付宝支付网关的数据格式异构，增量同步易丢包；②低延迟与一致性平衡：原有Spark Streaming任务延迟高且无法保证Exactly Once，推荐数据常重复或丢失；③资源调度冲突：实时任务抢占离线资源，频繁导致任务积压。针对这些问题，我选用Flink作为实时计算引擎（支持毫秒级延迟与Exactly Once语义），用Kafka做统一消息队列承接增量数据；通过Canal同步MySQL业务库的变更日志到Kafka，再由Flink解析并关联用户行为数据；设计“实时ODS-DWD-DWS-ADS”四层架构，O层存原始事件，DWD做维度关联（用户-视频-主播），DWS聚合实时指标（如用户10分钟内互动频次），ADS输出推荐特征与运营报表。
• 核心行动与创新：主导完成架构设计与《实时数据处理规范》输出，对齐数据产品、算法团队需求；优化Flink资源配置——采用YARN队列隔离实时与离线资源，结合动态扩缩容策略（根据Kafka Partition数自动调整TaskManager数量），将任务延迟从5分钟压至10秒内；针对“用户行为计数”类任务，提出“随机前缀+两阶段聚合”方案（先局部聚合再全局汇总），解决数据倾斜问题，任务运行时间缩短40%；协调算法团队校准推荐特征口径，确保实时特征与离线模型兼容。
• 项目成果：平台支撑了公司3条核心业务的实时推荐与运营，实时推荐点击率从1.8%提升至2.3%（+28%），活动转化率提升15%；实时数仓复用率达80%，节省后续项目底层开发成本超200万元；我主导的“实时数据一致性方案”被纳入公司大数据技术标准，成为后续实时项目的参考模板。

星途互娱会员生命周期管理数据平台建设

• 项目背景：公司会员体系存在“数据分散、标签模糊、运营粗放”痛点——会员数据散落在注册、消费、互动系统，字段不统一；运营无法精准识别“潜在/流失会员”，营销活动ROI仅1.2（行业平均1.5）。我的目标是整合全链路数据，搭建生命周期数据平台，支撑精准分层运营，提升会员价值。
• 关键难题与技术方案：①ID-Mapping：各系统会员标识不统一（注册用手机号、消费用用户ID），需打通跨系统数据；②模型落地：传统RFM模型未结合互动行为（评论、分享），生命周期划分不准确；③实时性：运营需要实时查看标签变化，原有Spark Daily批量计算无法满足。解决方案：用Spark做批量处理，通过Redis-based ID-Mapping工具统一会员ID；重新设计标签体系——包含基础属性、价值属性、行为属性、生命周期阶段（潜在/成长/成熟/流失）；基于改进RFM模型（加入互动行为权重）结合K-means聚类，实现生命周期自动化划分。
• 核心行动与决策：主导梳理12个业务系统的会员数据字典，完成ID-Mapping，会员ID统一率从60%提升至95%；开发会员标签计算任务，每天凌晨更新“高价值成长会员”“即将流失会员”等20+核心标签；与运营团队合作，通过A/B测试定义生命周期阈值（如成熟阶段需“近30天消费≥2次+互动≥5次”），并搭建标签可视化界面支持实时查询。
• 项目成果：平台上线后，会员标签覆盖率从60%提升至95%，运营挽回流失会员的ROI从1.0提升至1.4（+40%），“高价值成长会员”ARPU值同比增长25%；公司会员数量从800万增长至1080万（+35%），超额完成年度目标；我主导的“会员生命周期数据模型”获公司技术创新奖，成为会员运营核心工具。

• 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。