负责K12个性化学习平台全链路数据体系建设，覆盖用户学习行为追踪、多源数据融合、学习效果归因及业务侧数据赋能，边界包括数据采集埋点校准、个性化策略模型支撑、教学端数据看板开发及产品功能迭代的数据验证

• 主导搭建平台用户学习行为数据仓库，基于Hive+Spark完成12个业务系统（如备课、授课、练习、测评）的数据整合，解决此前数据分散在8个孤立数据库、标签一致率仅65%的问题；通过定义「知识点掌握度」「学习专注度」「错题复发率」3类核心指标体系，支撑个性化推荐模型接入，上线3个月后平台推荐内容的点击率从18%提升至32%，学生日均学习时长增加25分钟
• 针对「个性化学习路径效果难量化」痛点，引入因果推断方法（PSM倾向得分匹配+DID双重差分），对比使用路径推荐与未使用学生的3个月成绩变化，修正传统转化漏斗分析的「相关性≠因果性」偏差；结果显示推荐组平均提分11.2分，较对照组高4.8分，推动该功能成为平台核心卖点，带动季度付费转化率提升19%
• 支撑教学团队「薄弱知识点精准推送」需求，基于XGBoost构建「学生知识点漏洞预测模型」，整合学生的作业错题、课堂互动、测评轨迹等150+维度特征，模型AUC值达0.89；上线后教学侧推送的知识点精准度从62%提升至81%，老师备课时间减少20%，学生针对性练习的完成率从45%升至73%
• 建立「数据-业务」双向赋能机制，为教研、运营、教学团队定制3类数据看板：教研端关注「知识点覆盖度与学生易错率关联」，运营端关注「活动触达与学习行为变化的联动」，教学端关注「学生实时学习状态与干预效果」；通过Tableau+SQL实现看板自动化更新，让非数据岗人员能独立提取关键指标，跨部门数据沟通成本下降40%

聚焦K12学科辅导产品的用户学习数据挖掘，支撑课程设计优化、运营活动效果评估及教学效果验证，边界包括用户分层模型构建、课程转化漏斗分析、教学成果数据归因及跨部门数据需求响应

• 构建「K12用户生命周期分层模型」，结合RFM（最近一次学习、学习频率、学习时长）与K-means聚类，将用户分为「潜在付费者」「活跃学习者」「流失预警者」「高价值复购者」5类；针对「流失预警者」设计「个性化补学任务+专属辅导提醒」策略，通过Python自动化触达，该群体30日留存率从28%提升至45%，年度运营成本下降15%
• 分析「试听课转正课」转化漏斗，用Hotjar热力图发现83%的流失用户卡在「试听课互动环节」（如未完成随堂练习或未提问）；推动产品优化互动设计（增加强制互动节点+实时反馈），转化率从12%提升至26%，单月新增正课用户增加320人
• 验证「线上线下混合式教学」效果，用倾向得分匹配（PSM）选取1000名同特征学生（成绩、年级、地域一致），对比纯线上个性化班与纯线下班的期末成绩；结果显示线上班数学平均分高11.5分，且「错题复盘效率」提升40%，支撑公司将线上业务占比从35%扩大至58%
• 搭建「课程质量监测指标体系」，整合「学生课堂参与度」「课后作业完成率」「单元测试通过率」3类数据，用时间序列分析识别出「第3周课程」是全年课程的「流失拐点」；推动教研团队优化第3周内容（增加案例式教学+降低难度梯度），全年课程完课率从68%提升至82%

协助K12教育产品的用户数据统计与基础分析，支撑运营活动效果跟踪、产品功能初步优化及跨部门数据沟通，边界包括日常数据报表搭建、用户行为初步洞察及基础数据问题排查

• 用SQL+Excel搭建「每日运营数据报表」，涵盖用户注册量、活跃率、付费转化率、活动响应率等12个核心指标，实现数据实时更新；此前运营团队需手动整合3个系统数据，耗时4小时/天，报表上线后耗时降至30分钟，活动响应率从15%提升至28%
• 分析用户流失原因，用Logistic回归模型筛选出「课程难度不匹配」「互动性不足」「学习反馈慢」3个核心变量（解释度达72%）；向产品团队提出「增加课程难度分级」「优化评论区互动功能」「设置作业24小时内反馈机制」建议，实施后月度流失率从11%降至7%
• 协助优化产品新手引导流程，用Google Analytics追踪用户注册-激活路径，发现45%的用户在「填写学习目标」环节流失；推动简化流程（从5步减至3步，预设常用目标选项），注册转化率从38%提升至56%
• 每周收集竞品数据（用Scrapy爬取竞品官网、App Store评价及社交媒体反馈），整理成「竞品功能与用户痛点报告」；支撑产品团队调整迭代方向，例如针对竞品「个性化练习推荐弱」的痛点，推动上线「错题同类题推送」功能，上线1个月后该功能使用率达63%

