负责直播电商业务的商业分析全流程，覆盖用户生命周期价值（LTV）建模、直播间转化漏斗优化、营销活动ROI闭环及品类运营策略制定，支撑业务从经验驱动向数据驱动转型

• 主导搭建直播场景定制化用户LTV预测模型，基于XGBoost算法融合用户行为（停留时长、互动频次）、消费特征（客单价、复购周期）及直播间场景数据（观看场次、打赏等级），解决传统RFM模型对直播“高互动、强时效”属性适配不足的问题，预测准确率较原有模型提升27%；模型输出高价值用户标签后，协同运营团队制定“专属福袋+会员权益”策略，推动高价值用户复购率增长19%，年新增GMV超800万元
• 核心参与50+直播间的转化漏斗优化项目，通过SQL提取近3个月直播行为数据（进入率、停留3分钟率、加粉率、下单率），结合Optimizely A/B测试框架验证“福袋节奏调整”“主播话术引导”两个策略效果——发现福袋间隔从10分钟缩短至5分钟可使停留3分钟率提升15%、下单率提升8%；最终推动策略落地，对应直播间周均GMV增长32万元，该经验被沉淀为《直播转化优化SOP》供团队复用
• 负责“618”“双11”等大促营销活动ROI分析，设计“首次接触+末次互动”混合归因模型，通过Python搭建自动化报表体系实时监控各渠道（短视频引流、粉丝群触达、广告投放）的获客成本（CAC）与订单贡献；识别出短视频引流的CAC较广告投放低40%且用户留存率高12%，建议将大促预算向短视频倾斜30%，最终活动ROI较去年同期提升22%，短视频引流GMV占比从25%提升至40%
• 支撑美妆品类运营策略制定，通过Tableau构建“品类健康度看板”整合点击率、加购转化率、库存周转天数等12项指标，结合波特五力模型分析竞争品类的价格策略与用户需求变化——发现用户对“高性价比试用装”需求未被满足，提出“买正装送试用装”方案；推动落地后美妆品类GMV占比从28%提升至35%，库存周转天数缩短5天

聚焦电商平台商家运营分析，覆盖商家生命周期管理、流量分配效率及营销工具效果评估，帮助平台商家提升经营能力同时优化流量变现效率

• 主导设计商家分层运营体系，基于RFM+商家成长阶段（新入驻、成长期、成熟期）模型，用Python开发商家评分卡工具，整合月销售额、动销率、用户评价得分等8项指标，将商家分为S/A/B/C四级；针对S级商家提供专属流量扶持与一对一运营指导，C级商家推送“店铺装修指引”“选品白皮书”，推动平台TOP20%商家的GMV占比从55%提升至62%，商家续费率提升11%
• 优化平台新商家流量分配机制，通过SQL分析发现“新商家曝光转化率仅为老商家的1/3”，联合产品团队上线“新商家流量护航计划”——给予前30天额外免费推荐位+新手运营课程；通过A/B测试验证，该计划使新商家30天存活率提升29%，留存新商家后续月均GMV较未参与计划的高45%，解决了新商家“生存难”问题
• 评估“拼团”“砍价”等营销工具效果，用因果推断（PSM倾向得分匹配）控制用户属性偏差，分析其对商家GMV与用户粘性的影响——发现拼团工具对低客单价商品（<50元）GMV提升率达38%，但对高客单价商品无效；于是建议平台对低客单价商家定向推广拼团工具，对高客单价商家推荐“满减”工具，最终平台营销工具整体使用率提升21%，商家满意度从4.1分提升至4.5分

协助完成电商业务日常数据分析，覆盖销售趋势监控、用户行为洞察及问题定位，为业务团队提供数据支持

• 搭建销售日报自动化体系，用SQL编写定时脚本整合订单、用户、商品数据，生成包含“今日销售额、TOP10商品、区域销售排名”的日报，将业务团队获取数据时间从2小时缩短至10分钟；同时通过Tableau制作可视化看板实时展示销售进度与目标差距，帮助团队及时调整促销策略，推动月度销售目标达成率从85%提升至92%
• 分析用户流失原因，通过漏斗分析发现“注册后3天内未下单用户流失率达70%”；提取这部分用户特征——多为19-25岁女性，浏览商品以服饰为主，联合运营团队推送“新人服饰券+首单免邮”福利，使这部分用户下单率提升23%，月度新增用户留存率从35%提升至42%
• 支撑“情人节促销活动”复盘，整理销售、用户行为数据，用同比/环比分析发现“情侣套装”销量增长150%但客单价低10%，原因是用户偏好低价款；建议下次活动增加“情侣套装+定制礼品”组合，该方案被应用于“520促销活动”，客单价较去年同期提升18%，活动GMV增长25%

