 渠道增长业务: 负责渠道投放数据指标体系建设和数据支持。为了明确渠道投放收益，设计了
渠道用户新增归因逻辑，并结合渠道特点，对渠道不同渠道的 ltv365 进行预测，以长效 ROI
指导投放，短效 ROI 指导渠道优化策略。采用最优化的方式，优化渠道投放配比，使渠道 ROI
最大化。对渠道日常新增,留存等异动进行归因。
 商业化业务: 负责广告投放链路数据的报表建设和转化漏斗分析，结合不同场景的广告特点对
链路漏斗进行损耗分析，降低损耗，预估收益提升 1kw。

 帕累托系统：为了解决销售端，转介绍业绩下降，提升销售工作效率，作为项目负责人，从 0
到 1 设计开发了帕累托系统，对不同的学员设计不同的服务内容和服务策略，并对用户价值进
行预测，帮助销售更高效的服务付费学员。项目上线后，CC 使用率 75%，使用帕累托服务用
户后学员的转介绍参与度提升 88%(18.5% VS 9.8%), 每月多带来订单 1200(约 700w 业绩)。
 体验课量预测：为了解决老师端的体验课老师供给问题，采用分位数回归算法对公司每个时间
体验课的出席量和出席率提前七天进行预测。最终，将老师占课不合理问题导致的老师浪费率
从 30%降低到 8%左右，由于占课导致的老师成本从每月 200w 降低到每月 40w 左右。
 藏金阁项目：为了解决销售端的学员供给不足问题，对公司预约过体验课但是未付费学员进行
二次激活利用。根据注册学员的不同渠道和来源，对用户的预约付费率进行计算，并通过威尔
逊区间法进行校正，按照付费率从高到低排序后给到销售再次利用，每月带来约 1500w 业
绩。同时，根据实时点击流数据，对重登陆用户进行及时重点跟进，每月可带来 600w 左右业
绩。
 开课提醒项目：为了解决学员预约心仪老师困难的问题，基于 RabbitMQ 进行实时数据开
发，老师开课后将开课信息实发送给对应的学员，尝试使用匈牙利算法对老师的开课信息和学
员的上课偏好信息匹配，以达到全局最优。但是由于信息触达和学员约课自由度较高，使用率
不高，后续修改为对匹配学员全量发送，每日约课量可占全平台 10%。
 基础建设
 设计开发了 WEB/APP 行为流数据收集体系(埋点系统)，对全公司数据进行收集，并基于
django 开发了公司的埋点管理系统，实现了埋点的规范化和线上管理，并开发了对应的 AB
测试系统。
 基于 RShiny 搭建了报表可视化平台,并在 R 语言大会进行分享。
 基于 azkaban 搭建了任务调度平台，调度任务可视化，支撑了全部门的调度系统。
 对公司的业务数据进行日常监控，并每日发送邮件给到对应的业务负责人，并对异常数据进行
筛选，给出可视化图形展示

 数据 : 负责京东推荐 KPI 的基础数据计算以及报表维护。
 推荐：负责京东 pc 3c 品类的组合推荐，采用同订单购买以及推荐反馈等数据源作为召回，
并采用回 归对不同来源数据进行组合，对 sku-csku 的点击概率进行预测，并根据点击概率
进行排序推荐 ; 京东 APP 商品详情页 :采用用户历史浏览行为，以及和 sku 和召回 sku 的
交互特征，对用户是否点击购买 进行个性化推荐，模型采用 xgboost，请求购买率提升 7%.
 用户历史行为可视化平台 : 采用 R shiny 搭建页面，对重点用户的历史浏览点击行为进行展
示，进行 用户行为探究分析。

 数据分析: 利用 hive 进行常规的数据提取和汇总工作,并对数据进行清理和统计分析
 用户人群特征分析: 主要采用 R 软件对浏览和购买数据进行清理,通过因子分析提取特征,并对
用户进行聚类分析,为不同人群制定不同的营销策略
 用户行为分析: 利用 R+hive 对论坛用户的活跃度,忠诚度,以及社交特性进行统计和标签化

 用户购买行为分析: 选取用户购买的历史品牌品类,对用户进行偏好性分析,根据用户的购买习
惯对用户进行分群分析,通过聚类之后重分析各类用户特征,给用户添加个性化标签
 个性化推荐: 根据档期商品牌,用户购买和浏览行为,用户购物⻋与档期商品的匹配对销售档期
进行个性 化展示,采用 gbm 模型对用户的档期购买可能性进行预测,并通过 python 调用
redis,协助实现应用接口。