负责同城生活服务平台全链路数据资产建设，覆盖用户行为、交易履约、商户运营三大核心域的数据整合与标准化，主导数据仓库分层架构优化及元数据管理体系落地，支撑营销、运营、风控等业务线的精准决策需求

• 主导用户行为数据域重构项目，基于Kimball维度建模理论整合App埋点、小程序日志、第三方支付回调等多源数据，用Spark SQL完成日均15TB数据清洗关联，通过设计UUID+设备指纹联合标识体系解决跨端用户ID映射不一致问题，将用户行为数据可用率从78%提升至95%，支撑营销活动ROI分析效率提升40%
• 核心参与数据仓库元数据管理平台搭建，选用Apache Atlas作为元数据采集引擎，结合自研标签体系实现表级、字段级元数据自动化同步与血缘追踪，解决原元数据分散在ETL脚本中查找困难的问题，元数据查询耗时从平均30分钟缩短至5分钟内，业务线数据需求响应速度提升50%
• 重点优化交易履约数据仓库分层逻辑，将原有ODS-DWD-DWS三层扩展为含ADS的四层体系，引入Hudi增量更新替代传统T+1全量同步，把订单履约数据产出时效从次日8点提前至当日12点，满足风控团队实时交易风险预警需求，风险识别准确率提升25%
• 负责商户运营数据集市开发，基于维度建模设计商户生命周期、经营能力、用户评价三大主题模型，用ClickHouse存储聚合指标，支持运营团队快速查询“近30天活跃商户指标变化”“高客单价商户用户画像分布”等问题，日均查询次数从120次提升至800次，运营决策精准度提升30%

负责生活服务类平台交易与商户数据的数据仓库建设，聚焦多源数据整合、标准化及基础主题模型开发，支撑运营与产品团队日常分析需求，同时参与数据质量体系初步搭建

• 主导交易数据域整合项目，处理美团、饿了么第三方订单（用Sqoop增量同步）及自有平台订单，通过设计统一订单维度表（含订单ID、用户ID等核心维度）解决多源结构不一致问题，日均处理8TB订单数据，数据一致性从85%提升至98%
• 核心参与商户数据主题模型开发，基于星型模型设计商户基础信息、经营指标、用户评价三大主题，用Hive SQL计算月均订单量、好评率等指标并存储至HBase，解决原商户数据分散在Excel的问题，运营团队获取数据时间从1天缩短至10分钟内
• 负责数据质量体系初步搭建，设计订单金额非空、用户ID格式正确等校验规则，用DataWorks数据质量模块实现自动化校验，每天拦截1.2万条异常数据，数据质量问题投诉率从每周5次降至每周1次以内
• 支撑营销活动数据分析，开发“活动参与用户画像”“转化漏斗”等指标并用Tableau可视化，帮助营销团队优化策略，某次满减活动转化率提升18%、参与用户数增长25%

协助数据仓库基础建设，负责数据抽取、清洗及简单主题模型开发，参与数据文档编写维护，保障数据仓库稳定运行

• 协助完成ODS层基础数据抽取，用Sqoop从MySQL同步用户、商户、商品数据，日均同步1TB，通过编写Shell脚本实现任务定时执行与错误告警，任务成功率从90%提升至99%
• 负责简单数据清洗，用Hive ROW_NUMBER()函数去重用户表重复数据、通过均值填充补全缺失数据，清洗后数据可用率达95%以上，支撑后续DWD层开发
• 开发用户行为简单主题模型，用Hive SQL计算日活用户数、用户停留时长等指标并存储至MySQL，帮助产品团队了解用户基础行为特征
• 参与数据文档编写维护，整理《ODS层数据字典》《简单指标计算逻辑》等文档，覆盖100+张表和50+个指标，新员工熟悉数据仓库时间缩短30%

