李想 · Big Data Instructor

主导核心业务数据管道设计，基于Hadoop与Spark搭建日处理超50亿条用户行为日志的实时ETL系统，将数据入库延迟从小时级压缩至5分钟以内，支撑业务实时分析需求。

重构离线数仓ETL流程，使用Hive与SQL优化30余张核心事实表的调度依赖与分区策略，使全链路执行耗时减少42%，节省集群计算资源约15%。

设计并实现数据质量自动化校验框架，配置200+条校验规则（空值、重复、波动阈值），将异常数据率由3.2%降至0.4%，保障下游报表准确率达99.6%。

推动MapReduce作业向Spark迁移，重写核心ETL逻辑并优化Shuffle参数，使全量数据重跑时间从4.5小时缩短至1.8小时，作业稳定性提升至99.9%。

建立统一的数据血缘与任务监控看板，基于Hive元数据与Spark事件日志自动解析依赖关系，每周主动发现并解决10+个潜在链路风险，使交付效率提升30%。

主导实时计算架构升级：基于Flink与Kafka搭建低延迟数据管道，将事件处理延迟从分钟级压缩至秒级，日均处理超500万条业务事件，支撑上游实时报表与告警需求。

设计并落地离线数仓分层模型（ODS→DWD→DWS），结合HBase列簇优化存储结构，使核心查询响应时间缩短40%，数据冗余降低30%。

承担新人技术培训：制定涵盖Flink、Kafka、HBase及数仓理论的系统化培训计划，累计带教22名新员工，使其在3个月内独立承担模块开发任务，转正率100%。

攻克Flink状态后端与HBase的读写瓶颈：通过调整Checkpoint策略及HBase预分区方案，将实时任务稳定性从95%提升至99.9%，故障恢复时间减少60%。

组织6次内部技术分享与Workshop，覆盖实时计算最佳实践与数仓调优技巧，推动团队整体开发效率提升约25%。

针对电商平台大数据部门50+工程师的技能差距，主导设计并交付《Spark性能调优》与《Hive高级应用》两门核心课程，覆盖80%的数据处理场景，学员课后实战项目效率平均提升30%。

连续三个季度担任骨干讲师，累计为200+内部学员讲授离线数仓与实时计算实战课程，结合电商订单与用户行为数据设计5个真实项目，学员结业项目通过率达92%。

基于学员反馈与业务需求，迭代更新课程大纲6次，将Python数据处理模块与Hive UDF开发整合为标准化教学案例，培训周期从4周压缩至3周，满意度评分4.8/5.0。

独立开发配套实验环境与自动化考核题库，支撑200+次上机练习与25场随堂测验，帮助新入职员工提前2周独立承担ETL开发任务。

负责主讲大数据核心课程，主导实战项目设计，运用Hadoop、Spark、Flink及数据挖掘技术，结合教学管理方法完成关键知识交付与学员能力提升。