负责电商平台用户行为与交易全链路数据仓库建设，覆盖从需求拆解、分层设计到上线运维的全周期，边界包括打通APP/小程序/H5多端数据孤岛、保障数据质量及支撑营销/风控核心业务的实时分析需求

• 主导设计用户行为数据分层体系，基于Kimball维度建模理论划分ODS（原始行为日志）、DWD（清洗后事件事实表）、DWS（用户行为宽表）三层；针对多端日志分散问题，用Flink实现实时ETL整合（处理APP点击、小程序浏览等10+类事件），结合Hive离线校准时间戳与设备ID一致性，最终实现用户行为数据统一口径，查询响应时间从8秒降至4.8秒，直接支撑营销团队精准分群（将活动转化率从12%提升至18%）
• 优化交易数据仓库增量同步机制，原Sqoop每小时同步MySQL订单数据导致延迟高（峰值60分钟），改用Canal捕获binlog+Spark Streaming实时处理增量，同步延迟压缩至5分钟内；同时引入数据校验规则（订单金额与支付金额一致性、状态流转合法性），交易数据错误率从0.3%降至0.05%以下，支撑实时风控系统对可疑交易的秒级预警
• 推动数据质量体系落地，基于Apache Atlas搭建元数据管理平台，定义“完整性（字段非空率≥99.9%）、一致性（跨表用户ID匹配率≥99.5%）、时效性（核心指标T+1更新完成率100%）”三大类21条规则；每月数据质量问题工单从15单降至2.5单以内，业务方对数据准确性的满意度从72%提升至91%
• 主导跨部门数据协作项目，对接营销、产品、运营3个部门的20+需求，梳理“新客转化率”“老客复购间隔”等200+指标口径并录入指标字典；用Superset搭建自助分析看板，支持业务人员通过拖拽式操作取数，自主取数率从30%提升至70%，减少数据团队重复支持工作量约40%

负责内容社区用户互动与内容生产数据仓库搭建，支撑内容推荐、用户增长业务，边界包括整合MongoDB/MySQL分散数据、设计高效查询结构及赋能运营决策

• 核心参与内容互动数据仓库建设，采用星型模型设计维度表（用户画像、内容标签、场景上下文）与事实表（点赞/评论/分享事件）；用HBase存储明细数据（支持高并发点赞日志写入），Hive做日/周汇总层，解决之前数据分散在MongoDB（评论）与MySQL（点赞）导致的查询慢问题，内容推荐所需用户兴趣特征提取时间从10秒降至2秒，支撑推荐系统CTR提升25%
• 重构内容生产数据ETL流程，原Shell脚本依赖人工调度且无报警，改用Airflow编排任务（设置任务依赖、重试策略及钉钉报警），任务失败率从8%降至0.8%以下；同时优化内容作者维度表更新逻辑（按作品发布时间增量更新），作者粉丝数、作品互动量等指标的更新时效性从T+2提升至T+1
• 设计内容标签体系，结合TF-IDF算法对社区内容（图文/视频）打“科技/娱乐/美食”等10+一级标签及“AI绘画/职场干货”等二级标签，标签数据存入Elasticsearch；支撑内容推荐精准度提升，用户点击推荐内容的概率从18%升至23%
• 配合用户增长团队做留存分析，梳理用户生命周期关键节点数据（注册→激活→留存→转化），建立“注册后3天活跃率”“7日留存漏斗”等模型；发现注册引导页跳出率高（45%）的问题，推动产品优化引导流程（简化步骤至3步），注册后7日留存率从28%提升至33%

