负责到店餐饮业务线的商业数据洞察与策略闭环，连接数据团队与业务运营，从用户价值挖掘、商家增长提效、营销ROI优化三大维度输出可落地的决策支持，推动业务目标达成

• 主导搭建到店餐饮用户生命周期价值（LTV）动态分层体系，基于SQL提取用户360°行为数据（含访问频次、客单价、品类偏好、复购间隔），结合Python scikit-learn优化RFM-T模型（新增“门店停留时长”“跨品类浏览率”到店场景特征），解决传统分群仅依赖消费金额导致的“高活跃低价值用户误判”问题；输出“高潜复购客”“品类拓展客”等5类核心标签，联动运营团队针对“高潜复购客”推送个性化满减券+到店礼，首月该群体复购率提升18%，对应GMV增量达230万元
• 针对商家“签约后30天内流失率高”痛点，搭建“线索-签约-激活-贡献”全链路漏斗分析框架，通过神策埋点数据定位到“签约后运营触达不足”为核心瓶颈；设计分层运营SOP——新签商家第7天推送《到店流量运营指南》、第15天跟进平台活动报名、第30天复盘经营数据，并用Tableau搭建实时监控看板跟踪执行进度；最终商家30天存活率从62%提升至87%，单商家月均GMV增长15%
• 负责大促活动ROI优化，采用因果推断中的倾向得分匹配（PSM）方法，控制“用户历史消费倾向”“门店位置”等混淆变量，将用户分为“活动个性化推荐组”与“常规推送组”；A/B测试结果显示，活动组客单价较对照组高22%，整体ROI较上季度提升30%；同步输出《大促效果归因报告》，指导后续活动将资源向“高客单价品类+高潜力用户”倾斜
• 协同产品团队优化到店首页推荐策略，通过点击流数据（神策埋点）分析用户偏好，发现“好评率≥4.8分的商家”点击转化率比均值高35%、“距离≤1公里”的商家收藏率达2倍；推动产品将“好评优先”权重提升20%、“附近商家”入口前置，对应页面点击转化率提升12%，用户平均停留时长增加8%

支撑供应链业务的数据驱动决策，聚焦采购成本优化、库存周转提效、商家需求匹配三大场景，通过数据洞察降低供应链损耗、提升资金使用效率

• 针对食材采购“过剩损耗”与“断货风险”矛盾，构建时间序列预测模型（ARIMA+季节因子调整），结合历史采购数据、节日营销计划、商家订单增速，实现对“大米、食用油、肉类”等高频食材的精准需求预测；模型预测准确率从81%提升至92%，季度采购成本降低10%，食材损耗率从7%降至2%
• 运用ABC分类法+周转天数指标重构库存管理逻辑：将食材分为A类（高价值低周转，如进口海鲜）、B类（中价值中周转，如冷冻肉）、C类（低价值高周转，如蔬菜）；针对A类食材建立“安全库存+动态补货”机制——安全库存从7天压缩至5天，联动供应商将交货周期从3天缩短至1.5天；最终A类食材周转天数从15天降至10天，库存占用资金减少18%
• 挖掘中小商家采购痛点，通过NLP文本分析（关键词提取+情感分析）处理1.2万条商家问卷与客服工单，识别出“小批量多频次采购”“应急补货响应慢”为核心需求；推动供应链团队开发“灵活采购套餐”——将常用10种食材组合成5kg/箱的小包装，支持按周补货；上线后中小商家采购满足率从65%提升至93%，复购率增长20%
• 搭建供应链实时监控Dashboard（Power BI），整合库存水平、采购成本、交付时效、商家投诉等12项核心指标，设置“库存低于安全线”“交付超时”等预警规则；某区域大米库存预警后，运营团队及时切换供应商，避免了断货事故，对应区域商家投诉率下降15%

支持外卖业务日常数据监控与基础洞察，搭建商家与用户核心指标体系，为运营活动、商家扶持提供数据支撑

• 搭建外卖商家运营指标库（含曝光量、点击转化率、客单价、复购率、差评率），用SQL实现指标自动化计算，每周输出《商家运营健康度报告》；识别出“曝光低但转化率高”的潜力商家（如某家川菜馆，曝光量低于均值20%但转化率达12%），推动运营团队优化其店铺首页菜品排序+增加“回头客优惠”，该商家月均GMV从8万元提升至11.2万元，增速达40%
• 分析满减活动效果，采用对比分析（活动前中后）+细分分析（按品类、客单价分段），发现“29-5元”“49-10元”档位对中小商家订单拉动最强——参与活动的中小商家订单量提升25%，客单价从32元升至38元；推动运营调整活动策略，将资源向该档位倾斜，季度活动参与商家数增长30%
• 用文本挖掘（TF-IDF算法）分析用户评价，提取高频负面关键词“配送慢”（占比32%）、“餐品凉了”（占比25%）；协同物流团队优化配送路线，增加“保温袋”标配，结果用户配送时长从45分钟缩短至38分钟，相关差评率下降10%
• 开发Python自动化报表脚本，替代人工统计商家订单、用户投诉等数据，将每周报表制作时间从8小时压缩至2小时，数据准确性从95%提升至99.5%；释放的人力投入到“高潜力商家扶持”项目中，推动项目内商家月均GMV增长22%

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。

支教时发现乡村小学因缺乏实验器材，科学课多停留在课本讲解。返校后联合实验室开发出百元级科学实验背包，内含20个基础实验器材。为确保可持续运营，设计配套视频课程与城乡结对系统，并培训132名大学生担任远程助教。项目覆盖9省47所学校后，学生科学兴趣评分提升35%。这段经历教会我用产品思维解决社会问题，当看到孩子们用自制望远镜发现土星光环时，我理解了教育的真谛是点燃可能性。