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%

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。