负责社交电商全渠道营销数据整合与分析，搭建用户生命周期价值（LTV）-获客成本（CAC）联动模型，优化信息流投放与私域转化策略，支撑营销预算分配及增长决策

• 主导设计社交电商全渠道（抖音、微信生态、小红书）营销数据中台需求方案，通过SQL+Python整合埋点、巨量引擎/千川投放、有赞交易数据，解决跨平台用户ID映射不一致问题（采用MD5加密+多维度规则匹配，将重复用户识别误差从30%降至5%）；落地Tableau实时营销数据看板，覆盖曝光-点击-转化-复购全链路，让投放团队能实时调整素材，Q4抖音信息流CTR较Q3提升18%
• 核心优化用户分层模型，基于RFM框架融合机器学习（XGBoost）与用户行为（浏览时长≥10分钟、加购转化率≥20%）、营销触达响应（短信打开率≥15%、优惠券核销率≥30%）等多维度特征，将用户划分为“高价值忠诚”“潜力转化”“流失召回”3层；联动运营团队针对高价值用户推送专属权益（如生日免单+限量周边），复购率提升22%；针对流失用户发送定向优惠券（满200减50+个性化推荐），召回率提升15%
• 针对Q3信息流投放ROI环比下滑8%的问题，搭建A/B测试框架拆解素材类型（剧情类vs产品展示类）、定向人群（新客vs老客复购）、投放时段（晚8-10点vs凌晨）三大变量；发现剧情类素材对新客转化率高30%，但老客更偏好“产品功能演示+限时买赠”组合，调整后投放ROI回升至1:4.2，单季度节省无效投放预算150万元
• 沉淀“营销活动效果评估SOP”，包含数据采集（埋点校验工具+人工抽检）、指标体系（核心指标：新客获取量、老客复购额；辅助指标：渠道转化率、LTV/CAC）、归因模型（末次点击+时间衰减加权）；推动市场、运营、产品跨部门共识，活动复盘时间从7天缩短至3天，后续“双11”营销活动转化目标达成率提升25%

负责教育行业精准营销数据分析，搭建线索评分模型，优化SEM与信息流投放协同策略，提升线索转化效率

• 核心参与教育行业线索管理系统搭建，使用SPSS Modeler训练线索评分模型，融合用户搜索关键词（如“考研英语一对一”“公务员面试培训”）、行为轨迹（课程详情页停留≥5分钟、下载备考资料≥3份）、 demographic 数据（25-35岁、本科及以上学历）三大维度特征，将线索分为“高意向”“中意向”“低意向”；销售团队优先跟进高意向线索，转化率从8%提升至15%，线索处理效率提升30%
• 针对SEM投放关键词CPC上涨12%的问题，采用K-means聚类分析将关键词分为“品牌词”“通用词”“长尾词”三类；优化出价策略——品牌词保持高bid（Top3位置），通用词降低bid并添加“-培训”等否定词，长尾词提升bid并拓展“2023考研英语冲刺班”等相似词；最终CPC下降9%，线索量提升20%
• 联动信息流投放做人群包测试，将SEM高转化人群（25-35岁、搜索过“在职研究生”的用户）同步至巨量引擎做Lookalike扩量，人群包点击率比普通人群高40%，转化成本下降18%，单月新增有效线索1.2万条
• 搭建营销数据监控预警体系，用Python编写脚本实时监控线索量、转化率、CPC等10+核心指标，设置阈值（如线索量较前日下降20%、转化成本较上周上升15%）触发预警；提前发现“某考研关键词被竞品抢注”导致的流量下滑问题，及时调整投放关键词，异常响应时间从24小时缩短至2小时

负责电商行业营销数据日常分析，支持投放团队素材优化与预算分配，搭建基础营销指标体系

• 主导整理电商营销数据字典，定义200+个标准化指标（如曝光量、点击率、转化率、ROI、LTV），统一市场、运营、财务部门的数据口径；解决此前“不同团队对ROI计算方式分歧”问题，数据沟通效率提升40%
• 分析各渠道投放效果，用漏斗模型拆解淘宝直通车、京东快车、拼多多场景推广的转化环节；发现拼多多场景推广加购转化率比淘宝低15%，原因是素材未突出“拼团立减100元”核心权益，建议调整素材后，加购转化率提升至与淘宝持平，ROI提升25%
• 支持“618”大促数据分析，跟踪某美妆店铺流量来源与转化情况，发现直播流量占比30%但转化仅5%；分析原因为主播话术未强调“限时2小时半价”，建议增加折扣提醒，转化提升至12%，该店铺“618”销售额超预期18%
• 用Excel搭建预算分配模型，基于各渠道历史ROI与预算占用情况，优化预算比例——将百度推广20%预算转移至抖音信息流（ROI：1:3.5 vs 1:2.8），单季度预算回报率提升15%

