负责电商平台数据中台核心组件（实时数仓、任务调度、数据服务）的架构设计与迭代，支撑营销活动、供应链预测、用户运营等业务线的实时数据需求；同时优化平台性能与稳定性，推动数据能力的自助化与服务化。

• 主导设计实时数仓分层架构（ODS→DWD→DWS→ADS），基于Flink 1.17实现多源数据（线上交易、用户行为、第三方物流）的Exactly-Once同步，结合ClickHouse分布式列存引擎构建实时聚合层；解决大促期间实时订单报表延迟高（原15分钟→优化后1分钟内）与数据一致性差的问题，支撑618大促期间每小时百万级订单的实时营销（如满减凑单推荐），业务转化率提升8%。
• 针对高并发数据任务抢占资源导致失败的问题，基于Airflow 2.4二次开发，引入任务优先级队列（按业务 SLA 分级）与YARN资源隔离机制，同时优化任务失败重试策略（指数退避+依赖链自动触发）；将平台任务成功率从92%提升至98.5%，2023年双11期间未出现因任务失败导致的报表延迟，保障了运营决策的连续性。
• 推动数据平台服务化转型，使用Spring Cloud Alibaba封装数据API接口（支持SQL-like查询与预定义指标调用），对接营销系统的实时人群圈选需求；通过接口限流（Sentinel）、缓存（Redis）优化响应速度，使业务方取数时间从平均2天缩短至2小时内，月均自助取数次数从500次提升至2000次，减少数据团队重复劳动40%。
• 构建数据质量全链路监控体系，基于Apache Atlas管理元数据（字段含义、血缘关系），自定义规则引擎（数据完整性、一致性、时效性）并集成钉钉告警；覆盖实时数仓80%核心表，将数据质量问题发现率从60%提升至95%，2024年业务方因数据错误的投诉率下降40%。

负责零售业务离线数据仓库的开发与维护，整合线上商城、线下门店、供应商数据；参与数据平台初期搭建，支撑运营分析、库存预测等业务需求。

• 主导设计零售离线数仓星型模型（包含商品、用户、交易、库存四大主题域），使用Hive 3.x与Spark 3.1实现ETL流程；整合10+数据源（如POS系统、ERP、会员系统），支撑运营团队周报/月报的快速生成，将报表计算时间从8小时缩短至2小时内，数据准确性提升至99.9%，帮助运营优化库存周转率15%。
• 优化数据同步流程，针对MySQL业务库的全量同步耗时问题，采用Sqoop结合增量日志（Binlog）的混合模式，每日同步时间从4小时降至30分钟；同时引入数据校验脚本（对比源库与数仓的行数、金额总和），使同步数据的一致性从90%提升至98%，减少人工核对工作量60%。
• 推动数据可视化工具集成，对接Tableau Server并封装常用指标模板（如门店销量TOP10、会员复购率）；将运营人员自主制作报表的比例从30%提升至70%，降低数据团队对业务报表的支持压力，同时提升业务决策的灵活性。

负责电商平台基础数据处理与报表开发，搭建初步的数据分析体系，支撑初创期的业务快速增长需求。

• 从0到1搭建用户行为日志采集系统，使用Flume 1.9收集APP端点击、浏览、下单日志，存储至HDFS并按天分区；通过正则表达式与JSON解析优化日志完整性，将有效日志占比从85%提升至98%，支撑用户画像的初步构建（如年龄、性别、兴趣标签），帮助精准营销活动的点击率提升10%。
• 开发基础数据分析报表，包括用户日活、转化率、客单价的日报，使用Python Pandas做数据清洗与聚合，对接公司内部BI系统；将报表生成时间从次日上午10点提前至早上8点，让运营团队能及时调整当日推广策略，如针对低转化渠道优化素材，当月推广ROI提升12%。
• 协助搭建数据仓库ODS层，使用Hive 2.3做简单数据清洗（去重、空值填充），整合线上交易与会员数据；将ODS层数据可用率从90%提升至95%，为后续离线数仓的扩展奠定基础。

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。

• 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。