入选学院数据竞赛团队，参与全国大学生数据挖掘竞赛并获省级一等奖，锻炼了从海量用户日志中提取特征与建模分析的能力。

担任校新媒体中心技术顾问，协助运营团队搭建用户画像标签体系，优化内容分发策略，推动账号月均互动率提升12%。

搭建面向短视频与图文社区的多源数据采集架构，通过Python异步爬虫与反爬对抗策略，稳定日增抓取12个主流内容平台、超过800个高粉账号的公开数据，并建立异常数据自动告警机制，使数据完整率稳定在99.2%。

设计覆盖内容生产、分发、消费、转化全链路的运营数据看板，定义关键北极星指标与二级过程指标，为每周的运营复盘和资源位策略调整提供量化依据。

基于ClickHouse构建实时数仓，利用SQL编写复杂嵌套查询以支持多维度用户分群与内容表现归因分析，每月输出3份深度专题分析报告，直接推动内容冷启动策略优化。

与增长、算法团队协作，开发自助式数据探索工具，内嵌下钻、归因与对比分析功能，将业务人员获取洞察的平均耗时从2小时压缩至20分钟。

主导建设社区内容生态的用户画像体系，融合行为序列、内容消费偏好及社交关系链数据，构建了千人千面的动态标签模型，为广告精准投放和创作者激励计划提供底层数据服务。

优化图文与短视频内容的排序策略，引入Wide&Deep模型并结合实时特征工程，提升推荐结果的相关性，使优质内容的人均阅读时长提升22%，互动率提高18%。

针对数据平台在高并发场景下的延迟问题，推动查询引擎从Presto迁移至StarRocks，并重构部分慢查询逻辑，将运营活动期间的报表产出时间缩短了65%。

带领5人数据运营小组，建立敏捷开发与数据质量共建机制，定期开展技术分享与业务认知对齐会，两年内培养3名初级工程师成长为独立模块负责人。

项目背景：随着短视频内容爆发式增长，传统人工编排已无法满足用户对个性化内容的需求，为提升用户消费深度与次日留存，业务方启动推荐引擎升级专项。

项目目标：构建一套基于深度学习与实时反馈的推荐系统，实现毫秒级响应，精准匹配用户兴趣与内容调性，驱动核心行为指标提升。

我的职责：独立负责数据管道建设，通过Flume与Kafka采集全端用户行为日志，完成清洗、去重与特征工程，生成训练样本。同时参与模型评估，利用XGBoost与图神经网络构建用户-内容交互特征，并开发A/B实验数据看板。

项目成果：新推荐引擎上线后，视频播放完成率提升28%，用户日均使用时长增加15分钟，DAU环比增长12%，成为当年内容生态部标杆项目。

项目背景：平台内容资产与用户日志已突破数十PB，原有Hive数仓出现严重的计算延迟与存储膨胀，严重影响运营分析效率，亟需升级数据架构。

项目目标：建设湖仓一体数据平台，实现实时与离线数据统一存储、计算资源弹性伸缩，支撑日均数十亿条数据的快速分析。

我的职责：负责存储层与计算层的选型验证，引入Apache Iceberg作为湖格式，并基于Spark进行ETL任务重构；设计数据分层模型（ODS-DWD-DWS-ADS），优化全景数据查询链路，并搭建数据质量监控系统。

项目成果：存储成本降低40%，离线报表产出时间从3小时降至45分钟，同时支持即席查询与自助分析，使数据需求响应效率提升3倍，为精细化运营打下坚实基础。

熟悉各大新媒体平台的内容推荐机制与用户互动逻辑，能设计A/B测试方案评估内容效果，提升用户参与度。

掌握SQL、Python等数据分析工具，能够构建用户行为漏斗模型，通过数据洞察驱动运营策略迭代与精准触达。