林润 · 商业数据分析

负责信息流广告核心指标的日常监控与看板搭建，运用SQL整合多源日志并设计可视化看板，将广告收入、填充率、eCPM等关键指标的日报输出效率提升约40%。

参与广告展示频次控制策略的A/B测试分析，使用Python清洗实验数据，完成显著性检验与置信区间估计，为产品侧提供频次上限调整建议，推动实验组ARPU提升2.7%。

针对程序化广告竞价日志开展特征工程，构建纳入广告位、素材类型、用户活跃度的多维度归因模型，定位3类高流失场景并输出优化清单，业务采纳后次留提升0.8个百分点。

与商业化运营团队协作，完成季度广告主流失归因分析，通过Python进行用户分群与漏斗分析，识别“首投后7日内无复投”为核心流失路径，推动新广告主召回策略上线，召回转化率提升约15%。

独立搭建广告收入异常检测与预警流程，结合滑动窗口与阈值规则实现对eCPM、CTR波动的自动监控，将异常响应时间从小时级压缩至15分钟以内，减少潜在收入损失。

针对某头部电商“星选”平台增长放缓痛点，主导设计数据采集方案，通过Python编写分布式爬虫精准获取商品、店铺及用户评价等异构数据，累计清洗去重逾12万条记录，将原始数据可用率从72%提升至98%，为后续建模奠定可靠基础。

基于清洗后数据，从活跃度、消费力、品类偏好等维度构建用户增长因子体系，利用K-Means算法将用户划分为5个价值分群，识别出占比仅15%却贡献42%平台成交额的高价值流失预警人群。

搭建Tableau交互仪表板，实时监控各用户分群的新增、留存与转化漏斗，并设置异动预警阈值；仪表板上线后被项目组用于双月经营复盘，使异常定位耗时从平均4小时缩短至30分钟。

围绕高价值流失预警人群进行特征下钻，提炼出“高频浏览但无促销不下单”等3类典型行为模式，输出定向推送与阶梯优惠组合策略，A/B测试模拟显示该策略可挽回约7.3%的潜在流失用户。

针对某头部社交平台，独立规划并采集涵盖6大品类的12万条公开内容数据，完成清洗与标注，构建高互动内容研究基础。

使用Python进行中文分词、TF-IDF关键词提取及情感分析，结合词云与柱状图可视化，明确高互动内容的3项核心特征：强冲突标题、实用干货结构、互动式结尾。

基于特征提炼内容评分规则并回测，Top 20%内容实测互动率比均值高34%，据此输出10条可落地运营建议，被某MCN团队采纳用于账号内容策略调整，落地后首周平均互动率提升26%。

搭建并维护涵盖全球20余个国家、超15万条AI投融资事件的SQL数据库，通过多源数据清洗与标准化处理，将字段完整率提升至98%，为趋势分析建立一致、可复用的数据基座。

应用时间序列分解与回归分析方法，识别出融资轮次、地域与细分赛道的3个领先指标，构建季度趋势监测模型，成功预警2次早期资本转向信号。

基于历史融资节奏与行业渗透率设计轻量预测模型，对下一季度全球AI融资总额进行滚动预估，平均绝对百分比误差控制在12%以内，优于团队原有经验判断。

将分析结果固化为Excel动态仪表板，实现一键更新季度报告核心图表与关键结论，将报告产出周期从5天压缩至1天，累计输出3期研究报告并被投资团队采纳7条策略建议。