负责本地生活到店业务（餐饮/丽人）的商业策略制定与落地，通过用户行为分析、交易链路拆解及营销效果追踪，驱动商家侧供给优化与用户侧消费转化，核心指标包括商家GMV增长率、用户复购率及平台营销ROI。

• 主导设计到店业务商家分层运营体系：基于RFM模型与LTV预测算法，将8万+合作商家划分为‘战略级/潜力级/维护级’三类，结合商家生命周期（引入期-成长期-成熟期）定制运营策略；针对潜力商家设计‘流量扶持+工具赋能’组合方案，通过A/B测试验证资源分配效率，3个月内推动该类商家GMV环比提升27%，商家续费率从68%提升至79%。
• 深度拆解用户到店消费决策链路：运用漏斗分析定位‘搜索-点击-到店核销’环节流失痛点，发现‘优惠信息感知弱’为核心瓶颈；联动产品团队优化前端展示（增加动态优惠标签+倒计时组件），并通过NLP分析用户评论提取高频诉求（如‘预约麻烦’），推动商家端上线‘一键预约’功能；最终该链路转化率从12%提升至18%，用户到店后30天内复购率增长15%。
• 搭建营销活动效果归因模型：针对平台‘周末特惠’‘新人红包’等活动，采用Shapley值法量化各渠道（APP Push/朋友圈广告/商家私域）对GMV的贡献度，发现‘商家私域引导’ROI是公域投放的2.3倍；据此调整预算分配，将30%公域预算倾斜至商家侧激励，季度内整体活动ROI从2.1提升至3.4，单用户获客成本下降22%。
• 支撑战略级商家引入决策：为头部连锁品牌（如某新茶饮品牌）提供入驻可行性分析，通过空间热力图（结合POI数据与用户消费密度）评估选址合理性，利用博弈论模型测算平台抽佣与流量扶持的最优平衡点；最终推动该品牌全国30城首店入驻，上线3个月内带动周边3公里内用户到店频次提升41%，验证了模型对大商家合作的指导价值。

聚焦外卖业务中小商家运营，通过交易数据挖掘与用户画像分析，优化商家流量分配机制及促销策略，核心目标为提升中小商家存活率（6个月留存）与单店日均订单量。

• 构建中小商家健康度评估体系：整合订单量、客单价、退单率、用户评分等12项指标，采用主成分分析法提炼‘经营稳定性’‘用户粘性’‘服务质量’三大维度，输出商家健康分；针对低分商家设计‘诊断报告+定制课程’干预方案，通过SQL定时跑数生成动态看板，推动运营团队精准触达，6个月内中小商家6个月留存率从51%提升至63%。
• 优化搜索推荐流量分配策略：发现中小商家因曝光不足导致‘高评分低订单’现象，通过离线A/B测试验证‘评分权重+距离权重+实时订单量’的混合排序模型；上线后，评分4.5+中小商家的曝光量提升45%，订单转化率从8%提升至11%，整体中小商家户均日单量增长22%。
• 设计季节性促销活动SOP：针对夏季冷饮、冬季火锅等场景，运用时间序列预测（ARIMA模型）预判品类需求波动，结合商家库存与成本结构，输出‘满减门槛+折扣力度’动态调整方案；2023年夏季活动期间，参与商家日均GMV较非活动期增长58%，用户下单时段集中度从60%（仅18-20点）下降至42%，有效平滑流量高峰。
• 支撑商家端产品功能迭代：通过用户调研与行为数据交叉分析，发现中小商家普遍存在‘活动报名流程复杂’痛点；联动产品团队简化报名入口（从3级页面缩减至1级），并通过埋点追踪优化前后转化率，商家活动参与率从35%提升至52%，间接推动平台活动覆盖商家数增长40%。

