负责本地生活服务平台的到店业务线商业分析全流程，涵盖用户消费行为洞察、商家经营健康度诊断及营销活动ROI优化，边界覆盖从需求拆解到结论落地的全链路，衔接产品、运营及商业化团队。

• 主导到店餐饮品类商家经营诊断体系建设，基于LTV-CAC模型拆解商家生命周期价值，结合GMV、毛利率、复购率等12项核心指标构建健康度评分卡；通过Python开发自动化报告生成工具，覆盖80%头部商家（约2万家），帮助运营团队精准识别高风险商家（评分低于60分）；推动针对性运营策略（如流量倾斜+运营培训）后，3个月内高评分商家GMV环比提升18%，低评分商家流失率下降12%。
• 牵头大促活动ROI优化项目，采用Shapley值归因模型量化抖音团购、搜索流量、私域裂变等6大渠道贡献度，结合RFM分群与地理位置热力图设计差异化补贴策略；通过A/B测试验证方案（覆盖500家测试商家），最终将活动整体ROI从1:2.3提升至1:3.1，单用户补贴成本下降15%，相关方法论沉淀为《大促补贴策略SOP》并在集团内部推广。
• 支持新入驻商家冷启动策略制定，搭建“用户需求-商家供给”匹配度分析框架：利用NLP提取用户评论中的高频需求标签（如“高性价比”“亲子友好”），与商家服务标签（如“套餐丰富度”“好评率”）交叉分析，输出3类高潜力商家画像（如“社区亲子餐饮”“网红打卡茶饮”）；指导运营进行定向流量扶持（首页推荐位+搜索加权），首月新商家首月GMV达标率从55%提升至72%。
• 推动跨部门数据协作效率升级，梳理15个高频业务查询场景（如“活动期间各区域转化率”“竞品门店客流对比”），通过QuickBI开发自助分析看板，集成实时数据与预设分析模板；将业务取数响应时间从3天缩短至4小时，团队人效提升40%，获当季“业务支持之星”奖项。

聚焦本地生活服务平台的商家运营数据分析，支持用户分层、商家成长及活动效果追踪，核心任务为通过数据挖掘输出可落地的运营优化建议。

• 核心参与商家分层运营项目，基于CLV预测模型（使用XGBoost算法）对3万+中小商家进行未来6个月价值预测，结合K-means聚类划分“潜力型”“稳定型”“衰退型”三类；输出差异化运营策略（如潜力型商家匹配流量激励、衰退型商家提供诊断报告），运营团队采纳后，潜力型商家3个月GMV增速较整体高9%，衰退型商家留存率提升12%。
• 负责用户消费场景深度分析，通过SQL提取近半年1000万+订单数据，结合Apriori算法挖掘商品关联购买模式（如“火锅套餐+酸梅汤”关联度达0.78，“美容套餐+美甲券”关联度0.65）；推动首页推荐位与搜索结果页调整，关联商品点击率提升25%，带动关联GMV增长18%，相关结论被纳入《用户场景化推荐策略手册》。
• 优化数据报表体系，针对运营团队高频需求（如活动效果追踪、竞品对比），用Python开发自动化报表脚本（基于Pandas与Schedule库），替代人工取数流程；原需每周8小时完成的10+张报表，现仅需2小时自动生成，数据准确性从92%提升至99.5%，释放运营团队20%工时用于策略落地。

协助完成本地生活领域的用户与商家数据挖掘，支持市场洞察、用户画像及商家需求分析，重点培养数据清洗、基础建模及报告输出能力。

• 协助完成本地生活用户画像项目，清洗并整合用户行为（APP点击、停留时长）、交易（客单价、品类偏好）及调研数据（总量超500万条）；使用SPSS进行因子分析提炼用户核心特征（如“价格敏感度”“服务即时性需求”），输出“价格敏感型”“品质体验型”“便利优先型”3类细分客群画像；相关结论被用于广告投放定向优化，线索转化率提升8%。
• 参与商家满意度调研分析，设计包含30+题项的问卷（覆盖流量获取、平台服务、竞争压力等维度），回收有效样本2000+；通过NPS计算识别整体满意度（得分6.2/10），并利用SnowNLP对开放文本进行情感分析，定位核心痛点（“流量获取难”提及率35%、“活动规则复杂”提及率28%）；推动产品部上线“商家流量扶持专区”，次月参与商家流量曝光量增长40%。
• 支持商家经营数据日报开发，用SQL编写自动化取数脚本，每日提取商家GMV、订单量、转化率等8项核心指标；优化报表逻辑（如增加同比/环比预警阈值），使运营团队能快速定位异常商家，问题响应效率提升30%。

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。