数据分析师简历（3 年电商方向）范文

对接增长与运营团队（约 20 人），负责新客获取与留存两条指标。

主要产出：

• 新客次月留存 18%→26%：通过首单品类与留存的交叉分析，发现首单为高频快消品类的用户次月留存高出 11 个百分点，据此推动新客券的品类定向；策略经 3 轮 A/B（每轮 10% 流量、观察 4 周）确认后全量
• 识别并叫停了一个投放渠道：该渠道 CAC 看似低 30%，但下钻发现 62% 为已有用户重复注册，实际有效获客成本高出 45%；下线后季度投放预算重新分配，同等预算下有效新客增加约 1.4 万
• 主导新增用户口径统一：此前投放、产品、财务三方口径不一致，差异最大月份达 17%；牵头对齐定义并落到统一的数仓模型，此后三方数据一致

日常：

• 每周输出增长周报（自动化，取代原来 4 小时手工整理）
• 支持 A/B 实验平台的指标接入与结果解读，累计参与实验设计 30+ 次

支持商品运营团队，负责选品与库存周转相关分析。

主要产出：

• 建立滞销预警模型（规则 + 逻辑回归），提前 3 周识别滞销风险 SKU，准确率 78%；运营据此调整清仓节奏，库存周转天数从 62 天降到 49 天
• 复盘大促表现：拆解 GMV 增量来源（新客/老客/客单/转化），指出增量的 71% 来自老客复购而非拉新，修正了团队此前的投放假设
• 搭建商品健康度看板，覆盖 12 万 SKU，运营查数需求下降约 60%

背景：三个团队各自维护一套新增/活跃口径，周会上经常先花半小时对数。

做法：

• 逐一梳理 8 个核心指标的现有定义，找出 5 处实质分歧（去重维度、归因窗口、退款是否回滚等）
• 组织三方评审确认口径，形成《增长指标定义手册》并落到数仓的统一模型层
• 历史数据按新口径回溯 24 个月，同时保留旧口径 3 个月做平滑过渡

结果：三方数据一致；周会对数环节取消；后续新指标接入平均耗时从 3 天降到 0.5 天。

假设：引导新客首单选择高频快消品类，可提升次月留存。

实验设计：

• 分流：按用户 ID 哈希分流，实验组 10%；上线前做 A/A 测试确认分流无偏（SRM 检验 p=0.62）
• 样本量：按基线留存 18%、最小可检测提升 3 个百分点、power 0.8 估算，需 4.2 万人/组，据此确定观察 4 周
• 指标：主指标次月留存，护栏指标客单价与退款率（避免为留存牺牲利润）
• 排除新奇效应：第 1 周数据不纳入结论，连续观察 3 个自然周趋势稳定后才判定

结果：次月留存 +8.1 个百分点（p<0.01），客单价下降 3.2%（在预设护栏内），全量后连续 3 个月保持。

Hive / Presto 熟练，日常处理日均 1.8 亿行埋点数据；能独立完成复杂窗口函数与性能调优，会自己配置调度任务（Airflow）。

pandas、numpy、statsmodels、scikit-learn；用于假设检验、留存与生存分析、轻量预测模型（逻辑回归、GBDT）。

A/B 实验设计（分流校验、样本量估算、显著性与置信区间、多重比较修正）、因果推断基础（DID、倾向得分匹配各落地过一次）。

熟悉电商订单、履约、投放归因的数据链路；Tableau、Superset 可独立搭建看板。

加权 88.1/100，专业排名 12/95；核心课：数理统计、回归分析、时间序列。

负责问卷设计与统计分析部分。

可无障碍阅读英文技术文档与统计教材。