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%。

游戏社区用户LTV全链路预测与投放闭环优化项目

• 项目背景：星途互娱核心游戏社区（MAU 500万+）面临用户增长瓶颈，2021年投放ROI同比下降22%，且缺乏对用户长期价值（LTV）的精准预判——传统RFM模型仅能解释48%的LTV差异，导致预算向低价值渠道倾斜、高LTV用户流失率超30%。我的核心目标是主导搭建**用户LTV预测模型+全渠道投放闭环体系**，实现预算向高价值用户精准倾斜，提升整体营销效率与用户生命周期价值。
• 解决的难题与技术：1. 用户行为碎片化：游戏用户日均产生15+类行为事件（试玩、社交、充值等），传统模型无法捕捉非线性关系；2. 多渠道归因混乱：抖音、B站、小红书等6个渠道数据未打通，原归因模型依赖渠道自带参数，误差超30%。我选择**LightGBM算法**构建LTV预测模型（整合23个维度特征，包括用户行为序列、社交关系强度、付费频次分布），同时用**Shapley值归因模型**重构跨渠道贡献分配——解决了“用户行为与LTV的非线性关联”及“多触点价值重复计算”两大核心问题。
• 核心行动与创新：1. 主导跨部门数据中台搭建，打通CRM、投放平台、用户行为日志的实时数据链路，开发“LTV预测-渠道预算分配-用户触达”可视化看板；2. 针对模型漂移问题，设计“每周增量训练+近期行为权重因子”机制，将模型时效性从7天延长至14天；3. 推动投放团队采用“LTV预测值×渠道CPA”的动态预算公式，将高LTV用户对应渠道（如垂直游戏UP主合作的B站）预算占比从35%提升至60%。
• 项目成果与价值：1. LTV预测准确率提升至83%，单用户获客成本（CAC）下降19%；2. 投放ROI较项目前提升28%，月均高价值用户（LTV≥500元）新增量增长42%；3. 建立的“预测-投放-运营”闭环流程成为公司核心营销SOP，支撑了后续《星舰指挥官》等3款新游的冷启动，直接贡献年营收增量超1.2亿元。

二次元新游《星轨战歌》预热期用户分层转化提效项目

• 项目背景：2021年公司重点二次元新游《星轨战歌》预热期（上线前3个月）遇到关键瓶颈——用户活跃率仅18%，付费转化率不足5%，核心问题是缺乏对预热用户的**精准需求识别**与**分层运营**。我的目标是主导构建预热期用户分层体系，将“泛流量”转化为“高意向付费用户”，提升新游上线前的用户储备质量。
• 解决的难题与技术：1. 兴趣标签缺失：二次元用户兴趣分散（涵盖动漫、cosplay、游戏攻略等多领域），现有标签体系仅覆盖60%的用户偏好；2. 行为数据稀疏：预热期用户日均互动仅3-5次，传统逻辑回归无法有效预测付费意愿。我采用**协同过滤算法**挖掘用户兴趣关联（如“喜欢《原神》的用户更关注开放世界玩法”），结合**贝叶斯网络**整合社交关系数据（关注的主播、社群活跃度），构建“兴趣-活跃-付费潜力”三维分层模型。
• 核心行动与创新：1. 主导扩展二次元用户标签库至120+个，覆盖“动漫IP偏好”“游戏玩法诉求”“社交互动习惯”三大维度；2. 设计三层运营策略：核心粉丝（付费概率≥70%）推送专属试玩码+主播联动直播，潜在付费（40%-70%）推送个性化游戏测评+福利预告，泛用户（≤40%）推送轻量化互动活动（如角色捏脸大赛）；3. 通过A/B测试优化触达时机——将运营消息发送时间调整为用户活跃高峰（晚8-10点），点击率提升32%。
• 项目成果与价值：1. 预热期付费转化率提升至16%，用户7日留存从12%提升至30%；2. 新游上线首月流水达8000万元，超预期15%；3. 分层运营体系被纳入公司新游预热标准流程，覆盖后续《灵界旅人》等3款二次元产品，累计降低无效投放成本超2000万元。

支教时发现乡村小学因缺乏实验器材，科学课多停留在课本讲解。返校后联合实验室开发出百元级科学实验背包，内含20个基础实验器材。为确保可持续运营，设计配套视频课程与城乡结对系统，并培训132名大学生担任远程助教。项目覆盖9省47所学校后，学生科学兴趣评分提升35%。这段经历教会我用产品思维解决社会问题，当看到孩子们用自制望远镜发现土星光环时，我理解了教育的真谛是点燃可能性。