负责到店餐饮业务线的商业数据洞察与策略闭环，连接数据团队与业务运营，从用户价值挖掘、商家增长提效、营销ROI优化三大维度输出可落地的决策支持，推动业务目标达成

• 主导搭建到店餐饮用户生命周期价值（LTV）动态分层体系，基于SQL提取用户360°行为数据（含访问频次、客单价、品类偏好、复购间隔），结合Python scikit-learn优化RFM-T模型（新增“门店停留时长”“跨品类浏览率”到店场景特征），解决传统分群仅依赖消费金额导致的“高活跃低价值用户误判”问题；输出“高潜复购客”“品类拓展客”等5类核心标签，联动运营团队针对“高潜复购客”推送个性化满减券+到店礼，首月该群体复购率提升18%，对应GMV增量达230万元
• 针对商家“签约后30天内流失率高”痛点，搭建“线索-签约-激活-贡献”全链路漏斗分析框架，通过神策埋点数据定位到“签约后运营触达不足”为核心瓶颈；设计分层运营SOP——新签商家第7天推送《到店流量运营指南》、第15天跟进平台活动报名、第30天复盘经营数据，并用Tableau搭建实时监控看板跟踪执行进度；最终商家30天存活率从62%提升至87%，单商家月均GMV增长15%
• 负责大促活动ROI优化，采用因果推断中的倾向得分匹配（PSM）方法，控制“用户历史消费倾向”“门店位置”等混淆变量，将用户分为“活动个性化推荐组”与“常规推送组”；A/B测试结果显示，活动组客单价较对照组高22%，整体ROI较上季度提升30%；同步输出《大促效果归因报告》，指导后续活动将资源向“高客单价品类+高潜力用户”倾斜
• 协同产品团队优化到店首页推荐策略，通过点击流数据（神策埋点）分析用户偏好，发现“好评率≥4.8分的商家”点击转化率比均值高35%、“距离≤1公里”的商家收藏率达2倍；推动产品将“好评优先”权重提升20%、“附近商家”入口前置，对应页面点击转化率提升12%，用户平均停留时长增加8%

支撑供应链业务的数据驱动决策，聚焦采购成本优化、库存周转提效、商家需求匹配三大场景，通过数据洞察降低供应链损耗、提升资金使用效率

• 针对食材采购“过剩损耗”与“断货风险”矛盾，构建时间序列预测模型（ARIMA+季节因子调整），结合历史采购数据、节日营销计划、商家订单增速，实现对“大米、食用油、肉类”等高频食材的精准需求预测；模型预测准确率从81%提升至92%，季度采购成本降低10%，食材损耗率从7%降至2%
• 运用ABC分类法+周转天数指标重构库存管理逻辑：将食材分为A类（高价值低周转，如进口海鲜）、B类（中价值中周转，如冷冻肉）、C类（低价值高周转，如蔬菜）；针对A类食材建立“安全库存+动态补货”机制——安全库存从7天压缩至5天，联动供应商将交货周期从3天缩短至1.5天；最终A类食材周转天数从15天降至10天，库存占用资金减少18%
• 挖掘中小商家采购痛点，通过NLP文本分析（关键词提取+情感分析）处理1.2万条商家问卷与客服工单，识别出“小批量多频次采购”“应急补货响应慢”为核心需求；推动供应链团队开发“灵活采购套餐”——将常用10种食材组合成5kg/箱的小包装，支持按周补货；上线后中小商家采购满足率从65%提升至93%，复购率增长20%
• 搭建供应链实时监控Dashboard（Power BI），整合库存水平、采购成本、交付时效、商家投诉等12项核心指标，设置“库存低于安全线”“交付超时”等预警规则；某区域大米库存预警后，运营团队及时切换供应商，避免了断货事故，对应区域商家投诉率下降15%