支持电商平台服饰类目商家运营分析，负责基础数据清洗、核心指标监控及常规专题分析，协助优化商家流量获取与转化效率。

• 搭建服饰类目商家核心指标看板：基于SQL与QuickBI，整合GMV、点击率、转化率、退货率等20+指标，实现‘日度-周度-月度’多周期监控；通过设置异常预警规则（如GMV环比下跌超15%自动触发），将运营响应时效从24小时缩短至4小时，团队对突发问题的处理效率提升60%。
• 完成用户画像与商品匹配度分析：运用聚类分析（K-means）将用户划分为‘潮流追求者/性价比敏感型/品质型’三类，结合商品属性（价格带、风格、品牌）计算匹配度得分；输出‘高匹配商品推荐清单’，帮助商家调整上架策略，试点商家点击率从4.2%提升至6.1%，转化成本下降18%。
• 验证优惠券发放策略有效性：针对‘无门槛券/满减券/品类券’三种类型，通过随机对照试验（RCT）分析不同面额、发放渠道的用户领取率与核销率；发现‘满199减30’品类券在微信社群渠道的核销率达28%（高于其他组合15%+），推动运营团队将该策略推广至全量商家，季度内优惠券ROI提升25%。

浅月社交APP核心用户留存提升项目

• 浅月社交APP月活进入800万平台期，核心用户（周互动≥3次）30日留存仅28%，低于行业均值35%；项目目标是提升该群体留存至35%，驱动活跃用户规模与商业化基础增长。我作为数据分析负责人，主导从用户洞察到策略落地的全流程闭环，衔接产品、运营团队推进执行。
• 传统留存分析停留在“行为路径漏斗”层面，未区分用户核心动机；多维度交叉分析依赖人工筛选，效率低且易遗漏关键因子。核心问题是“如何精准定位不同动机用户的留存驱动因素”，避免“一刀切”策略无效。
• 搭建“RFM价值分层+用户动机聚类”双维度标签体系：先用RFM模型划分用户价值梯度，再通过K-means聚类结合用户深度访谈，将用户分为“社交连接型”（需求：高频好友互动）、“内容消费型”（需求：精准内容匹配）、“兴趣探索型”（需求：新功能/话题触达）3类；针对每类用户，用因果推断（DID）排除版本更新、运营活动等混淆变量，定位留存关键因子——如社交连接型的“好友私信24小时回复率”、内容消费型的“推荐内容点击转化率”、兴趣探索型的“新话题参与门槛”。
• 推动产品优化：① 社交连接型用户上线“好友活跃提醒+共同兴趣话题推荐”功能；② 内容消费型用户升级“行为序列推荐算法”（结合浏览/点赞/评论历史）；③ 兴趣探索型用户增加“轻量化新话题弹窗”。3个月后核心用户30日留存提升至36%（超目标1pct），对应月活增长12万，商业化ARPU提升8%；主导的“动机分层+因果验证”模型被纳入公司用户运营标准工具库，成为后续留存策略的核心分析框架。

浅月信息流广告点击率与用户留存平衡优化项目

• 公司信息流广告收入年增长25%，但核心用户30日留存下降3pct，CTR从5%跌至4.2%——问题在于广告曝光过度消耗用户体验。项目目标是平衡“广告变现效率”与“用户留存”，实现“CTR提升+留存稳定”。我作为高级数据分析专家，负责策略设计与效果评估。
• 传统A/B测试仅关注单一指标（如CTR或留存），无法衡量广告对用户的长期LTV影响；广告频率与素材的组合策略依赖运营经验，易出现“为点击牺牲留存”的矛盾。核心挑战是“建立多目标平衡的广告策略，避免短期收益损害长期价值”。
• 搭建“广告耐受度+用户LTV”双模型体系：① 用XGBoost训练广告耐受度模型，输入用户历史广告曝光次数、点击行为、使用时长等12个特征，输出“低/中/高”耐受等级；② 结合LTV预测模型（基于用户价值、活跃周期、付费潜力），将用户分为“高价值低耐受”“低价值高耐受”等4类；③ 基于帕累托最优原则，为每类用户制定差异化策略——如高价值低耐受用户减少曝光频率（从每日3次降至1次）但提升素材相关性（匹配用户兴趣标签），低价值高耐受用户增加原生广告曝光（融入内容流）。
• 策略上线后，CTR回升至5.1%（超目标0.1pct），核心用户30日留存回到29%（较优化前提升1pct）；月广告收入增长15%（约2000万），用户广告投诉率下降20%。提出的“多目标平衡优化框架”被推广至公司所有信息流产品，成为广告变现的核心方法论；我个人也因此晋升为数据分析负责人，完成从“执行分析”到“策略设计+团队主导”的成长。

• 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。