负责公司级数据中台平台核心模块（数据接入、元数据管理、自助分析）的架构设计与迭代，支撑营销、供应链等8条业务线的实时与离线数据需求，保障平台稳定性、扩展性及业务响应效率

• 主导数据平台「湖仓一体」架构升级，基于Apache Iceberg替换原有Hive存储层，结合Flink CDC实现MySQL、Oracle等业务库的实时增量同步（覆盖120+张业务表），解决原有T+1延迟痛点；通过Iceberg分区剪枝、谓词下推及Z-order索引优化，核心业务数据查询 latency 从6小时压缩至15分钟内，查询性能提升40%，支撑大促期间实时用户画像与库存预警场景的需求
• 核心重构企业级元数据管理系统，基于Apache Atlas搭建元数据中台，整合数据平台内2000+张表、100+个数据源（含业务库、埋点、第三方API）的元数据；设计「业务术语-技术元数据-指标」三层映射模型，实现元数据自动采集、血缘追踪（覆盖95%以上ETL链路）与影响分析；上线后业务人员查找目标数据时间从2天缩短至1小时内，数据团队元数据维护成本降低35%
• 负责自助分析模块深度迭代，基于Superset二次开发集成公司用户标签系统与商品维度库，新增「自定义指标计算引擎」（支持SQL-like语法+可视化拖拽配置），满足运营人员对「新客首单转化率」「老客跨品类复购率」等个性化指标需求；迭代后自助分析工具使用率从30%提升至75%，运营活动策略调整周期从1天缩短至4小时
• 牵头平台性能优化与容量规划，通过Prometheus+Grafana搭建实时监控体系，定位大促期间Flink任务状态后端延迟、HDFS热点文件读写等瓶颈；优化Flink Checkpoint策略（从固定间隔改为基于吞吐量自适应调整）、HDFS数据分桶规则（按用户ID哈希+时间维度），大促期间平台CPU利用率从85%降至60%，数据处理吞吐量提升50%，未出现因平台问题导致的业务延迟

负责零售业务线数据仓库搭建与维护，聚焦订单、用户、商品域数据整合，支撑BI报表与业务决策，同时参与数据平台基础组件优化

• 主导订单域数据仓库从0到1搭建，基于Kimball维度建模理论设计星型模型，整合OMS、WMS、CRM系统数据，构建「订单事实表」「用户维度表」「商品维度表」等20+张核心表，实现订单全生命周期跟踪；上线后支撑「订单履约率」「库存周转天数」等关键指标实时监控，报表生成时间从4小时缩短至30分钟，帮助供应链团队降低滞销库存15%
• 核心优化数据平台ETL流程，针对原有Shell脚本ETL低效、易出错问题，用Spark SQL重构每日增量ETL任务，结合动态分区、缓存机制及广播变量，将处理时间从12小时压缩至6小时；引入Airflow作为任务调度工具，实现ETL可视化管理与报警（覆盖90%任务），任务失败率从15%降至2%
• 负责用户行为数据平台初步搭建，基于Kafka+Flink实现用户点击、浏览、加购行为实时采集（峰值QPS 5万），存储至HBase并对外提供实时特征；优化Kafka分区策略（按用户ID哈希）与Flink并行度（动态调整至100），实时数据延迟从10秒缩短至3秒，支撑首页推荐系统点击率提升12%

负责公司基础业务数据ETL处理与BI报表开发，支撑运营、产品团队日常数据需求，同时学习大数据技术栈

• 主导电商业务线用户数据ETL开发，整合MySQL用户表、埋点日志、第三方支付数据，生成「用户画像表」「活跃用户分层表」等10+张表，支撑产品团队用户留存分析；优化ETL错误处理机制（增加重试+异常报警+数据回滚），数据准确性从95%提升至99.5%，减少业务投诉30%
• 参与BI报表开发与维护，基于Tableau搭建运营日报、周报，包含「日活用户数」「订单量」「客单价」核心指标；根据运营需求新增「渠道转化漏斗」「商品销量TOP10」等15张报表，运营人员对报表满意度从70%提升至90%
• 自学Hadoop、Hive、Spark技术栈，将原有单机数据处理脚本迁移至Hive集群，数据处理能力从每日10万条提升至1000万条，解决数据量增长带来的处理瓶颈，支撑业务从单渠道扩展至多渠道运营