K12智能作业分层系统研发与区域化落地项目

• 项目背景：传统K12作业存在“一刀切”痛点——学优生“吃不饱”、学困生“跟不上”，老师需手动分层作业导致批改负担重（日均3-4小时/人），学生学习效率低（无效练习占比超40%）。项目目标是研发一套集“学生能力画像-作业动态分层-效果追踪”于一体的智能系统，覆盖语文、数学、英语3大学科，支持区域教育局下属10所试点校的规模化应用。
• 关键难题与技术：①学生能力画像的精准性——传统静态标签无法反映动态学习进展，初期画像准确率仅65%；②多学科作业模板的灵活性——不同学科（如语文的阅读理解vs数学的计算练习）需要差异化的分层规则，通用模板无法满足教研需求；③高并发下的性能瓶颈——试点校同时在线使用峰值达2000人，初期系统响应时间超3秒。技术上，我选择以“知识图谱+协同过滤”构建学生能力模型，将知识点拆解为12级颗粒度；前端采用Vue.js+Element Plus开发动态表单，支持老师自定义作业维度；后端基于Spring Cloud Alibaba微服务架构，通过Redis缓存热点数据和RabbitMQ异步处理批改任务，解决性能问题。
• 核心行动与创新：①针对画像不准，我牵头联合教研团队标注了3万+学生的180天作业行为数据（包括答题时长、错误类型、知识点掌握轨迹），优化了协同过滤的权重算法（将“近期学习行为”权重从20%提升至40%），最终画像准确率提升至82%；②为解决模板灵活性，我设计了基于JSON Schema的“学科作业模板引擎”，允许教研人员通过可视化界面配置分层规则（如“数学错题同类题拓展”“语文阅读理解难度梯度”），无需技术开发，模板上线周期从7天缩短至1天；③推动跨部门协同，每周组织“技术-教研-产品”对齐会，将教研的“分层策略”转化为技术可落地的算法参数，确保系统符合教学实际需求。
• 项目成果与价值：①系统上线后，试点校老师的作业批改时间平均减少40%（从3.2小时/人降至1.9小时/人），学生无效练习占比下降至18%，单元测试达标率提升28%；②支撑区域教育局完成“双减”背景下的作业改革验收，成为区级示范项目；③申请2项软件著作权（《K12学生能力画像算法系统V1.0》《多学科智能作业分层平台V1.0》），并在公司内部推广至5个省份的20所合作校。我个人主导了技术架构设计与核心算法优化，推动了技术与教研的深度融合，是项目从0到1落地的关键负责人。

中小学在线辅导AI助教系统核心模块开发项目

• 项目背景：公司原有在线辅导系统缺乏个性化互动能力，助教老师需手动回复80%的常规问题（如“这道题的解题步骤是什么”），导致精力分散在低价值工作。项目目标是开发AI助教的“问题理解-答案生成-个性化推荐”核心模块，辅助助教提升回复效率，同时为学生提供即时答疑服务。
• 关键难题与技术：①意图识别的准确性——学生提问口语化严重（如“这题咋做呀”vs“这道题的解题方法是什么”），初期意图识别准确率仅70%；②答案生成的适配性——不同年级、不同教材版本的知识点表述差异大，通用答案无法满足需求；③多轮对话的连贯性——学生在答疑中常追问（如“那这种题的易错点是什么”），系统无法保持上下文关联。技术上，我采用BERT预训练模型进行意图分类，针对口语化问题做了 fine-tuning；后端搭建“知识点库+教材版本映射表”，根据学生的年级和教材版本动态筛选答案；通过Redis存储对话上下文，实现多轮对话的连贯性。
• 核心行动与创新：①为提升意图识别准确率，我收集了10万+条学生真实提问数据，标注了“题目询问”“知识点讲解”“错题求助”等15类意图，优化了BERT模型的微调策略（将学习率从2e-5调整至1e-5，增加epoch至10），最终准确率提升至88%；②针对教材版本适配，我设计了“知识点-教材版本”关联矩阵，比如“一元二次方程的解法”在不同版本教材中有不同的表述，系统会自动匹配学生所用版本的答案；③优化对话流程，引入“引导式提问”——当学生问题模糊时，系统会主动追问（如“请问你问的是哪一课的题目呀？”），将有效问题占比从60%提升至85%。
• 项目成果与价值：①AI助教的回复覆盖率从20%提升至65%，助教老师的低价值回复时间减少50%；②学生即时答疑满意度从72%提升至89%，续费率提升12%；③模块被整合至公司核心在线辅导产品，支撑了10万+学生的日常使用。我在项目中负责核心算法的落地和模块开发，解决了意图识别和教材适配的关键问题，是从技术执行到模块Owner的重要成长阶段。

• 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。