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%

星途短视频用户行为全链路实时分析平台建设

• 项目背景：公司短视频业务快速增长，但原离线Hive分析系统存在2-4小时延迟，无法支撑运营团队对热点事件、用户流失的实时响应，也无法为推荐系统提供分钟级更新的实时特征。核心目标是从0到1搭建秒级延迟的用户行为全链路实时分析平台，覆盖埋点接入、数据清洗、指标聚合到多端输出的全流程，支撑运营决策与推荐优化。我在项目中担任总负责人，统筹需求、架构设计与落地。
• 关键难题：①跨端（APP/小程序/H5）埋点格式不统一，导致数据清洗耗时且易出错；②实时计算中1小时以上长窗口的状态管理易引发内存溢出与性能瓶颈；③高并发下（峰值15万/秒事件）数据一致性难以保障。技术上，我主导用Protobuf定义32类用户行为（观看、点赞、评论、分享、完播）的统一Schema，推动产品、客户端团队完成20+端的埋点改造；选择Flink CDC从Kafka实时消费数据，结合RocksDB状态后端与增量Checkpoint机制，将状态存储成本降低40%同时保障容错；设计“滑动窗口（1分钟）+会话窗口（30分钟无行为断开）”组合策略，解决长窗口与短周期指标的精准计算问题。
• 核心行动：①牵头梳理《用户行为埋点规范》，建立“事件-属性-枚举值”三级标准，通过自动化校验工具拦截90%以上的脏数据；②针对实时聚合指标（如实时完播率、互动转化率）的性能瓶颈，优化Flink算子并行度（从8并行提升至24并行）与内存管理策略，将单节点处理能力从5万/秒提升至18万/秒；③构建分层数据架构：ODS层（Kafka存储原始事件）→DWD层（Flink实时清洗去重）→DWS层（按用户/内容/场景聚合实时指标）→ADS层（对接BI工具Tableau、推荐系统Flink Job），确保数据链路的低耦合与高扩展性。
• 项目成果：平台上线后，实时处理延迟稳定在500ms内，支持峰值12万/秒事件处理；沉淀“直播间实时互动率”“短视频实时完播转化漏斗”“用户实时流失预警”等15个核心运营指标，帮助运营团队在某热点事件中快速调整推荐策略，相关视频曝光量提升45%；推荐系统实时特征更新频率从天级提升至分钟级，驱动短视频整体点击率增长18%。我个人主导了架构设计与关键模块开发，解决了跨端数据一致性与实时状态管理的核心问题，该平台已成为公司短视频业务的“实时决策大脑”。

星途社区内容标签体系与实时推荐引擎优化

• 项目背景：公司社区推荐系统依赖离线静态标签（每日凌晨更新），无法捕捉用户实时兴趣变化——例如用户刚观看“新手化妆教程”，推荐结果仍以“美食测评”为主，导致点击率仅7.2%，用户留存率下滑。我的目标是重构内容标签体系，实现标签动态更新，并优化推荐引擎的数据链路，提升推荐的时效性与精准度。项目中我负责标签实时化改造与推荐数据层优化。
• 关键难题：①离线标签无法反映用户近期行为，导致推荐“过时”；②内容标签以粗粒度（如“美妆”“美食”）为主，缺乏细粒度分类（如“美妆-新手教程”“美食-烘焙测评”），推荐泛化严重；③实时数据链路长（行为→日志→计算→标签更新需40分钟），无法支撑推荐的实时性。技术上，我引入BERT细粒度内容分类模型，对社区100万+条内容进行重新打标，建立“一级标签+二级细粒度标签”的体系（如“美妆”下含25个二级标签）；用Flink实时处理用户近15分钟的行为（播放、点赞、评论），动态调整内容与用户的标签权重（如实时观看“新手教程”的用户，“美妆-新手”标签权重提升至80%）；优化数据链路，用Kafka替代原有的ActiveMQ，将消息传递延迟从15分钟降至3分钟。
• 核心行动：①牵头梳理社区内容的细粒度标签体系，联合内容运营团队标注50万条样本，训练BERT模型实现自动化打标，标签准确率从75%提升至92%；②开发实时标签计算模块，用Flink的KeyedProcessFunction实现“用户行为→标签关联→权重更新”的实时流程，支持每秒10万+条行为的处理；③对接推荐系统，将实时标签特征占比从20%提升至50%，优化特征工程中的“近期兴趣得分”计算逻辑（采用指数衰减加权，突出最近30分钟的行为）。
• 项目成果：推荐点击率提升至8.9%（增长24%），用户日均使用时长增加18分钟；内容标签覆盖率从68%提升至96%，覆盖更多垂类内容；实时标签计算延迟降至8分钟内，支撑推荐的“实时兴趣捕捉”。我个人设计了动态标签体系与实时数据链路，推动推荐系统从“离线静态”向“实时动态”升级，该项目使社区用户30日留存率提升12%，成为社区业务的核心优化案例。

• 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。