用户留存漏斗优化
通过行为序列分析（Markov Chain）定位本地生活 App 中 3 个关键流失节点。设计并执行 3 组 A/B 测试，最优干预方案使 30 日留存从 28.4% 提升至 31.9%（+12.3%），年化 GMV 增量约 2.1 亿。
+12.3%
30日留存
3
A/B 实验组
2.1亿
年化 GMV
Python
SQL
A/B Testing
Portfolio
分析作品
48 个项目中的代表性案例。每个项目均产生可量化的业务影响。
司机空驶率优化
时空热力图 + 调度模型，空驶率下降 5.2%。
-5.2%
商家经营看板
Tableau 自助 BI 看板，覆盖 5000+ 商家，日活查询 8000+。
用户流失预测
XGBoost 模型，AUC 0.82，准确识别 76% 的 30 日内流失用户。
AUC 0.82
618 实时监控看板
搭建分钟级销售监控体系，数据刷新延迟从 4 小时降至 30 分钟。支撑 12 个品类负责人实时决策，大促 GMV 同比增长 34%。
30min
刷新延迟
+34%
GMV 增长
新用户激活优化
12 组 A/B 测试，7 日留存 +8.7%。
+8.7%
dbt 建模规范
推动团队 dbt 分层规范落地，数据开发效率提升 40%。
消费行为聚类
人大毕业论文，K-Means 分析 10 万条电商数据，优秀论文。