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%。

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。