技术能力

1.精通 SQL 数据处理，具备处理字节级海量业务数据的实战能力，熟练使用 Hive、Spark 进行复杂的数据抽取、清洗、转换（ETL）与离线数仓底层宽表建模，具备丰富的 SQL 性能调优与降本增效经验。
2.熟练掌握 Python 数据科学核心栈（Pandas, NumPy, Scikit-learn, Matplotlib 等），能够独立进行探索性数据分析（EDA）与统计建模。掌握常用的机器学习算法（如逻辑回归、随机森林、K-Means 等），并成功将其落地于用户生命周期分层、高价值用户挖掘及流失预警等实际业务场景。
3.深谙 AB 实验完整评估闭环与底层逻辑，具备扎实的统计学理论基础。熟练应用假设检验、方差分析，并能结合因果推断方法（如 DID 双重差分模型、PSM 倾向得分匹配）进行严谨的策略评估、异质性分析与指标异动归因，排除非自然增长干扰。
精通 Tableau、PowerBI 等商业智能（BI）可视化工具，能从零到一搭建覆盖核心业务链路的自动化监控看板体系。具备极强的业务Sense与商业洞察力，能够将复杂的数据转化为结构化的业务策略建议并推动落地。

项目经验

项目名称：核心直播/短视频业务电商转化链路拆解与增长策略优化
项目描述： 在平台年度核心大促节点期间，针对大盘直播业务转化率出现瓶颈、流量承接效率不达预期的问题，作为核心数据分析师主导业务破局。通过重构指标监控体系、深挖用户行为特征及严谨的AB实验验证，寻找高潜增长点，最终助力业务线实现大促期间 GMV 的规模性突破。
主要职责与产出：
链路监控闭环体系搭建： 梳理并重构了直播核心业务流，利用 Hive SQL 沉淀底层核心数据资产，搭建了覆盖“曝光-点击-停留-互动-转化-复购”全生命周期的数据监控看板。通过建立异动归因预警机制，将日常业务数据排查效率大幅提升 40% 以上。
深度归因与分层策略输出： 针对“观看到转化”转化率衰减的痛点，采用随机森林结合逻辑回归（LR）评估特征重要性，深度挖掘出影响转化的核心因子（如特定高阶互动行为、有效停留时长阈值）。结合 RFM 模型与 K-means 聚类对大盘用户进行精细化分层，联合运营团队为不同圈层用户量身定制了差异化的货盘推荐与促单策略。
AB 实验设计与严谨评估： 与算法及产品团队紧密协同，围绕推荐策略迭代及端内 UI 交互改版，统筹设计了 10+ 组核心 AB 实验。独立负责实验指标体系定义、样本量与观测周期测算（功效分析），并在实验复盘中应用 DID 模型剥离大促自然增长的溢出效应，确保了策略评估的绝对严谨性。
业务收益与沉淀： 核心优化策略全量上线后，业务大盘核心转化率相对提升 5.2%，人均有效观看时长增加 15%，累计撬动大促期间千万级增量 GMV。该项目的分析框架与归因逻辑最终被沉淀为团队内部的标准化数据分析 SOP 模板，赋能其他跨业务线团队。

团队情况