支持外卖业务日常数据监控与基础洞察，搭建商家与用户核心指标体系，为运营活动、商家扶持提供数据支撑

• 搭建外卖商家运营指标库（含曝光量、点击转化率、客单价、复购率、差评率），用SQL实现指标自动化计算，每周输出《商家运营健康度报告》；识别出“曝光低但转化率高”的潜力商家（如某家川菜馆，曝光量低于均值20%但转化率达12%），推动运营团队优化其店铺首页菜品排序+增加“回头客优惠”，该商家月均GMV从8万元提升至11.2万元，增速达40%
• 分析满减活动效果，采用对比分析（活动前中后）+细分分析（按品类、客单价分段），发现“29-5元”“49-10元”档位对中小商家订单拉动最强——参与活动的中小商家订单量提升25%，客单价从32元升至38元；推动运营调整活动策略，将资源向该档位倾斜，季度活动参与商家数增长30%
• 用文本挖掘（TF-IDF算法）分析用户评价，提取高频负面关键词“配送慢”（占比32%）、“餐品凉了”（占比25%）；协同物流团队优化配送路线，增加“保温袋”标配，结果用户配送时长从45分钟缩短至38分钟，相关差评率下降10%
• 开发Python自动化报表脚本，替代人工统计商家订单、用户投诉等数据，将每周报表制作时间从8小时压缩至2小时，数据准确性从95%提升至99.5%；释放的人力投入到“高潜力商家扶持”项目中，推动项目内商家月均GMV增长22%

高客单价商品转化链路优化与用户分层运营项目

• 星途电商高客单价商品（客单价≥5000元）转化率长期低于行业均值3个百分点，且用户复购分散难以形成稳定LTV贡献。我的核心目标是牵头拆解转化链路卡点，构建适配高客单价用户的精细化运营体系，推动转化效率与生命周期价值双提升。
• 项目面临三大挑战：一是跨APP、小程序、PC端的用户行为数据割裂，无法还原完整决策路径；二是传统RFM模型对高客单价用户“决策周期长、需求定制化”的特征适配性差，分层效果弱；三是链路节点贡献无法量化，营销资源投放针对性不足。
• 我主导对接数据中台完成跨端数据打通，整合用户浏览、咨询、加购、支付全链路行为；引入Shapley值算法重构转化归因模型，量化“专属顾问咨询”“试用品体验”“分期权益展示”等8个节点的转化贡献度；结合用户收入水平、决策周期、历史客单价等12个特征，构建CLV（客户终身价值）预测模型，将用户分为“潜力新客”“决策犹豫客”“忠诚复购客”三层。
• 项目落地后，高客单价商品转化率从8.2%提升至11.7%（+42.7%），用户3个月LTV提升23%，对应季度GMV增量超5000万元；分层运营策略推动“决策犹豫客”转化提升65%，成为新的增长引擎。我主导的归因模型与分层体系被纳入公司高客单价业务标准SOP，个人贡献度在项目复盘中被评定为“核心驱动者”。

知识付费用户长期留存与付费深度提升项目

• 知阅作为职场知识付费平台，用户30日留存率仅35%，且近40%用户仅购买1门课程，付费深度不足。我的目标是分析用户流失痛点，搭建留存与付费深度的提升策略，推动用户价值增长。
• 项目难点在于：传统漏斗分析无法定位“试听→购买→复购”环节的具体流失原因；用户兴趣与内容匹配度低，导致付费后体验差；缺乏精准的高流失风险用户识别工具。
• 我通过用户旅程图梳理全流程，识别出“试听内容匹配度低”“购买后缺乏督学”“无个性化进阶推荐”三大流失节点；搭建基于协同过滤与内容标签的用户兴趣画像模型，将用户兴趣与课程主题、讲师风格进行精准匹配；构建XGBoost留存预测模型，识别高流失风险用户（预测流失概率≥70%）。
• 针对高流失用户推出“个性化试听推荐+专属学习社群”干预策略，30日留存率提升至48%（+37.1%）；基于兴趣匹配的课程推荐使付费用户课程完成率提升28%，ARPPU从1280元提升至1650元（+28.9%）；复购率从18%提升至26%（+44.4%），带动季度营收增长约1200万元。我主导的留存模型与兴趣匹配策略成为公司用户运营核心工具，项目成果在公司年度战略会上做案例分享。

• 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。