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%。

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。

• 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。