數(shù)據(jù)分析師簡(jiǎn)歷范文
求職意向
數(shù)據(jù)分析師 北京 薪資面議 隨時(shí)到崗
教育背景
2020.x -2020x 錘子簡(jiǎn)歷大學(xué) 應(yīng)用統(tǒng)計(jì)（碩士）
2020.x -2020x 錘子簡(jiǎn)歷大學(xué) 統(tǒng)計(jì)學(xué)（本科）
工作經(jīng)驗(yàn)
2020.x -2020x 神州租車 高級(jí)大數(shù)據(jù)分析師
主要工作內(nèi)容：
- 參與大數(shù)據(jù)部門的數(shù)倉(cāng)遷移工作，開(kāi)發(fā)數(shù)倉(cāng)DWS、DM、ADS等層級(jí)的數(shù)據(jù)表；
- 梳理優(yōu)化業(yè)務(wù)部門的數(shù)據(jù)報(bào)表需求，基于tableau報(bào)表平臺(tái)開(kāi)發(fā)數(shù)據(jù)報(bào)表、數(shù)據(jù)可視化等，輔助業(yè)務(wù)數(shù)據(jù)化決策；
- 完善用戶畫像標(biāo)簽體系，對(duì)接業(yè)務(wù)部門的用戶營(yíng)銷需求，配置魔方觸達(dá)策略；
- 負(fù)責(zé)門店工單運(yùn)營(yíng)的數(shù)據(jù)化體系搭建，包含：工單來(lái)源、工單生成、工單派發(fā)、工單處理、工單完成、工單等工單運(yùn)營(yíng)全流程數(shù)據(jù)監(jiān)測(cè)，洞察工單處理瓶頸，提升門店工單處理效率；
- 搭建門店員工的工單評(píng)價(jià)指標(biāo)體系，指標(biāo)體系涵蓋：工單處理時(shí)效、工單處理質(zhì)量、工單完成量等維度，通過(guò)評(píng)級(jí)體系考核門店員工的工單業(yè)績(jī)，掛鉤門店員工的每月績(jī)效；
- 對(duì)接神州二手車業(yè)務(wù)部門，基于二手車業(yè)務(wù)部門需求開(kāi)發(fā)二手車定價(jià)模型，選用隨機(jī)森林算法并篩選車輛基礎(chǔ)數(shù)據(jù)、車輛行駛數(shù)據(jù)、銷售數(shù)據(jù)等維度進(jìn)行訓(xùn)練模型，定價(jià)模型顯著提升了業(yè)務(wù)部門定價(jià)的準(zhǔn)確性。
2020.x -2020x 紅布林 高級(jí)數(shù)據(jù)分析師
公司概述：
主要工作內(nèi)容：
- 對(duì)接公司商城運(yùn)營(yíng)、商品運(yùn)營(yíng)、產(chǎn)品、物流等部門的業(yè)務(wù)數(shù)據(jù)分析需求，針對(duì)相應(yīng)需求進(jìn)行專項(xiàng)數(shù)據(jù)分析，并將分析結(jié)果匯總整理為業(yè)務(wù)分析結(jié)論，為業(yè)務(wù)部門提供相關(guān)策略建議；
- 梳理優(yōu)化業(yè)務(wù)部門報(bào)表需求，參與應(yīng)用層數(shù)倉(cāng)建設(shè)，基于quick_bi開(kāi)發(fā)數(shù)據(jù)報(bào)表看板；
- 用戶畫像標(biāo)簽建設(shè)。基于用戶基礎(chǔ)信息、買家屬性、賣家屬性、app行為軌跡等搭建用戶畫像體系，全面刻畫平臺(tái)用戶面貌，從中挖掘用戶價(jià)值，為市場(chǎng)投放、平臺(tái)買家端營(yíng)銷、賣家端營(yíng)銷、商城活動(dòng)、用戶分層運(yùn)營(yíng)等提供畫像數(shù)據(jù)支持；
- 買家分層運(yùn)營(yíng)營(yíng)銷策略。買家分層策略基于電商行業(yè)的RFM模型，三個(gè)指標(biāo)從不同維度共同度量用戶價(jià)值，通過(guò)Kmeans算法對(duì)用戶的三個(gè)指標(biāo)進(jìn)行科學(xué)高效聚類分層，對(duì)不同群體用戶分別采取相應(yīng)精準(zhǔn)運(yùn)營(yíng)策略；
- 平臺(tái)風(fēng)控策略。平臺(tái)存在一些薅羊毛買家經(jīng)常在app上新頁(yè)面的上新時(shí)間 點(diǎn)快速鎖定上新商品，這些行為嚴(yán)重影響正常用戶的購(gòu)買和平臺(tái)優(yōu)質(zhì)商品 的曝光，這些群體存在退貨商品多、轉(zhuǎn)賣商品多、放棄支付訂單多、商品上架后極短時(shí)間內(nèi)購(gòu)買多等特征，基于這些特征挖掘潛在高風(fēng)險(xiǎn)人群進(jìn)行處理。
