负责公司核心美妆个护品类的商业数据洞察，支撑营销效率提升、用户生命周期价值（LTV）优化及品类策略迭代，边界涵盖从业务需求拆解到数据结论落地的全链路决策支持，串联营销、用户、商品三大核心域

• 主导设计美妆品类用户分层运营体系，基于RFM模型结合CLV预测（用Python scikit-learn训练LSTM长期价值模型，SQL提取用户品类偏好、复购间隔等12维特征），解决原有分层未区分品类购买行为差异导致的运营转化低问题；最终高价值用户（Top 20%）留存率从68%提升至86%，对应运营ROI增长25%
• 重构营销活动ROI分析框架，整合巨量引擎广告投放、ERP销售及神策用户行为多源数据，搭建动态ROI模型（纳入用户30天内复购贡献权重），突破传统仅看直接转化的局限；活动预算分配效率提升30%，无效流量投放占比从22%降至7%
• 支撑抗老精华新品上市全流程决策，用A/B测试设计用户调研问卷（Qualtrics发放10万份），结合Prophet模型预测历史新品销售曲线，同步解决新品用户需求不明确问题；新品首月销售额达1.2亿，超目标120%，库存周转天数从45天缩短至36天
• 推动跨部门商业数据标准化，用Tableau搭建覆盖营销转化、用户分层、品类增长的看板，制定《商业数据指标口径手册》并对12个业务团队培训；数据查询响应时间从30分钟降至5分钟，跨部门沟通成本下降35%

负责母婴品类的用户行为与商业策略支持，聚焦拉新效率、品类渗透及渠道ROI评估，边界包括从数据洞察到策略验证的闭环落地，衔接产品、运营、市场三大团队

• 核心参与母婴用户拉新渠道归因，用Shapley值法修正传统last-click模型的偏差，量化小红书、妈妈网等内容平台的间接种草贡献；调整预算后拉新成本从85元/人降至69元/人，新用户30天转化率从11%提升至23%
• 优化会员体系权益设计，基于K-means聚类划分高价值/潜力/流失会员层级，结合用户调研数据设计差异化权益（如高价值会员专属育儿课程、流失会员定向优惠券）；会员复购率从35%提升至57%，会员LTV增长15%
• 支撑婴儿辅食新品类拓展，用爬虫获取竞品天猫/京东销售数据，结合艾瑞咨询市场容量分析，识别“有机+便捷”的用户需求痛点；辅食品类上线3个月销售额破千万，占母婴整体营收比从0提升至8%
• 搭建母婴渠道效率看板，用SQL对接ERP与埋点数据，监控线下门店、天猫旗舰店、私域社群的转化漏斗；渠道ROI识别准确率从70%提升至90%，低效渠道淘汰率提升40%

协助商业团队完成数据提取与基础分析，支撑日常运营决策，聚焦用户行为趋势、活动效果跟踪及异常指标排查，边界为标准化数据处理与初步洞察输出

• 负责每日运营数据监控，用SQL编写自动化报表（涵盖DAU、转化率、GMV等15项核心指标），解决原有报表人工更新滞后问题；报表生成时间从4小时缩短至30分钟，异常响应时间从2小时压缩至30分钟
• 辅助分析促销活动效果，用Excel数据透视表对比不同满减力度（满299减50 vs 满199减30）的用户转化差异，识别高客单价用户对大额满减更敏感；活动效果报告准确性提升至98%，促销策略调整频率加快20%
• 参与用户满意度调研分析，用SPSS做因子分析识别关键驱动因素（物流速度权重0.32、客服响应0.28），解决调研数据量大（1.2万份）的分析难点；输出7条优化建议，用户满意度从82分提升至90分
• 支持商品库存管理，用Python编写库存预警脚本（结合历史销量、促销计划），解决手工计算易遗漏的问题；滞销库存占比从18%降至10%，库存周转率提升22%

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。

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。