协助搭建电商订单与支付数据仓库，支撑财务结算与运营分析，边界包括数据同步、清洗及基础汇总表开发

• 协助设计订单数据仓库分层结构，用Sqoop从MySQL业务库同步订单主表/明细表，Hive做清洗（去除重复订单、补全缺失收货地址）；实现订单数据统一存储，支撑财务部门月度结算（之前需从3个业务系统导出数据合并，耗时2天，现缩短至4小时）
• 优化支付数据ETL流程，原支付数据存在重复（同一订单多次回调）与缺失（部分支付状态未同步）问题，用DataWorks数据质量模块设置“支付金额>0”“订单状态与支付状态匹配”等规则，重复数据率从5%降至0.4%以下，保证财务对账准确性
• 搭建运营分析基础汇总表，包括日订单量、支付成功率、客单价、各渠道转化率等10+张表；用Tableau制作可视化看板，运营人员可实时查看“当日支付成功率波动”“各渠道新客占比”等指标，决策响应时间从1天缩短至2小时
• 学习维度建模理论并实践，参与设计用户维度表（包含性别、年龄、注册渠道等属性）与商品维度表（包含类目、品牌、价格带等属性）；解决之前维度数据不一致问题（如用户姓名在订单表与用户表中拼写差异），维度数据一致性从95%提升至99.2%以上

星途社区用户行为实时分析平台研发

• 项目背景：公司为提升内容社区的用户运营精准度与推荐效率，需构建实时用户行为分析能力，但原有系统依赖离线批处理（T+1）+ 准实时流计算（15分钟延迟），无法支撑运营活动的即时调整与推荐模型的实时迭代；核心目标是打造一套支持多源数据融合、毫秒级延迟、高并发的实时分析平台，覆盖用户从触达到互动的全链路行为。
• 解决的关键难题：1）多源数据（APP、小程序、Web端）的Schema不统一，导致数据接入后清洗成本高；2）实时计算中用户行为状态（如连续浏览时长、跨页面跳转路径）的存储与容错易出现状态爆炸；3）下游运营系统对实时指标的查询延迟要求≤1分钟，原有架构无法满足。
• 核心行动与创新：主导平台整体架构设计，采用“数据接入层-实时计算层-湖仓存储层-查询服务层”四层架构；基于Protobuf定义统一数据Schema，开发适配器自动转换各端数据格式，将数据清洗耗时降低60%；针对Flink状态管理问题，设计“TTL+LRU混合清理策略”——对短期高频状态（如当前会话行为）保留1小时TTL，对长期关联状态（如跨天路径）采用LRU淘汰，状态存储量减少40%；同时引入Hudi作为湖仓一体存储，支持实时增量更新与历史数据回溯。
• 项目成果：平台上线后将用户行为实时延迟从15分钟压缩至30秒内，支持10万+ QPS的并发写入与5万+ QPS的指标查询；覆盖用户行为12个核心维度（如浏览、点赞、评论、分享的实时转化漏斗），帮助运营团队将活动转化率提升22%，推荐算法的实时点击率提升18%；该平台成为公司实时数仓的核心底座，后续推广至电商、直播等其他业务线。

星途短视频内容标签实时同步系统研发

• 项目背景：公司短视频业务爆发式增长，但内容标签（如题材、情绪、关键词）依赖离线人工标注+批量计算，更新延迟达1小时，导致推荐系统无法捕捉内容的实时热度变化，搜索召回率低；核心目标是将标签生产从离线改为实时，实现“内容发布即打标”，支撑推荐与搜索的即时优化。
• 解决的关键难题：1）短视频内容包含文本（标题、描述）、视觉（OCR、画面主题）、音频（语音转文本）多模态数据，需融合处理提升标签准确性；2）实时标签计算的模型推理延迟高，BERT类模型单条数据处理耗时超2秒，无法满足高并发需求；3）标签需同步至推荐系统（Flink流作业）与搜索系统（Elasticsearch），端到端延迟需≤5秒。
• 核心行动与创新：设计“元数据采集-多模态特征提取-实时标签计算-下游推送”全链路架构；针对多模态数据，用Spark Structured Streaming同步视频元数据，通过OCR技术（Tesseract优化版）提取视频帧文字，结合音频转文本（Kaldi）实现全维度特征融合；为降低模型推理延迟，对BERT模型进行剪枝与量化（将浮点型转为INT8），推理耗时从2秒降至500ms内；优化Kafka分区策略（按内容ID哈希分区）与Spark并行度，将标签同步端到端延迟控制在3秒内。
• 项目成果：标签更新延迟从1小时缩短至3秒，标签覆盖率从75%提升至92%，推荐系统的内容匹配率提升25%，搜索召回率提升19%；该系统支撑了公司短视频业务从“粗放推荐”到“精准匹配”的转型，后续成为内容标签的标准生产方案，覆盖80%以上的短视频内容库。

• 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。