技術(shù)能力

產(chǎn)品經(jīng)理：原型設(shè)計、Axure、Visio、需求管理、需求設(shè)計
爬蟲工程師：分布式爬蟲、異步爬蟲、百萬級、千萬級海量數(shù)據(jù)獲取、js逆向、app爬蟲
數(shù)據(jù)分析
數(shù)據(jù)挖掘：數(shù)倉ETL融合內(nèi)外部數(shù)據(jù)，迭代用戶職住地畫像，評估數(shù)據(jù)質(zhì)量，進行數(shù)據(jù)驗證，基于綜合數(shù)據(jù)集，分析用戶的行為
機器學(xué)習(xí)：利用KNN、XGBoost等多個機器學(xué)習(xí)模型完成模型集成，精通數(shù)據(jù)挖掘與機器學(xué)習(xí)、Python數(shù)據(jù)分析

項目經(jīng)驗

? 項目簡介：數(shù)倉ETL融合內(nèi)外部數(shù)據(jù)，迭代用戶職住地畫像，支持家充樁升級推廣等多個業(yè)務(wù)決策。 ? 項目角色：主負責(zé)人，團隊3人 ? 項目動作：
前期：評估數(shù)據(jù)質(zhì)量，進行數(shù)據(jù)驗證，批量獲取房天下小區(qū)數(shù)據(jù)，高德API數(shù)據(jù)，國內(nèi)4s店數(shù)據(jù)，結(jié)合內(nèi)部數(shù)據(jù)構(gòu)建綜合數(shù)據(jù)集。
中期：基于綜合數(shù)據(jù)集，分析用戶的充電、換電行為和出行軌跡，挖掘用戶的出行習(xí)慣和行為特征，輸出數(shù)據(jù)可視化分析報告。
后期：利用KNN、XGBoost等多個機器學(xué)習(xí)模型完成模型集成，對用戶的消費能力、潛在挖掘價值等多個數(shù)據(jù)指標進行打分，完成用戶
畫像，并設(shè)計部署數(shù)據(jù)看板和數(shù)據(jù)監(jiān)控。 ? 項目結(jié)果：迭代了用戶職住地畫像，看板PV階段內(nèi)同比增加150%，業(yè)務(wù)側(cè)上海閔行區(qū)區(qū)域公司家充推廣增收13%。

充電樁定價預(yù)測分析（Python、機器學(xué)習(xí)、Hive SQL）：
目的：對充電樁合理定價，制定一樁一時一價的定價方案，最大化提升營收。
動作：協(xié)同LM完成充電樁定價的相關(guān)分析，并用已有的數(shù)據(jù)完成相關(guān)指標計算和特征提??；評估GBDT模型、Stacking集成模型、時序
模型等多種方法的預(yù)測效果，完成模型檢驗分析，并根據(jù)模型結(jié)果設(shè)計ABtest實驗，進行模擬經(jīng)營；監(jiān)控實驗運行和AB評估。
結(jié)果：實驗組充電量、排隊時長指標分別提升24%和10%，輸出實驗報告，完成歸檔，在后續(xù)價格調(diào)整后首月GMV上升15%。

指標體系搭建（Hive SQL、Tableau）：
目的：評估城際點位資源的場站利用率，基于OSM模型搭建評估充換電資源指標體系。
動作：與場站運營專員溝通并自主學(xué)習(xí)相關(guān)案例，基于目標&策略&度量梳理指標口徑，進行小樣本數(shù)據(jù)探查；對覆蓋率、充電次數(shù)等
多個指標進行切片，評估重合度和相關(guān)性，迭代指標口徑與監(jiān)控閾值；輸出評估城際充換電資源的指標框架。
結(jié)果：搭建指標數(shù)據(jù)監(jiān)控看板并傳播，看板PV每日100+，并與30多位正式數(shù)據(jù)分析師、數(shù)據(jù)運營專員做了分享。

指標體系搭建（Python+帆軟BI）：
目的：完善電商平臺的銷售指標體系，評估競品競店的差異，協(xié)助數(shù)據(jù)分析同事完成決策
動作：設(shè)計Python爬蟲程序，獲取抖音、淘寶第三方數(shù)據(jù)、小紅書以及微博等平臺的數(shù)據(jù)；基于AARRR模型協(xié)助數(shù)據(jù)分析師、數(shù)據(jù)運營
制定銷售指標體系；對數(shù)據(jù)指標進行監(jiān)控，每日復(fù)盤指標波動，進行數(shù)據(jù)歸因，為直播銷售業(yè)務(wù)決策提供支持。
結(jié)果：3.8大促GMV同比上升34%，50+任務(wù)活動周期內(nèi)正常運維。

團隊情況