负责公司核心电商平台用户生命周期价值（LTV）与商业化效率分析，支撑营销预算分配、大促活动策略优化及高潜用户分层运营，工作边界覆盖从多源数据整合、洞察挖掘到策略落地验证的全链路闭环。

• 主导设计用户LTV预测模型迭代，基于XGBoost算法融合用户行为（点击/加购/复购频次）、交易特征（客单价/支付方式）及设备信息（iOS/Android转化差异）等23维特征，解决历史模型因特征滞后性导致的预测偏差问题，将新客6个月LTV预测准确率从78%提升至89%，支撑市场部将高LTV用户获取成本预算占比从35%提升至52%，对应ROI增长23%。
• 针对618大促用户转化瓶颈，搭建「流量-兴趣-转化」三阶段漏斗归因体系，结合Shapley值量化各渠道（搜索/推荐/站外广告）对最终下单的贡献度，发现站外短视频引流用户在首页跳失率达68%的核心问题；联动产品优化落地页交互逻辑后，该群体转化率从4.2%提升至7.1%，带动大促期间整体GMV超预期完成12%。
• 设计高潜付费用户分层策略，基于RFM模型（最近购买时间/频率/金额）与CLV预测值交叉划分S/A/B/C四级客群，针对S级用户定制专属权益包（如折上折+优先发货），通过A/B测试验证该策略使S级用户30天复购率从35%提升至47%，年贡献GMV占比从28%增至39%。
• 搭建商业化效率监控看板，整合广告消耗、点击成本（CPC）、转化成本（CPA）及ROI等15项核心指标，通过Python自动化脚本实现异常波动实时预警（如某品类CPA单日上涨25%时触发归因排查），推动运营团队快速调整投放素材，季度内无效流量占比从18%降至9%。

聚焦零售业务线用户转化与渠道效能分析，搭建高价值用户运营体系，支撑营销活动ROI提升及低效渠道资源优化，工作边界覆盖数据提取、策略设计到效果追踪的全流程。

• 为解决会员转化率低迷问题，通过Hive SQL提取近半年会员注册用户行为数据，运用漏斗分析定位「填写地址-支付」环节流失率高达45%的关键卡点；进一步结合用户调研数据发现地址填写流程繁琐是主因，推动产品简化字段（合并省市区自动填充），上线后注册转化率从12%提升至21%。
• 主导设计渠道分级模型，基于GA数据计算各推广渠道（微信社群/抖音信息流/线下地推）的用户7日留存率、客单价及LTV，结合成本数据输出「留存-收益」二维矩阵，建议缩减低留存高成本低效渠道预算（如线下地推），将该部分资源转移至抖音信息流，季度内新客获取成本下降15%，整体ROI提升18%。
• 参与搭建用户分群运营系统，基于DBSCAN聚类算法对沉默用户（90天未活跃）进行特征聚类，识别出「高历史消费-近期浏览下降」（占比32%）和「低消费-高频浏览」（占比28%）两类核心群体；针对前者推送定向优惠券，后者通过个性化推荐触达，3个月内沉默用户召回率从8%提升至20%。
• 搭建促销活动效果评估框架，采用PSM（倾向得分匹配）控制用户自选择偏差，量化满减活动对非活动用户的溢出效应（即活动吸引的新增用户后续贡献），修正后活动ROI从原统计的1:3.2提升至1:4.1，为后续活动资源倾斜提供更精准依据。

协助分析用户行为与业务增长瓶颈，支持运营策略调整，工作边界聚焦基础数据处理、指标监控及简单归因分析，逐步向深度洞察过渡。

• 负责用户行为日志清洗与指标体系搭建，通过Python Pandas处理百万级点击流数据，定义活跃用户（DAU）、功能使用深度（人均页面访问数）等12项核心指标，搭建实时监控看板，使运营团队对用户活跃波动的响应时效从次日缩短至2小时内。
• 针对用户首单转化率低问题，提取新用户注册后7天内行为数据，运用卡方检验识别影响转化的关键变量（如是否领取新人券、是否浏览商品详情页），发现领取新人券用户转化率是未领取群体的2.3倍；推动运营加大新人券发放力度，首单转化率从9%提升至14%。
• 参与用户分层运营项目，基于RFM模型对存量用户打标，协助设计差异化触达策略（如高价值用户推送专属客服入口），并通过SQL验证策略效果，高价值用户30天留存率从75%提升至82%。
• 优化广告投放数据报表，整合多平台（百度信息流、头条）投放数据，通过VLOOKUP与数据透视表自动化生成周度投放效果报告，减少人工核对时间60%，同时发现某平台点击成本低但转化差的问题，推动调整定向人群标签后，该平台CPA下降22%。

