林一舟 · Business Intelligence (BI) Engineer

独立对接市场、运营与产品三条业务线的日常取数需求，累计编写SQL完成200+次数据提取与清洗，平均响应时间控制在3小时内，实现零投诉。

分析ClickHouse集群查询日志，定位8张慢加载核心看板，通过重建排序键与预聚合物化视图，将95分位查询耗时从5.8秒压缩至1.2秒，支撑日均自助分析会话数提升约50%。

参与企业数仓DWD-DWS层建模，运用维度建模方法设计交易、流量与用户三大主题明细宽表，统一12项关键指标口径，根除跨报表数据不一致问题。

主导Tableau Server数据治理，制定含50+指标的指标字典并建立数据源认证与分层机制，将自助报表生成效率提升40%，存量报表重复利用率提升25%。

基于某电商平台6个月脱敏行为日志，利用Python与Pandas清洗聚合500万+条交易与浏览数据，构建融合最近购买间隔、消费频次与金额的RFM特征矩阵。

基于RFM索引结合K-Means聚类，将用户自动划分为5个价值层级，精准定位出仅占总量15%却贡献约65% GMV的核心高价值客群。

引入Cox比例风险模型预测用户流失概率，设定动态预警阈值，输出未来30天高流失风险名单，回测预测命中率达82%。

使用Plotly Dash搭建交互式用户分层与流失预警看板，实现关键指标逐日自动更新，支撑运营团队将高价值用户挽留活动响应率从5%提升至12%。

将数据清洗、建模与看板更新流程抽象为可复用Pipeline脚本，沉淀为标准分析模块，使同类项目准备时间缩短约60%。

对接广告投放平台与订单系统API，搭建15分钟级刷新周期的实时数据管道，自动汇聚与清洗多源营销数据，彻底替代T+1手工报表流程。

设计20+个DAX度量值，量化曝光-点击-转化全链路核心指标，嵌入预算消耗速率与ROI异动预警逻辑，将营销效果评估从结果性指标扩展至过程性监控。

开发包含渠道效能矩阵、实时销售瀑布、分时段KPI达成等6个页面的交互式仪表盘，支持钻取至单品级数据归因分析，直观呈现不同投放组合的边际回报变化。

交付看板被部门总监及4名营销运营成员纳入日常晨会复盘流程；上线次月帮助团队识别低效投放渠道并重分配预算，带动整体ROI环比提升约22%。