唐艺宁 · 运营数据专员

主导App端用户行为埋点方案重构，通过SQL聚合分析日活、留存及转化漏斗等核心指标，搭建覆盖新增、活跃、付费全链路的Tableau实时运营监控看板，将团队日常数据追踪耗时缩短约60%。

运用Python对用户行为序列进行聚类与RFM建模，构建包含5个价值层级的用户画像标签体系，精准识别高流失风险人群，辅助运营策划个性化召回活动，推动活动期沉默用户唤醒率提升14%。

主导5次面向推荐策略与落地页改版的A/B测试设计与分析，独立完成显著性检验与效应量评估，推动2项方案全量上线，使核心流程转化率平均提升8.2%。

搭建自动化数据管道，整合多源运营指标并自动生成可视化日报与周报，消除手工报表，每周固定输出增长趋势与健康度评估，支撑3次产品迭代优先级决策。

独立主导用户次日留存预测项目，清洗整合近80万条用户行为日志，构建涵盖活跃频次、功能偏好、会话时长等30+维度的特征工程，并以逻辑回归建立基线模型。

引入随机森林算法优化模型，通过网格搜索与交叉验证调参，将预测AUC从0.74提升至0.85，大幅增强对高流失风险用户的识别能力。

设计并搭建交互式Tableau仪表盘，将模型预测得分、用户分层与关键行为指标可视化，替代原有静态日报，使运营团队每周分析耗时平均缩短约3.5小时。

推动模型成果落地，输出高流失风险用户清单辅助定向干预，试点期间实验组次日留存率较对照组相对提升5.8个百分点。

主导设计基于Scrapy的竞品运营数据采集框架，覆盖8款头部竞品APP的日活、付费率与活动频次等20+关键指标，实现每日增量抓取与异常自动重试，数据获取耗时由人工收集的4小时压缩至15分钟。

使用Python与Pandas对原始抓取数据进行清洗与标准化处理，自动去重、填补缺失值并统一指标口径，将数据可用率从约70%提升至98%，为后续分析奠定一致基础。

构建自动化对比报告流水线，将清洗后数据实时写入Excel模板，生成包含趋势图与竞品差距表的多维度日报，使运营团队每日决策参考信息的获取效率提升80%以上。

基于竞品指标设置异动阈值预警，2个月内触发5次关键提醒，直接推动运营团队快速调整活动定价与投放节奏，支撑同期核心指标环比提升约5%。