• 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。

泛娱乐社区用户生命周期价值（LTV）精准运营项目

• 项目背景：公司核心泛娱乐社区进入存量竞争阶段，用户月均增长率降至2.1%，整体LTV年增速仅5%，需通过精细化运营提升用户长期价值。我的核心目标是主导构建“预测-分层-干预”闭环体系，识别高潜用户并匹配差异化运营策略，最终实现LTV规模化增长。
• 关键难题：1）原有用户分群基于“活跃天数+付费金额”的单一维度，无法捕捉用户行为演变（如从“内容消费者”到“社交传播者”的转化）；2）传统LTV回归模型（线性回归、逻辑回归）准确率仅68%，因用户行为序列（浏览、互动、分享）的非线性关系未被有效捕捉；3）运营策略缺乏数据支撑，过往“一刀切”触达导致转化率低至3%。
• 核心行动：1）数据层：用SQL从用户行为日志、社交关系表、订单系统中提取120+维度特征（包括7日行为序列、社交影响力、付费频次分布），清洗去重后形成800万条用户样本；2）模型层：采用“LightGBM+Transformer”混合架构——LightGBM处理结构化特征预测LTV基数，Transformer捕捉行为序列的时序依赖（如连续3天点赞同类内容后付费概率提升45%），最终模型准确率提升至85%；3）分层层：结合DBSCAN聚类（识别异常行为用户）与改进版RFM模型（将“未来30天预期付费”纳入R/F/M指标），将用户分为“高价值忠诚”“潜力成长”“流失预警”“低价值沉睡”四层；4）策略层：联动运营团队设计差异化干预方案——对“潜力成长”用户推送“个性化内容+好友邀请奖励”，对“高价值忠诚”用户提供“专属内容创作扶持”。
• 项目成果：1）量化结果：LTV预测准确率达85%，高潜用户（潜力成长+高价值忠诚）转化效率提升40%，整体用户LTV较项目前增长22%；2）业务价值：运营成本下降15%（无效触达减少），高价值用户留存率从62%提升至75%；3）个人贡献：主导从数据建模到策略落地的全流程，推动公司用户运营从“经验导向”转向“数据闭环驱动”，相关模型已被纳入公司用户增长中台。

电商直播场景用户转化路径拆解与优化项目

• 项目背景：公司直播业务GMV占比达40%，但转化率波动剧烈（月均3%-5%），运营团队无法定位用户流失节点。我的目标是拆解直播全链路转化漏斗，识别关键流失环节，为不同品类直播提供数据化优化建议，提升整体转化效率。
• 关键难题：1）直播行为数据分散（涉及直播间入口、停留时长、互动行为、商品点击、下单等10+个系统），传统漏斗分析仅能看“全局转化”，无法捕捉用户跨环节的关联行为（如“点赞→评论→商品点击”的路径转化率）；2）不同品类（美妆、服饰、家居）的用户决策逻辑差异大，通用优化策略效果不佳（如美妆直播的“试用品展示”对转化的影响远大于服饰直播）。
• 核心行动：1）数据整合：用SQL关联直播平台埋点数据、电商订单数据、用户属性表，构建“直播-用户-商品”全链路数据集，覆盖1000+场直播、500万+用户行为；2）路径挖掘：用Python的NetworkX绘制用户行为路径图谱，识别高频流失路径（如“进入直播间→停留1分钟内→退出”占比35%，为美妆直播的主要流失点）；3）品类细分：针对美妆、服饰、家居三类核心品类，分别建立“环节-影响因素”决策树模型——美妆直播中“试用品展示时长<3分钟”是流失关键（OR值2.1），服饰直播中“未提供实时尺码推荐”导致转化下降18%，家居直播中“主播讲解产品功能的时间占比<40%”影响最大；4）策略输出：针对各品类提出具体优化建议——美妆直播增加“主播手持试用品特写镜头”，服饰直播接入“实时尺码助手”工具，家居直播要求“功能讲解占比不低于45%”。
• 项目成果：1）量化结果：整体直播转化率从3.2%提升至5.1%，其中美妆品类提升最明显（达45%）；用户平均停留时长增加2分钟，单场直播GMV平均增长30%；2）业务价值：运营团队从“凭经验调整”转向“数据驱动优化”，直播选品与话术设计效率提升50%；3、个人贡献：通过行为路径挖掘定位了品类-specific的流失痛点，推动直播运营精细化程度提升，相关分析框架被复制到公司其他垂类直播业务。