负责K12学科辅导业务全链路数据挖掘与分析，覆盖用户行为、教学效果、运营转化三大场景，通过数据驱动教学产品迭代、精准运营策略制定及用户生命周期价值提升。

• 主导搭建K12用户行为数据指标体系，针对学员选课-上课-练习-续费全流程存在的20+数据孤岛问题，基于Hive+Spark完成多源数据清洗与关联，构建包含3级漏斗（流量曝光→试听转化→正价课购买）的动态监测模型，将数据提取耗时从48小时压缩至2小时，支撑运营团队实时定位转化卡点，Q4试听转化率较上半年提升18%。
• 设计学员分层运营策略，结合RFM模型与Cohort分析，将用户划分为高潜新客、稳定在读、即将流失、沉默回流4类群体，针对即将流失群体（占比15%）通过XGBoost预测其流失概率（AUC=0.87），联动教学部门定制「薄弱知识点补训+班主任1v1沟通」干预方案，3个月内高价值用户（LTV前20%）流失率从22%降至14%。
• 参与个性化学习资源推荐系统优化，基于学员历史做题数据（覆盖数学/英语/语文3科，累计120万+行为样本），运用协同过滤算法+知识图谱技术，构建「知识点掌握度-题目难度-学习时长」三维推荐模型，上线后学员日均有效练习时长增加25分钟，单元测试达标率提升12%。
• 搭建教学效果归因分析框架，针对家长关注的「提分效果」痛点，通过Shapley值分解法定位影响学员期末成绩的关键因素（课堂互动率占38%、课后作业完成度占29%、教师答疑响应速度占22%），推动产品侧优化直播课堂连麦机制与作业批改SOP，季度内家长满意度调研中「教学效果」维度评分从4.1分（满分5分）提升至4.5分。

聚焦K12在线小班课业务的用户行为与教学过程数据，协助搭建基础分析框架，支持运营活动效果评估及教学团队数据需求响应。

• 独立完成学员报名转化路径分析，通过Google Analytics 4追踪流量来源（信息流广告/转介绍/自然搜索）与落地页行为（试听课观看完成率、表单填写时长），发现「3分钟以上试听课观看用户」的付费转化率是整体均值的2.3倍，推动市场部优化广告素材时长，Q3信息流广告ROI提升28%。
• 设计教学过程监控看板，基于SQL从直播系统中提取教师授课时长、互动提问次数、学生举手率等15项指标，以Tableau可视化呈现班级间差异，帮助教研团队识别「互动率低于均值班级」的共同特征（如低龄段+新教师组合），针对性开展教学培训，季度内班级平均互动率从41%提升至55%。
• 支持用户分层运营实验，协助运营团队对沉默用户（30天未登录）进行短信触达测试，通过A/B测试对比不同文案（福利型vs. 学习进度提醒型）的唤醒效果，最终确定「学习进度提醒+限时优惠券」组合文案的点击率高出基准37%，该策略被纳入常规运营SOP。
• 处理历史数据补录问题，针对早期系统未记录的「课程回放观看数据」，通过Python编写自动化脚本清洗CSV文件（累计处理200GB+数据），补全10万+学员的回看行为记录，为后续「重复学习需求分析」提供完整数据基础。

协助整理K12素质教育（编程/科学实验）业务的用户基础数据，参与简单报表制作与业务问题数据验证，积累教育行业数据思维与工具使用经验。

• 搭建用户基础信息标签库，从CRM系统导出5万+学员的年龄、地域、报课类型等字段，运用Excel VLOOKUP与数据透视表完成标签分类（如「8-10岁编程初阶」「11-13岁科学实验进阶」），输出《用户画像简报》，为课程顾问提供精准沟通参考，当月新客咨询转化率提升5%。
• 验证运营活动效果，针对「老带新拼团」活动，手动核对前端页面报名数据与后台支付数据（差异率初始达12%），通过排查发现「跨时区支付未同步」问题，推动技术团队修复接口延迟，后续活动数据一致性提升至99%以上。
• 制作周度运营报表，整合报名量、完课率、退费率等8项核心指标，用条件格式标注异常值（如某校区退费率环比上升8%），协助主管快速定位「教师更换频繁」的班级，推动校区加强教师稳定性管理，季度内整体退费率下降3个百分点。
• 参与用户调研数据清洗，将2000份问卷的开放题文本（如「对课程的建议」）导入NVivo进行主题编码，归纳出「希望增加实操环节」「课件更新慢」等高频反馈，相关建议被产品部采纳，次季度更新的3门课程实操占比从35%提升至50%。

• 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。

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。