游戏社区用户生命周期价值（LTV）最大化数据驱动营销项目

• 项目背景：星途社区作为公司核心游戏用户沉淀平台，近一年面临「高活跃用户付费转化下滑」「营销预算ROI降至1:3.2」的双重压力——传统「按渠道曝光分配预算」的方式无法区分用户长期价值，导致高LTV用户触达不足、低LTV用户过度投放。我的核心目标是通过数据驱动构建LTV预测与分层运营体系，实现「精准触达高价值用户、优化资源分配」，最终提升整体LTV与ROI。
• 关键难题与技术方案：1）数据分散：用户行为数据分布在APP、小程序、H5及第三方渠道（如TapTap、B站），缺乏统一的用户ID映射与标签体系；2）LTV预测准确性低：传统线性回归模型无法捕捉用户生命周期阶段的非线性特征（如「激活后7天内付费」的用户LTV是普通用户的5倍）。我牵头整合多源数据（用Spark完成日均10TB数据的清洗与关联），基于用户「属性（年龄/游戏偏好）+ 行为（登录频率/关卡进度）+ 付费（客单价/复购间隔）」构建320+维度的标签体系，同时采用「分阶段XGBoost模型」——针对获客期（注册7天内）、成长期（激活30天内）、成熟期（付费≥2次）用户分别训练子模型，解决非线性预测问题。
• 核心行动与创新：1）定义「可运营LTV」口径：联合财务与产品团队，将LTV计算从「历史付费总和」调整为「未来180天预期付费+推荐带来的新用户价值」，更贴合营销决策需求；2）搭建实时预测pipeline：用Flink实现用户LTV分数的分钟级更新，联动运营系统自动触发个性化触达策略——比如对「高LTV未付费」用户推送「专属游戏皮肤+首充双倍」权益，对「低LTV高活跃」用户引导参与「邀请好友得游戏币」裂变活动；3）建立「策略-反馈」迭代机制：每周分析触达效果，优化模型特征（如新增「用户最近浏览的付费内容类型」特征），提升预测精准度。
• 成果与价值：1）LTV预测准确率从68%提升至85%，营销资源ROI从1:3.2提升至1:4.3（超年度目标15%）；2）付费转化率较之前提升27%，单用户生命周期价值（LTV）增长21%；3）推动公司从「渠道导向」转向「用户价值导向」的营销模式，该模型后续复用至公司其他游戏产品的用户运营中。我的贡献在于主导了从数据整合、模型搭建到策略落地的全流程，打通了「数据-模型-运营」的闭环。

跨渠道用户获取（UA）归因优化项目

• 项目背景：此前公司UA投放依赖「Last-Click归因」，导致渠道价值评估严重偏差——比如短视频平台的「种草视频」虽未直接带来点击，但能提升用户后续转化，却被归因为空白；而部分信息流广告因「最后点击」被高估。我的目标是建立「多触点归因模型」，准确衡量各渠道对转化的贡献，优化投放预算分配。
• 关键难题与技术方案：1）数据稀疏性：部分渠道（如KOL合作）的用户行为路径短，难以追踪完整转化链路；2）模型选择争议：团队对「马尔可夫链归因」（强调渠道间的转移概率）与「Shapley值归因」（强调渠道组合的边际贡献）存在分歧。我通过梳理12个核心渠道（信息流、短视频、KOL、应用商店等）的触点数据，先用马尔可夫链模型计算各渠道的「转化概率贡献」，再用Shapley值修正高客单价游戏的「组合渠道价值」（比如「短视频种草+KOL推荐」的组合转化率比单一渠道高3倍），解决了单一模型的局限性。
• 核心行动与创新：1）搭建归因数据仓库：整合用户从「曝光-点击-注册-付费」的全路径数据，定义18类触点（如「短视频观看≥30秒」「KOL评论区互动」）作为归因节点；2）开发可视化归因报表：用Tableau搭建渠道效果看板，展示各渠道的「直接转化贡献」「间接辅助贡献」「总价值排名」，让投放团队直观看到渠道的真实价值；3）推动策略落地：根据归因结果，将预算从「低价值信息流广告」（占总预算25%但贡献仅8%）转移至「短视频种草」（归因价值提升40%）与「头部KOL合作」（组合贡献提升35%）。
• 成果与价值：1）归因准确率从55%提升至90%，UA投放ROI提升31%；2）无效渠道预算削减18%，新增用户中来自高价值渠道的比例从45%提升至72%；3）建立了公司首个「跨渠道归因标准」，为后续投放策略提供了数据基础。我的贡献在于主导了模型选型与数据链路搭建，用数据证明了「组合渠道」的价值，推动了投放策略的精细化。

• 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。