•课程设计：基于 Hadoop 的电商用户行为分析项目，使用 MapReduce 与 Hive 完成海量日志的清洗、聚合，产出用户画像与转化率看板，支持了运营策略优化。
•竞赛实践：作为核心成员参加全国大学生大数据竞赛，完成广告点击率预估赛题，负责特征工程与模型训练，获赛区三等奖；参与美国大学生数学建模竞赛，负责数据建模与求解，获 Honorable Mention。
•自学与开源：课余自学 Spark 生态，在 GitHub 发布 PySpark 日志分析工具，获得 50+ star；参与 Apache Calcite 中文文档翻译，贡献被社区合并，坚定了从事大数据领域的决心。
Hadoop数据分析师HadoopHiveSpark数据分析
北京
•负责快手Hadoop集群的自动化运维，开发了节点健康度监控与自动扩缩容脚本，通过资源调度策略优化，使集群平均可用性保持在99.7%以上，支撑了日活亿万级的数据处理需求。
•主导公司用户增长数据仓库的重构，运用Hive进行数据建模与ETL开发，构建了会员运营、内容推荐、风控等核心主题域，使数据复用率提升50%，为精准营销打下坚实基础。
•利用Spark Streaming搭建实时数据管道，对用户播放、点赞、分享等行为流进行实时清洗与聚合，将关键指标产出延迟从分钟级压缩至秒级，任务执行效率提升40%以上。
•与运营、产品团队建立常态化数据协作机制，通过Tableau和自研看板系统，输出30余个业务仪表盘，帮助团队快速定位用户流失原因，推动留存策略迭代，季度留存率提升约8%。
•加入某本地生活服务平台后，从零搭建了基于Hadoop和Kafka的实时数据分析平台，涵盖用户行为采集、离线批处理与实时计算，支撑了外卖、到店、酒旅多业务线的数据需求。
•深入分析用户下单、评价、位置等核心数据，识别出高价值用户群体的消费路径规律，通过优化push策略和优惠券引擎，使DAU环比提升10%，订单转化率提升15%。
•建立了数据质量全链路监控体系，引入自动化校验规则与异常告警，将数据质量问题发生率由8%降至3%以下，保障了业务报表的准确性与一致性。
•作为团队技术骨干，负责内部Hadoop技术培训与知识库建设，通过每周分享和实战演练，帮助4名新人在3个月内独立承担数据分析任务，团队整体交付效率提升显著。
•项目背景：快手短视频和直播业务爆发式增长，用户互动行为数据量级激增，原有离线分析模式无法满足实时运营与推荐反馈的需求。
•项目目标：基于Hadoop + Spark + Flink构建实时数据管道，实现对用户点赞、评论、转发、直播观看等事件的毫秒级采集与秒级处理，为运营和推荐系统提供实时指标。
•项目成果：建成可处理每秒20万+事件的实时分析平台，实时大屏支持运营进行热点追踪与流量干预，推荐策略响应速度提升至分钟级，用户互动率提升15%。
•项目背景：公司业务覆盖外卖、到店餐饮、酒旅等多个独立BU，数据散落在各自的业务库中，形成严重的数据孤岛，无法进行跨业务线的综合分析。
•项目目标：整合各业务线订单、用户、商户、营销等数据，建立统一的企业级数据仓库，实现数据共享与高效分析。
•项目成果：使用Hive、Sqoop、Spark SQL等工具完成数据仓库分层设计与落地，构建了20余个主题域模型。通过跨业务关联分析，如用户外卖偏好与到店消费的关联挖掘，为营销团队提供了精准的交叉销售线索，推动季度GMV环比增长8%。
数据看板与可视化:
熟练使用 Apache Superset、ECharts 等工具，能够搭建交互式数据看板，将 Hadoop 集群的离线分析结果转化为直观的业务洞察。
曾为业务团队搭建基于用户分群的行为分析看板，使营销活动响应时间缩短 30%，团队对数据驱动决策的采纳率提升 50% 以上。