泛娱乐社区用户生命周期价值（LTV）精准预测与运营策略优化项目

• 项目背景：公司核心泛娱乐社区面临获客成本年增35%、高价值用户流失率攀升至21%的痛点，原有基于RFM的LTV预测模型仅能覆盖短期行为，无法支撑长期运营决策。我的核心目标是主导构建全生命周期LTV预测体系，联动运营团队实现“高价值用户促留存、潜力用户提转化、流失用户降损耗”的精准运营，最终提升整体用户生命周期营收（LTV）与资源ROI。
• 解决的关键难题：1）传统模型对长周期跨场景行为（如直播互动→付费内容订阅→社交裂变）的特征融合能力不足，导致高价值用户识别准确率低；2）运营干预的“因果效应”难以量化，常出现“投入资源但用户转化未达预期”的情况；3）多源数据（用户行为日志、交易系统、内容互动、客服记录）分散，存在特征一致性问题。我通过整合Spark进行多源数据ETL，统一用户ID映射标准，解决了数据割裂问题；针对长周期行为，采用LightGBM+Transformer的融合架构——LightGBM处理用户基础属性、短期交易等结构化特征，Transformer捕捉直播弹幕、内容点赞等长距离时序依赖特征，提升了高价值用户的召回率。
• 核心行动与创新：1）牵头梳理用户从“注册→活跃→付费→裂变→流失”的6个关键阶段、18个行为节点，定义“价值潜力分”作为运营分层依据；2）引入因果推断中的Uplift Model评估运营策略效果，对比“干预组”与“对照组”的LTV差异，筛选出对高潜力用户最有效的3类运营动作（个性化权益包、专属内容推送、好友裂变邀请）；3）设计“动态阈值调整机制”——根据用户实时行为更新LTV预测值，每周迭代运营策略，比如当某用户“连续3天观看直播但未互动”时，自动触发“直播专属礼物折扣”推送。
• 项目成果与价值：1）LTV预测准确率从72%提升至89%，高价值用户（Top20%）的30天留存率从65%升至83%，ARPU（单用户月营收）增长32%；2）运营资源ROI提升45%，原本用于泛人群推送的费用减少了28%，但转化效果未下降；3）推动公司建立“LTV驱动的运营SOP”，成为后续所有用户运营活动的核心依据。我个人主导了从模型开发到策略落地的全流程，跨产品、运营、算法团队推动共识，是项目落地的关键负责人。

生鲜电商用户复购预测与供应链协同优化项目

• 项目背景：公司主打“次日达”生鲜配送，面临两大核心问题——用户复购率仅28%（行业均值35%），同时生鲜损耗率高达18%（主要因库存积压或备货不足）。我的目标是构建精准的用户复购预测模型，联动供应链团队优化补货策略，实现“提升复购率+降低损耗”的双重目标，直接改善毛利率。
• 解决的关键难题：1）生鲜用户行为受季节、天气、地域等外部因素影响大，传统静态模型无法捕捉动态变化；2）复购预测与供应链补货的联动机制缺失，导致“预测准但补货错”——比如预测某区域叶菜复购率高，但因补货延迟导致缺货；3）商品生命周期短（叶菜1-3天、水果7-14天），特征时效性要求极高。我通过搭建实时数据 pipeline（Flink），实现用户行为数据的分钟级更新，解决了特征时效性问题；针对外部因素，引入Prophet模型拆解时间序列的季节性（如夏季水果复购率提升40%）、节假日效应（如中秋月饼复购峰值）。
• 核心行动与决策：1）划分商品品类为“短周期易腐品”（叶菜、鲜奶）和“长周期耐储品”（苹果、鸡蛋），分别设计复购预测逻辑——短周期商品重点关注“近3天购买频率+地域天气”（比如暴雨天增加速食类复购预测权重），长周期商品结合“周复购率+用户偏好标签”；2）构建“复购率→安全库存”联动公式：安全库存=（预测复购量×1.2）- 在途商品，确保库存既满足需求又避免积压；3）与供应链团队共同制定“动态补货规则”——比如当某区域番茄复购预测值较上周提升20%时，次日补货量增加15%，同时缩短配送时效至12小时。
• 项目成果与价值：1）用户复购率从28%提升至39%，其中短周期商品复购率提升最明显（从22%到35%）；2）库存周转天数从4.2天缩短至2.8天，生鲜损耗率下降22%，直接带动毛利率提升3.5个百分点；3）建立“数据驱动的生鲜供应链协同机制”，成为公司应对季节性波动的核心能力。我主导了模型开发与供应链流程设计，推动数据团队与业务团队的深度协同，验证了“用户行为数据反哺供应链”的可行性。

• 因痛心于年轻人对历史的疏离，我在B站创立「古人脱口秀」栏目，用职场梗解构历史事件（如《雍正皇帝的KPI保卫战》）。通过设计「颠覆认知-史料佐证-现代共鸣」三幕剧本模板，单期视频最高收获1.7万条弹幕互动。
• 两年间栏目播放量突破180万，作品被多地中学选为教学素材。这段经历磨砺出将学术内容转化为大众语言的能力，也让我理解到真实用户反馈才是创作者的指南针。