2020.x -2020x 國(guó)信達(dá)數(shù)據(jù) 數(shù)據(jù)建模工程師
主要工作內(nèi)容：
- 基于房屋多維度特征數(shù)據(jù)構(gòu)建房屋估值模型，持續(xù)優(yōu)化并迭代房屋估值模型效果，提升估值準(zhǔn)確率。參與的估值模型主要包括：基準(zhǔn)價(jià)估值模型、估價(jià)師仿真模型、機(jī)器學(xué)習(xí)估價(jià)模型等；
- 小區(qū)綜合評(píng)分?；谛^(qū)內(nèi)部信息、小區(qū)周邊信息、小區(qū)市場(chǎng)流通信息等并借助評(píng)分卡策略計(jì)算小區(qū)綜合評(píng)分，在房屋抵押貸款收縮的大環(huán)境下為金融、銀行客戶等提供抵押房屋有效篩選評(píng)估；
- 房屋城市指數(shù)。房屋城市指數(shù)能反映該城市某段時(shí)間的房屋價(jià)格波動(dòng)情況，可有效預(yù)測(cè)房屋價(jià)格變化趨勢(shì)，指數(shù)計(jì)算借助于房屋價(jià)格和房屋影響特征構(gòu)建多元回歸模型來(lái)進(jìn)行預(yù)測(cè)計(jì)算。
2020.x -2020x 東方國(guó)信 數(shù)據(jù)建模工程師
主要工作內(nèi)容：
- 參與電信集團(tuán)線上渠道精準(zhǔn)營(yíng)銷項(xiàng)目。主要負(fù)責(zé)流量包、寬帶、終端手機(jī)等產(chǎn)品的精準(zhǔn)營(yíng)銷建模工作，對(duì)各類產(chǎn)品基于其產(chǎn)品屬性、業(yè)務(wù)特點(diǎn)等構(gòu)建模型、模型實(shí)施、模型效果驗(yàn)證、模型迭代、模型部署等（通過(guò)模型精準(zhǔn)營(yíng)銷將流量產(chǎn)品轉(zhuǎn)化率相比對(duì)照組能提升10倍左右）；
- 分析用戶在各類app上的流量消耗、使用頻次、使用時(shí)長(zhǎng)等，綜合統(tǒng)計(jì)出用戶較為偏好的top app，為定向app流量產(chǎn)品設(shè)計(jì)和app定向流量商務(wù)合作提供數(shù)據(jù)決策依據(jù)；
- 天翼客戶端用戶畫像分析。基于抽樣的客戶端用戶數(shù)據(jù)進(jìn)行分析用戶基礎(chǔ)信息分布、客戶端消費(fèi)偏好、客戶端功能偏好等。
項(xiàng)目經(jīng)驗(yàn)
2020.x -2020x 工單數(shù)據(jù)化體系搭建 ?
項(xiàng)目背景：
- 神州租車門店員工的車輛運(yùn)營(yíng)工作轉(zhuǎn)工單模式后，需搭建相關(guān)數(shù)據(jù)化體系，監(jiān)測(cè)工單全流程數(shù)據(jù)變化，及時(shí)發(fā)現(xiàn)運(yùn)營(yíng)中存在的瓶頸；
- 搭建門店員工的工單評(píng)價(jià)指標(biāo)體系，通過(guò)評(píng)級(jí)體系考核門店員工的工單業(yè)績(jī)。
項(xiàng)目職責(zé)：
- 對(duì)接業(yè)務(wù)部門，梳理業(yè)務(wù)部門關(guān)于門店工單的數(shù)據(jù)指標(biāo)需求，優(yōu)化完善工單數(shù)據(jù)化監(jiān)測(cè)指標(biāo)體系；
- 協(xié)調(diào)相關(guān)產(chǎn)品、研發(fā)、數(shù)倉(cāng)等同事，針對(duì)當(dāng)前需求中數(shù)據(jù)不能滿足的指標(biāo)，增加相關(guān)數(shù)據(jù)記錄及數(shù)據(jù)埋點(diǎn)監(jiān)測(cè)；
- 基于確定的指標(biāo)口徑和完備的數(shù)據(jù)源，開(kāi)發(fā)PC端的tableau報(bào)表、可視化圖表等，權(quán)限開(kāi)放給總部、分公司；
- 協(xié)調(diào)移動(dòng)端開(kāi)發(fā)、產(chǎn)品等，推動(dòng)運(yùn)營(yíng)助手應(yīng)用增加員工工單模塊，權(quán)限開(kāi)放給一線門店員工，同區(qū)域員工可察看相關(guān)排名，促進(jìn)形成良性競(jìng)爭(zhēng)。
項(xiàng)目效果
- 工單數(shù)據(jù)化體系搭建完成后，有效輔助業(yè)務(wù)部門及時(shí)發(fā)現(xiàn)工單運(yùn)營(yíng)問(wèn)題，提升處理效率。
2020.x -2020x 基于聚類模型的用戶精細(xì)化分層 ?
