负责本地生活到店业务（餐饮/丽人）的商业策略制定与落地，通过用户行为分析、交易链路拆解及营销效果追踪，驱动商家侧供给优化与用户侧消费转化，核心指标包括商家GMV增长率、用户复购率及平台营销ROI。

• 主导设计到店业务商家分层运营体系：基于RFM模型与LTV预测算法，将8万+合作商家划分为‘战略级/潜力级/维护级’三类，结合商家生命周期（引入期-成长期-成熟期）定制运营策略；针对潜力商家设计‘流量扶持+工具赋能’组合方案，通过A/B测试验证资源分配效率，3个月内推动该类商家GMV环比提升27%，商家续费率从68%提升至79%。
• 深度拆解用户到店消费决策链路：运用漏斗分析定位‘搜索-点击-到店核销’环节流失痛点，发现‘优惠信息感知弱’为核心瓶颈；联动产品团队优化前端展示（增加动态优惠标签+倒计时组件），并通过NLP分析用户评论提取高频诉求（如‘预约麻烦’），推动商家端上线‘一键预约’功能；最终该链路转化率从12%提升至18%，用户到店后30天内复购率增长15%。
• 搭建营销活动效果归因模型：针对平台‘周末特惠’‘新人红包’等活动，采用Shapley值法量化各渠道（APP Push/朋友圈广告/商家私域）对GMV的贡献度，发现‘商家私域引导’ROI是公域投放的2.3倍；据此调整预算分配，将30%公域预算倾斜至商家侧激励，季度内整体活动ROI从2.1提升至3.4，单用户获客成本下降22%。
• 支撑战略级商家引入决策：为头部连锁品牌（如某新茶饮品牌）提供入驻可行性分析，通过空间热力图（结合POI数据与用户消费密度）评估选址合理性，利用博弈论模型测算平台抽佣与流量扶持的最优平衡点；最终推动该品牌全国30城首店入驻，上线3个月内带动周边3公里内用户到店频次提升41%，验证了模型对大商家合作的指导价值。

聚焦外卖业务中小商家运营，通过交易数据挖掘与用户画像分析，优化商家流量分配机制及促销策略，核心目标为提升中小商家存活率（6个月留存）与单店日均订单量。

• 构建中小商家健康度评估体系：整合订单量、客单价、退单率、用户评分等12项指标，采用主成分分析法提炼‘经营稳定性’‘用户粘性’‘服务质量’三大维度，输出商家健康分；针对低分商家设计‘诊断报告+定制课程’干预方案，通过SQL定时跑数生成动态看板，推动运营团队精准触达，6个月内中小商家6个月留存率从51%提升至63%。
• 优化搜索推荐流量分配策略：发现中小商家因曝光不足导致‘高评分低订单’现象，通过离线A/B测试验证‘评分权重+距离权重+实时订单量’的混合排序模型；上线后，评分4.5+中小商家的曝光量提升45%，订单转化率从8%提升至11%，整体中小商家户均日单量增长22%。
• 设计季节性促销活动SOP：针对夏季冷饮、冬季火锅等场景，运用时间序列预测（ARIMA模型）预判品类需求波动，结合商家库存与成本结构，输出‘满减门槛+折扣力度’动态调整方案；2023年夏季活动期间，参与商家日均GMV较非活动期增长58%，用户下单时段集中度从60%（仅18-20点）下降至42%，有效平滑流量高峰。
• 支撑商家端产品功能迭代：通过用户调研与行为数据交叉分析，发现中小商家普遍存在‘活动报名流程复杂’痛点；联动产品团队简化报名入口（从3级页面缩减至1级），并通过埋点追踪优化前后转化率，商家活动参与率从35%提升至52%，间接推动平台活动覆盖商家数增长40%。

支持电商平台服饰类目商家运营分析，负责基础数据清洗、核心指标监控及常规专题分析，协助优化商家流量获取与转化效率。

• 搭建服饰类目商家核心指标看板：基于SQL与QuickBI，整合GMV、点击率、转化率、退货率等20+指标，实现‘日度-周度-月度’多周期监控；通过设置异常预警规则（如GMV环比下跌超15%自动触发），将运营响应时效从24小时缩短至4小时，团队对突发问题的处理效率提升60%。
• 完成用户画像与商品匹配度分析：运用聚类分析（K-means）将用户划分为‘潮流追求者/性价比敏感型/品质型’三类，结合商品属性（价格带、风格、品牌）计算匹配度得分；输出‘高匹配商品推荐清单’，帮助商家调整上架策略，试点商家点击率从4.2%提升至6.1%，转化成本下降18%。
• 验证优惠券发放策略有效性：针对‘无门槛券/满减券/品类券’三种类型，通过随机对照试验（RCT）分析不同面额、发放渠道的用户领取率与核销率；发现‘满199减30’品类券在微信社群渠道的核销率达28%（高于其他组合15%+），推动运营团队将该策略推广至全量商家，季度内优惠券ROI提升25%。

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。