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%。

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。

• 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。