电商平台全渠道用户行为实时数仓及智能决策系统

• 项目背景：公司业务覆盖APP、小程序、第三方平台等6大渠道，用户行为数据分散存储于Kafka、HDFS、MySQL等多源系统，实时处理延迟高达15分钟，无法支撑运营团队对活动流量调控、个性化推荐的实时决策需求。核心目标是构建**秒级延迟的全渠道用户行为实时数仓**，并联动算法团队实现数据驱动的智能运营。
• 解决的关键难题：①多源数据Schema异构——APP端用Protobuf、小程序用JSON、第三方用CSV，实时解析易出错；②高并发下计算稳定性——大促峰值QPS达50万/秒，Flink任务频繁反压；③实时数据准确性——实时与离线数据差异率超10%，运营团队信任度低。技术上需平衡低延迟、高可用与数据质量。
• 核心行动与创新：1. 主导设计「分层Schema映射层」，采用Flink CDC结合自定义UDF，针对不同数据源格式动态转换，生成统一的「用户行为宽表」（包含12个核心维度、30+行为事件），解决了异构数据兼容问题；2. 优化Flink实时链路——拆分任务为「渠道分流层」「事件处理层」「聚合计算层」，基于事件类型（如点击、加购）路由至不同并行度子任务，同时引入本地状态后端+Redis热点缓存，将任务反压率从25%降至0；3. 构建「实时+离线」双重数据质量体系，用Deequ库实时校验事件完整性（缺失率<0.1%）、字段一致性（错误率<0.05%），离线数据每日回溯修正实时偏差，解决了数据信任问题。
• 项目成果：①实时数仓延迟从15分钟压缩至1秒内，大促期间支撑50万QPS峰值无故障；②赋能运营团队实现「分钟级」决策——2022年双11通过实时分析用户加购转化漏斗，调整首页推荐策略，使活动转化率提升18%；③数据质量投诉率从每月12次降至0，运营决策效率提升30%。本人主导的Schema映射方案被纳入公司实时数据处理标准规范。

生鲜供应链销量预测及库存优化系统

• 项目背景：公司生鲜库存周转慢（原12天/轮）、损耗率高（8%），核心问题是销量预测不准——传统规则引擎依赖人工经验，无法捕捉天气、促销、舆情等动态因素。目标是构建**机器学习驱动的实时销量预测模型**，联动库存系统实现「以销定采」，降低损耗与成本。
• 解决的关键难题：①多源数据整合——需关联门店销售、仓库库存、天气（如暴雨影响叶菜销量）、社交媒体舆情（如网红水果热度）等数据，来源分散且格式差异大；②模型准确性——生鲜保质期短，传统单模型（如ARIMA）预测准确率仅65%，无法满足业务需求；③实时预测延迟——原流程需4小时完成次日预测，无法支撑早8点的订货决策。
• 核心行动与创新：1. 主导设计「数据湖+数据仓库」架构——用Delta Lake存储原始多源数据，Spark SQL完成数据关联清洗，解决了异构数据整合问题；2. 构建「XGBoost+LSTM融合模型」：XGBoost处理结构化特征（历史销量、促销活动），LSTM捕捉时间序列与外部特征（天气、舆情），模型准确率提升至88%；3. 优化预测流程——用Airflow调度离线预训练（每日凌晨更新基础模型），结合Flink实时消费门店销售数据做在线微调，将预测时间从4小时缩短至30分钟。
• 项目成果：①库存周转天数从12天降至7天，损耗率从8%降至3%，年节省供应链成本超2000万元；②支撑供应链团队实现「早订货、准订货」——2021年夏季预测到台风天气，提前3天增加冷冻食品库存，避免缺货损失约500万元；③方案被推广至华北、华南3个区域仓库，整体供应链效率提升15%。本人负责的模型融合方案获得公司年度技术创新奖。

支教时发现乡村小学因缺乏实验器材，科学课多停留在课本讲解。返校后联合实验室开发出百元级科学实验背包，内含20个基础实验器材。为确保可持续运营，设计配套视频课程与城乡结对系统，并培训132名大学生担任远程助教。项目覆盖9省47所学校后，学生科学兴趣评分提升35%。这段经历教会我用产品思维解决社会问题，当看到孩子们用自制望远镜发现土星光环时，我理解了教育的真谛是点燃可能性。