在校期间系统学习了大数据相关理论知识，包括数据结构、数据库原理、统计学等基础课程，以及Hadoop、Spark等大数据处理框架的理论知识。积极参与学校组织的数据分析社团活动，通过案例分析等实践活动锻炼了数据思维和分析能力。

• 负责公司电商平台用户行为数据的分析工作，通过对用户浏览、点击、购买等行为数据的收集与整理，运用SQL进行数据清洗与提取，构建用户行为分析模型。
• 基于分析结果，为产品优化提供数据支持，如通过分析发现某类商品在特定页面的转化率较低，提出页面布局调整建议，使该类商品转化率提升了15%。
• 定期制作数据分析报告，向业务部门汇报用户行为趋势及业务指标完成情况，协助业务部门制定营销策略，如根据用户购买周期分析，制定精准营销活动，使营销活动ROI提高了10%。

• 参与公司金融风控项目的数据支持工作，对海量客户金融数据进行分析，运用Python进行数据预处理和特征工程，构建风险评估模型。
• 与风控团队紧密合作，通过数据分析识别潜在风险客户群体，如通过分析客户信用历史、消费行为等数据，筛选出高风险客户，使风险识别准确率提高了20%。
• 监控金融业务数据指标，如逾期率、坏账率等，及时发现数据异常并预警，为风控策略调整提供数据依据，在某季度通过数据监控及时调整策略，使逾期率下降了5%。

• 该项目为公司用户增长项目，主要目标是通过数据分析驱动用户增长。
• 负责用户分群分析工作，运用RFM模型（最近一次消费、消费频率、消费金额）对用户进行分类，将用户分为重要价值用户、重要发展用户、重要保持用户、重要挽留用户等群体。
• 针对不同用户群体制定个性化运营策略，如对重要挽留用户通过分析其流失原因（如产品体验不佳、竞争对手吸引等），制定针对性的召回活动，通过精准营销短信、个性化优惠券等方式，使该类用户召回率提高了30%。
• 监控用户增长相关指标，如新增用户数、用户留存率等，定期向项目组汇报分析结果，根据数据反馈优化运营策略，在项目期间使整体用户留存率提升了8%。

• 参与公司供应链优化项目的数据分析工作，旨在通过数据分析提高供应链效率、降低成本。
• 收集供应链各环节数据，包括采购、生产、库存、物流等数据，运用大数据分析工具（如Tableau）进行数据可视化分析，发现库存周转率较低的问题。
• 深入分析库存积压原因，如需求预测不准确、采购计划不合理等，提出优化建议。通过优化需求预测模型（引入机器学习算法，利用历史销售数据、市场趋势数据等进行预测），使需求预测准确率提高了25%，进而优化采购计划，使库存周转率提高了20%，降低了库存成本。
• 监控供应链关键指标，如订单交付及时率、物流成本等，持续跟踪优化效果，为供应链持续改进提供数据支持，在项目期间使订单交付及时率提高了15%。