• 开创性地为公司海量（EB级）的视频、图片、文档等非结构化数据建立了系统的治理体系。设计了“非结构化数据资产编目”方案，通过AI技术自动提取视频关键帧、生成字幕文本、识别物体和场景，为其生成丰富的结构化元数据，使其变得“可搜索、可管理、可分析”。
• 构建了“多媒体内容合规与版权治理”系统，利用图像识别、音频指纹和版权库比对技术，自动检测用户上传内容中的违规和侵权风险，每日审核内容百万条，准确率95%+，避免了巨大的法律风险。
• 实现的“非结构化数据生命周期管理”策略，根据内容的访问热度、业务价值和法律要求，自动制定其在不同存储介质（如热存储、冷存储、归档存储）间的流转和归档策略，年节省存储成本40%。
• 该体系将公司过去视为“成本负担”的非结构化数据资源盘活为“待挖掘的金矿”，直接赋能了内容推荐、智能剪辑、广告投放等业务场景。

• 深入业务部门痛点问题，主导了​​核心业务数据​​的质量专项治理项目，通过根源分析、流程重构和技术监控相结合，将新闻题材、素材等关键字段的差错率从​​万分之五降低至十万分之一​​。
• 负责​​素材、题材数据管理体系建设，统一了多个业务系统的ID映射与数据模型，确保核心实体数据在全公司范围内的​​一致性、唯一性和准确性​​，支撑了精准的营销和风控。
• 设计并实施​​数据访问权限最小化​​管控方案，基于数据分类分级结果，实现行级别和列级别的动态数据脱敏与精准权限控制，覆盖​​100%​​的敏感数据访问场景。

泛娱乐社交用户实时行为-画像融合决策平台

• 背景：公司旗下社交APP用户破1.2亿，但实时行为数据（点赞/评论/礼物打赏）与离线用户画像（兴趣标签/付费层级）割裂，商业化团队依赖T+1报表决策，导致营销活动响应滞后、个性化推荐CTR低于行业均值15%；目标是构建“实时+离线”统一数据平台，支撑营销、推荐、运营的分钟级决策。
• 难点：实时数据湖需兼顾“低延迟写入”与“数据一致性”——初期Flink写HDFS易积压重启，离线同步时schema不一致引发计算错误；业务需关联用户实时行为与30天内历史行为，传统join耗时久无法实时。
• 行动：主导设计“实时-近线-离线”三层架构：实时层用Flink消费Kafka数据，通过Iceberg Upsert模式写入实时湖解决一致性问题；近线层用Spark Streaming基于Iceberg做分钟级行为聚合；离线层预计算实时与历史关联表减少join压力。利用Iceberg Schema Evolution自动同步离线标签体系，消除人工修改成本。
• 成果：平台上线后，实时数据延迟从5分钟降至30秒内，准确性达99.95%；商业化活动ROI提升28%，推荐CTR较之前高35%；支撑会员推送、广告定向等3个核心场景，年节省决策时间4000小时。个人主导跨团队落地，推动平台成为公司数据驱动核心基建。

多源用户行为日志实时处理平台从0到1搭建

• 背景：公司APP/小程序/Web用户半年增长3倍，现有Logstash+Elasticsearch系统无法承载峰值每秒15万条日志，且格式混乱导致实时监控延迟超10分钟、推荐无法用实时特征；目标是搭建高可用低延迟的日志处理平台。
• 难点：多源日志标准化难（端格式不一致）、高吞吐下性能瓶颈——初期单节点Flink吞吐不足，故障恢复需30分钟以上。
• 行动：设计统一Avro schema规范跨端日志，用Flume Agent自动转换为标准格式发Kafka；基于Flink做分布式并行pipeline，按日志类型动态调并行度（APP设32、小程序设16）提升吞吐；采用Checkpoint+Savepoint双机制，将故障恢复时间缩至5分钟内。
• 成果：日志吞吐量从每秒5万条提至25万条，延迟降至1分钟内；解析错误率从8%降至0.1%以下；支撑实时监控与推荐实时特征，推荐实时特征覆盖率从20%升到70%。个人负责架构设计与核心开发，解决多源日志标准化与性能瓶颈，为后续数据平台扩展奠基。