項(xiàng)目背景：
- 在紅布林任職期間，對(duì)接的運(yùn)營(yíng)部門想要做精細(xì)化用戶分層營(yíng)銷，以求有限的成本達(dá)到最大化的預(yù)期效果；
- 電商行業(yè)針對(duì)用戶分層經(jīng)常采用RFM模型，傳統(tǒng)RFM分層往往使用指標(biāo)均值分割，每個(gè)指標(biāo)一分為二，3個(gè)指標(biāo)分成8個(gè)群體，這種操作方法簡(jiǎn)單高效，但分層準(zhǔn)確率有待驗(yàn)證且8個(gè)群體并不一定是最佳層數(shù)。針對(duì)上述問(wèn)題，在用戶分層項(xiàng)目中選擇使用了Kmeans算法進(jìn)行精細(xì)化分層。
項(xiàng)目介紹：
- 對(duì)紅布林平臺(tái)的買家用戶統(tǒng)計(jì)其近一年的RFM模型所需指標(biāo)：最近一次購(gòu)買時(shí)間間隔、近一年購(gòu)買頻次、近一年消費(fèi)金額等；
- 基于用戶數(shù)據(jù)選擇keans模型進(jìn)行用戶分層聚類，聚類中為尋找最佳類別數(shù)，按照指定類別數(shù)循環(huán)構(gòu)建模型，通過(guò)不同聚類數(shù)的組內(nèi)誤差和的可視化圖判斷最佳所選類別數(shù)；
- 對(duì)聚類模型輸出結(jié)果，和業(yè)務(wù)同事一起分析，打標(biāo)每一層級(jí)所包含群體的業(yè)務(wù)標(biāo)簽，制定相應(yīng)營(yíng)銷觸達(dá)策略；
- 營(yíng)銷完成后，統(tǒng)計(jì)不同群體的轉(zhuǎn)化效果，為后續(xù)優(yōu)化迭代提供參考。
項(xiàng)目效果：
- 通過(guò)聚類模型進(jìn)行劃分用戶層級(jí)對(duì)比傳統(tǒng)分割方法更加精細(xì)，針對(duì)用戶可采取更有效營(yíng)銷觸達(dá)。
自我評(píng)價(jià)
- 熟練使用R，能夠使用R做數(shù)據(jù)分析、數(shù)據(jù)可視化、數(shù)據(jù)建模等， 經(jīng)常使用data.table、ggplot2、dplyr、tidyr、stringr等包；
- 熟練掌握Python，能夠使用Python做數(shù)據(jù)分析、數(shù)據(jù)可視化、數(shù)據(jù)建模等，經(jīng)常使用numpy、pandas、matplotlib、seaborn、scikit_learn等庫(kù)；
- 熟練使用tableau做數(shù)據(jù)可視化分析以及報(bào)表展示；
- 熟練使用sql，經(jīng)常使用hive、mysql等數(shù)據(jù)庫(kù)，能夠使用sql做常見(jiàn)的數(shù)據(jù)處理、數(shù)據(jù)分析、數(shù)據(jù)開(kāi)發(fā)等。
- 掌握常見(jiàn)統(tǒng)計(jì)模型：回歸、聚類、決策樹(shù)、貝葉斯、隨機(jī)森林等模型。
內(nèi)容來(lái)源說(shuō)明：本文章來(lái)自網(wǎng)絡(luò)收集，如侵犯了你的權(quán)益，請(qǐng)聯(lián)系QQ:2772182309進(jìn)行刪除。
http://90xin.cn/article/315706.html
