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 OMO场景下个性化学习路径智能推荐系统研发与规模化落地

• 项目背景：2022年教培行业OMO转型深化，但机构普遍面临线上线下学习数据割裂（线下课堂互动、作业批改数据存于教务系统，线上刷题、视频观看数据散落在APP埋点）、无法生成连贯个性化学习路径的痛点。我的核心目标是主导打通多源数据，构建适配K12学生的智能推荐系统，帮助机构提升学习效果与用户粘性，同时我对齐公司“以学生成长为核心”的教育价值观，确保技术方案不偏离教育本质。
• 关键难题与技术：1）多源数据标准化难——线下SQL数据库（存储课堂答题正确率、师生互动频次）与线上MongoDB（存储APP刷题时长、视频倍速）、第三方埋点日志的字段定义、粒度差异大，直接融合会导致特征噪声高；2）低龄段学生数据稀疏——1-3年级学生线上行为少，传统协同过滤模型泛化差，无法生成有效路径；3）教育伦理风险——需避免算法因数据偏见过度推送某类题型，或忽略学生情感状态导致的“学习疲劳”。针对这些问题，我选择“认知诊断理论+迁移学习”的技术路线，用IRT（项目反应理论）模型定义知识掌握程度的基础维度，再用XGBoost做行为特征的二次编码；同时设计“情感-行为关联特征”，将学生APP内的停留时长波动、错题重试次数转化为情绪稳定性指标。
• 核心行动与创新：首先，我牵头组织教学、产品、数据团队开8场需求对齐会，输出《OMO数据融合规范》，明确12类核心数据字段（如“线下课堂小组讨论贡献度”“线上错题归因标签”），并用Apache NiFi搭建实时数据管道，实现日均50万条数据的清洗、关联与存储；其次，针对数据稀疏性，我引入“元学习+IRT预训练”策略——先用全国10万+K12学生的脱敏数据预训练IRT基础模型，再用目标机构的少量数据微调，将模型对新生的路径预测准确率从62%提升至81%；最后，为管控伦理风险，我推动开发“双审机制”：算法生成路径后，先由系统的“公平性模块”（基于Equalized Odds Loss优化）筛查是否存在性别/区域偏见，再由教学督导人工校准10%的高风险案例，确保路径符合学生实际水平。
• 成果与价值：系统在试点城市（杭州、成都）的30所合作校区上线6个月后，核心指标显著提升：1）学生单元测试通过率从68%升至85%，单知识点学习时长缩短27%（从45分钟降至33分钟）；2）试点校区3个月以上用户留存率从41%提升至59%，续费率增长18%；3）形成《K12 OMO个性化学习路径设计SOP》，包含数据采集标准、模型迭代流程、伦理审核指南，成为公司OMO业务的标准工具包，已推广至12个城市36个校区；4）项目产出1项实用新型专利《一种K12多源学习数据融合装置》（专利号：ZL202321XXXXXX.XX）及2项软件著作权《清睿OMO个性化学习路径推荐系统V1.0》《K12学习行为情感特征提取工具V1.0》。我个人也因此晋升为“教育科技解决方案中心”负责人，主导后续3个区域的OMO系统复制落地。

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。