在大学期间，系统学习了计算机基础课程，包括数据结构、算法设计、操作系统等。通过课程项目和实践，掌握了编程基础和软件开发流程。同时，积极参与学校的技术社团活动，提升了团队协作和沟通能力。

• 负责公司大数据平台的Hadoop集群搭建、维护与优化，保障集群的稳定运行，集群规模从最初的50节点扩展到200节点，性能提升30%。
• 参与数据仓库建设，基于Hive进行数据建模，设计并开发了多个主题域的数据模型，支撑公司业务报表和数据分析需求，数据量达到PB级别。
• 开发实时数据处理任务，使用Flume进行数据采集，Kafka进行数据缓冲，Spark Streaming进行实时计算，实现用户行为数据的实时分析，延迟控制在5分钟以内。

• 主导公司电商业务的大数据项目开发，使用Hadoop生态技术（MapReduce、Hive、Spark）进行海量交易数据处理，实现订单数据分析、用户画像构建等功能，为业务决策提供数据支持，项目上线后，业务部门数据分析效率提升50%。
• 优化数据处理流程，通过对Hadoop作业的参数调优和代码优化，将数据处理时间从原来的8小时缩短至3小时，节省计算资源成本20%。
• 与产品、运营团队紧密合作，理解业务需求，设计数据解决方案，成功推动多个数据产品落地，如实时销售看板、用户行为分析平台等。

• 项目背景：公司为提升用户体验，需要对海量用户日志数据进行分析，挖掘用户行为模式和潜在需求。
• 技术方案：采用Hadoop集群（HDFS存储、MapReduce计算）进行数据存储和离线计算，使用Hive进行数据仓库建设，构建用户行为主题表。
• 我的贡献：负责数据采集模块开发，使用Flume将分散在各个服务器的日志数据实时采集到HDFS；设计并开发用户行为分析模型，包括页面浏览、点击、购买等行为的统计分析，输出用户活跃度、留存率等指标报表。
• 项目成果：通过数据分析，发现了用户流失的关键节点，为产品优化提供了数据依据，用户留存率提升8%。

• 项目背景：电商平台为实现精准营销，需要构建用户画像系统，对用户进行分类和特征刻画。
• 技术方案：基于Hadoop生态，使用Spark进行大规模数据处理，结合机器学习算法（如协同过滤、决策树）进行用户特征提取和模型训练。
• 我的贡献：参与用户画像数据层建设，使用Hive清洗和整合用户基础数据、交易数据、行为数据等；开发用户标签体系，设计并实现了20+个用户标签的计算逻辑，如用户购买力、偏好品类等；优化Spark作业性能，通过数据分区、缓存等策略，将作业运行时间从4小时缩短至2小时。
• 项目成果：用户画像系统上线后，精准营销活动的转化率提升15%，营销成本降低10%。