主导用户生命周期各阶段（拉新-促活-留存-转化-裂变）的营销数据深度挖掘，构建预测模型与策略验证体系，驱动跨渠道（信息流、私域、搜索）精准投放与ROI优化，支撑年度GMV增长目标。

• 搭建动态用户分层模型：基于SQL+Python对800万+用户行为数据（浏览、加购、支付、复购）进行特征工程，融合RFM（最近购买、频率、金额）、LTV（生命周期价值）及触达响应度指标，设计5级分层体系（高潜新客/沉睡老客/高价值忠诚客等），解决过往人工圈选人群精准度不足问题；模型上线后，大促期间目标人群触达转化率从8.2%提升至11.7%，单客营销成本下降15%。
• 优化跨渠道预算分配策略：通过归因模型（时间衰减+位置归因混合算法）分析各渠道（抖音信息流/微信社群/搜索广告）对GMV的贡献度，结合马尔可夫链预测用户跨渠道流转路径；主导将原「按历史消耗占比分配预算」调整为「按增量ROI动态调仓」，Q4大促期间整体ROI从2.8提升至3.4，其中私域渠道因高复购贡献被追加20%预算，带动老客GMV占比从45%提升至52%。
• 设计A/B测试闭环机制：针对营销活动创意（弹窗文案/权益组合/触达时机）建立「假设-测试-迭代」标准化流程，使用Optimizely平台同时运行8组测试方案；通过卡方检验与置信区间分析快速定位最优策略，例如发现「首购礼金+3日内复购券」组合的30天转化率比单一礼金高22%，该策略被纳入年度SOP，全年节省测试成本40万元。
• 搭建营销健康度看板：基于Quick BI整合用户行为、交易、触达数据，开发包含「高潜用户流失预警」「渠道ROI波动」「活动成本回收周期」等12个核心指标的实时监控看板；通过设置阈值触发机制（如某渠道CTR连续3日下降10%自动预警），推动运营团队提前干预，Q3大促期间异常问题响应时效从4小时缩短至1小时，关键指标异常率下降60%。

聚焦电商平台大促（618/双11）场景，负责用户需求预测、流量资源匹配及活动效果后评估，支撑运营团队制定差异化营销策略。

• 大促前用户需求预判：爬取并清洗外部舆情数据（微博/小红书关键词），结合内部搜索日志（商品搜索量、加购未支付率），使用XGBoost模型预测爆款品类及用户价格敏感区间；618大促前成功预判「智能家电」搜索量将增长120%，建议运营团队提前锁定头部品牌资源位，最终该品类GMV同比增长150%，超额完成目标35%。
• 活动中流量动态调配：搭建实时数据监控链路（Flume+kafka+ClickHouse），跟踪各页面（首页/详情页/购物车）流量转化漏斗，当发现「秒杀频道」跳出率较日常高30%时，联动技术团队排查加载延迟问题并优化素材；调整后该频道转化率从4.1%回升至6.8%，额外贡献GMV 800万元。
• 大促后策略复盘：通过Shapley值分解各环节（流量获取-转化-复购）对GMV的贡献，输出《大促营销效率白皮书》；发现「跨店满减」对客单价提升贡献度达42%，但「店铺券」核销率仅18%（因规则复杂），推动简化券面信息并增加弹窗引导，次年双11店铺券核销率提升至29%。

协助营销团队完成基础数据提取、常规报表搭建及简单策略验证，探索数据驱动运营的落地场景。

• 营销数据基建支持：每日定时提取用户行为（GA4）、广告投放（巨量引擎）及交易数据（ERP），清洗后输出《每日营销简报》，包含「各渠道点击率」「活动页面停留时长」「新客成本」等15个核心指标；通过标准化模板将报表产出时效从4小时缩短至1小时，支撑运营团队早会决策。
• 小范围策略验证：针对「新人首单礼」设计两组测试（无门槛券vs品类券），使用SPSS进行独立样本T检验，发现品类券（限母婴类）的新客7日留存率比无门槛券高17%；结论被采纳后推广至全站，当年母婴品类新客LTV提升22%。
• 用户流失预警初探：基于历史流失用户（30天未活跃）的行为特征（登录间隔、互动次数），用逻辑回归训练预测模型，准确率达75%；为运营团队提供2000+高流失用户名单，配合定向优惠券召回，当月流失用户回流率从8%提升至12%。

