负责本地生活到店业务（餐饮、家政、休闲娱乐）的用户生命周期管理与商家运营效率分析，联动产品、运营团队将数据洞察转化为用户留存、商家续费及营销ROI优化的具体策略，支撑业务线从0到1的增长闭环。

• 针对用户分层运营效果不佳问题，主导重构用户价值评估体系：基于SQL提取近12个月用户行为（访问频次、客单价、转介绍率）、交易数据，结合Python训练CLV（客户终身价值）模型，替代传统RFM分群；通过A/B测试验证，将高价值用户识别准确率从68%提升至89%，针对性设计“专属权益包+个性化触达”策略，推动高价值用户30天留存率提升18%、单用户营销成本下降22%。
• 聚焦商家续费率瓶颈，用漏斗模型拆解签约后转化路径，发现“商家后台操作复杂→激活率低”为核心流失点；联动产品团队优化“新手引导页+自动化运营工具包”（含活动报名、客诉处理SOP），并通过Tableau搭建商家激活进度看板实时监控；最终商家30天续费率从45%升至62%，年度商家流失成本减少约120万元。
• 优化营销活动ROI评估逻辑：传统仅看GMV的单一指标无法反映长期价值，引入LTV-CAC（用户终身价值-获客成本）模型，结合Shapley值归因分析各渠道贡献；推动资源向“高LTV用户定向投放+老客裂变”倾斜，季度营销ROI从1:3.2提升至1:4.3，无效投放占比从35%降至20%。
• 支撑新商家品类（宠物服务）上线可行性分析：通过问卷调研+竞品爬取（八爪鱼采集器）获取用户宠物服务需求（高频需求为“上门喂养”“宠物美容”），结合波特五力模型评估竞争格局，用NPV（净现值）预测首年盈利模型；推动业务上线后，首月宠物服务GMV破500万元，占新增商家营收的18%。

统筹集团到店及酒旅业务（酒店、民宿、景区门票）的战略级商业分析，覆盖业务线拓展、跨域资源协同、长期价值预测，支撑管理层决策，推动跨业务线资源优化配置与效率提升。

• 针对酒旅业务用户复购率低问题，用LSTM（长短期记忆网络）模型预测用户复购时机（提前7-14天触达），结合动态定价策略（基于酒店库存与用户价格敏感度调整折扣）；通过Spark分布式计算处理亿级用户行为数据，推动复购率从19%提升至24%，高星酒店客单价提升15%。
• 设计跨业务线资源协同方案：针对到店餐饮与酒旅的用户重叠度（约35%），用协同过滤算法搭建“餐饮+住宿”套餐推荐系统，通过Superset可视化推荐效果；上线后套餐销量占比从8%提升至30%，交叉转化（餐饮用户订酒店、酒店用户到店用餐）率提升20%，单用户年均消费额增加800元。
• 优化供应链成本结构：分析酒店库存成本波动（受节假日、区域活动影响），用蒙特卡洛模拟预测未来3个月库存风险（过剩/短缺概率），推动与本地酒店签订“弹性库存协议”（淡季锁定低价库存、旺季动态补仓）；结果供应链成本下降18%，库存周转率从4.2次/年提升至5.1次/年。
• 支撑下沉市场（三至五线城市）拓展决策：通过PEST分析评估政策与市场环境，用用户渗透模型预测目标城市用户规模（预计1年内覆盖200个县城），结合竞品市场份额（美团、大众点评占比65%）制定差异化策略（聚焦“本地特色餐饮+周边游”）；推动下沉市场上线后，首季度GMV占比达集团总GMV的12%，用户增长率高于整体5个百分点。

领导8人商业分析团队，搭建集团级商业分析体系，覆盖业务健康度监控、战略落地追踪、新业务孵化，驱动集团级资源优化与长期价值增长，支撑CEO及高管层决策。

• 牵头搭建集团业务健康度指标体系：融合平衡计分卡与OKR，整合用户（留存率、NPS）、商家（续费率、贡献GMV）、财务（ROI、毛利率）、运营（流程效率、成本占比）四大维度23个核心指标；通过Flink实时数仓实现指标自动化监控，异常报警响应时间从2小时缩短至15分钟，业务决策的数据支撑效率提升40%。
• 主导社区团购新业务孵化分析：通过用户需求调研（N=5000份问卷）识别核心需求（生鲜配送时效、价格优势），跟踪竞品（多多买菜、美团优选）动态，用盈亏平衡模型测算单团盈利门槛（日均订单≥200单）；推动业务试点3个月内实现盈利，首季度GMV月环比增长45%，成为集团新的增长曲线。
• 推动分析师团队能力升级：制定“数据技能+商业思维”双轨培养计划，引入机器学习（XGBoost、聚类分析）、商业理论（《精益数据分析》《增长黑客》）培训，搭建“周案例分享+月项目复盘”机制；团队输出的分析报告管理层采纳率从70%提升至90%，2名成员晋升为资深分析师。
• 构建长期价值预测模型：用DCF（贴现现金流）模型评估各业务线长期价值（未来5年），结合市场变化（消费升级、本地化需求增长）调整资源分配——增加酒旅与社区团购的资源投入（占比从30%提升至45%），减少低效到店业务的补贴；结果集团核心业务长期价值（LTV）提升28%，非核心业务资源浪费减少15%。

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。

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。