电商大促场景下实时用户行为分析平台研发

• 项目背景：公司核心电商平台在大促期间面临用户行为数据峰值达12万/秒的冲击，原有离线分析系统延迟超40分钟，无法支撑运营团队对爆款商品调整、用户转化链路优化的实时决策需求。我的核心目标是主导构建一套低延迟（≤15秒）、高并发（支持峰值15万/秒事件）、高准确的实时用户行为分析平台，覆盖实时用户画像、转化漏斗追踪、爆款商品热度预测三大核心场景。
• 关键难题与技术：1. 海量数据实时摄入的稳定性——高峰期Kafka集群常因分片不均出现消息堆积；2. 跨设备用户行为链的关联计算——用户通过APP、小程序、H5多端访问时，传统session划分无法准确还原行为路径；3. 多维度标签的实时更新——用户兴趣标签需随浏览、加购、下单行为即时调整，原有批量更新方式导致标签滞后2小时。
• 核心行动与创新：1. 架构设计上采用“分层解耦+弹性扩缩”模式：数据摄入层用Kafka集群按事件类型分片（如行为事件、交易事件分开），计算层用Flink动态资源调度（根据消息堆积量自动增减TaskManager），存储层用HBase预分区+Redis缓存热点数据（如TOP100爆款商品的实时点击量）；2. 针对跨设备行为关联，自研基于“设备指纹+用户ID映射表”的事件关联算法，用Flink ProcessFunction实现滑动时间窗口（1小时）内的行为链拼接，引入布隆过滤器过滤无效设备匹配；3. 实时标签引擎采用Flink状态管理（ValueState存储用户行为序列），结合Drools规则引擎配置标签触发条件（如“30分钟内浏览3个母婴商品→标记为母婴兴趣用户”）。
• 项目成果：1. 数据端到端延迟从40分钟降至8秒内，大促期间支撑16万/秒事件处理，系统稳定性达99.99%；2. 运营团队实时决策效率提升50%，如爆款商品库存调整时间从1小时缩短至8分钟，大促期间TOP10商品的销售转化率较去年同期提升18%；3. 平台复用至公司旗下3个电商子品牌，累计节省实时计算成本约30%。我个人主导了平台架构设计与核心模块开发，解决了实时性与跨端行为关联的关键技术瓶颈。

内容社区用户兴趣图谱数据层构建与优化

• 项目背景：公司内容社区推荐系统依赖用户兴趣图谱，但原有数据分散在MySQL（用户属性）、Hive（行为日志）、Neo4j（社交关系）三个库中，需人工整合且更新频率低（每天一次），导致推荐准确率仅2.1%（点击率）。我的目标是整合多源数据，构建统一的用户兴趣图谱数据层，支撑推荐系统实时更新用户兴趣标签与内容关联关系。
• 关键难题与技术：1. 多源数据的语义融合——用户行为日志中的“点击”与内容元数据中的“分类”需建立统一本体模型；2. 图数据的增量更新效率——原有全量更新需6小时，无法满足推荐系统实时性需求；3. 图查询的性能瓶颈——用户相似度查询需遍历10层以上邻居节点，响应时间超500ms。
• 核心行动与创新：1. 设计“统一兴趣本体模型”，定义“用户-行为-内容-标签”四类实体及12种关系（如“用户-浏览-内容”“内容-属于-标签”），用Spark SQL完成多源数据的ETL映射，将分散数据统一存储至Neo4j图数据库；2. 实现实时增量更新机制：用Canal捕获MySQL用户行为日志的binlog，通过Spark Streaming过滤有效行为（如浏览≥5秒、点赞），再调用Neo4j的REST API更新节点属性（如用户兴趣标签权重）与边关系（如用户-点击-内容的边权重+0.1）；3. 优化查询性能：为高频查询字段（如用户ID、标签ID）创建Lucene索引，引入Redis缓存TOP1000用户的高频相似度查询结果（过期时间5分钟）。
• 项目成果：1. 兴趣图谱数据更新频率从每天一次提升至每10分钟一次，数据一致性从85%提升至99%；2. 推荐系统点击率从2.1%升至2.6%（提升23.8%），用户日均停留时长增加12分钟；3. 数据层支撑了社区90%的推荐场景（如首页信息流、详情页相关推荐）。我个人主导了数据层架构设计与增量更新机制，解决了多源数据融合与实时性难题，为推荐系统的效果提升奠定了基础。

• 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。