Z世代用户LTV提升与全链路精准触达数据化营销体系搭建

• 项目背景：公司核心Z世代社交APP「星伴」面临新用户30日留存低于行业均值（29% vs 行业35%）、高价值用户LTV增速放缓（年增长18%）的问题，需通过数据驱动重构用户运营逻辑，目标是将LTV前20%用户占比提升至25%以上，整体LTV年增长超30%。
• 关键难题：①现有用户标签体系仅基于基础属性与简单行为，无法识别「高潜付费但易流失」「低价值但高传播」等异质群体；②跨注册、行为、付费、客服4大系统的用户数据未打通，营销活动效果归因误差超40%；③传统RFM模型对Z世代「兴趣迭代快、重视情感联结」的行为特征适配性差，预测付费准确率仅62%。
• 核心行动：1. 主导用户行为链路重构，梳理「内容互动-社群参与-付费尝试」3大核心场景，定义28个行为特征（如「连续7天浏览二次元内容」「在兴趣小组发起话题」），结合隐马尔可夫模型（HMM）预测用户生命周期阶段（获客→激活→留存→付费→忠诚）；2. 推动数据中台对接，整合8个业务系统数据，搭建「用户行为-营销触点-转化结果」全链路归因模型，将归因误差降至15%以内；3. 针对Z世代特点，在XGBoost付费意愿预测模型中加入「情感共鸣度」（如对UGC内容的点赞评论情绪分析）、「社交影响力」（如社群发言被回复量）等定制特征，优化模型泛化能力。
• 项目成果：①高价值用户（LTV≥500元）占比从15%提升至29%，整体用户LTV年增长41%；②营销活动ROI从1:2.3提升至1:3.3，无效投放成本下降31%；③体系被纳入公司营销SOP，后续支撑海外版「StarPal」上线首月LTV超预期27%。个人主导从模型搭建到跨部门落地的全流程，创新将Z世代行为特征融入传统模型，成为公司数据化营销的核心方法论。

新用户激活转化效率提升数据化运营策略迭代

• 项目背景：「星伴」APP新用户注册后7日留存仅38%（行业均值42%），首单转化率11%，需通过数据化运营优化激活流程，目标是将7日留存提升至50%以上，首单转化率提升至18%。
• 关键难题：①用户来源渠道分散（抖音、应用商店、小红书等8个渠道），各渠道用户行为差异大（如抖音用户更关注「兴趣匹配」，应用商店用户更在意「功能引导」），无法针对性运营；②激活流程存在3个关键流失节点（注册后引导页停留超30秒流失率达60%、新手任务完成率仅45%），但未明确优化方向。
• 核心行动：1. 用漏斗分析与路径聚类（K-means）划分渠道用户类型——将抖音渠道用户定义为「内容驱动型」，应用商店用户定义为「功能导向型」；2. 针对「内容驱动型」用户，优化注册后引导页为「兴趣话题挑战」（如「选择你喜欢的二次元风格，立即加入同好圈」），替代原功能介绍；针对「功能导向型」用户，强化新手任务的「即时奖励反馈」（完成1步得专属头像框）；3. 通过A/B测试验证21组引导文案与交互设计，比如将「创建你的社团」改为「加入10万同好的动漫圈，领限定表情包」，点击转化率提升24%。
• 项目成果：①新用户7日留存从38%提升至56%，首单转化率从11%提升至22%；②建立「渠道-用户类型-运营策略」分群运营方法论，后续新渠道接入效率提升50%。个人负责从问题诊断到策略落地的闭环，首次将用户分群与场景化运营结合，成为公司早期数据化营销的标杆项目。

• 大二观察到毕业生离校时大量教材被废弃，而新生购书支出占生活费12%，便发起校园书籍教材循环计划。为解决传统二手书交易效率低的问题，我们开发微信小程序实现扫码估价、预约取件功能，并说服快递中心以成本价承接物流。
• 通过建立翻新消毒标准打消卫生顾虑，项目年流通教材1.2万册，累计为同学节省书费38万元。这段经历让我从商业小白成长为能设计闭环模式的实践者，项目不仅获省级创业金奖，更被纳入学校官方服务体系延续至今。