数据分析师简历范文
求职意向
数据分析师 北京 薪资面议 随时到岗
教育背景
2020.x -2020x 锤子简历大学 应用统计（硕士）
2020.x -2020x 锤子简历大学 统计学（本科）
工作经验
2020.x -2020x 神州租车 高级大数据分析师
主要工作内容：
- 参与大数据部门的数仓迁移工作，开发数仓DWS、DM、ADS等层级的数据表；
- 梳理优化业务部门的数据报表需求，基于tableau报表平台开发数据报表、数据可视化等，辅助业务数据化决策；
- 完善用户画像标签体系，对接业务部门的用户营销需求，配置魔方触达策略；
- 负责门店工单运营的数据化体系搭建，包含：工单来源、工单生成、工单派发、工单处理、工单完成、工单等工单运营全流程数据监测，洞察工单处理瓶颈，提升门店工单处理效率；
- 搭建门店员工的工单评价指标体系，指标体系涵盖：工单处理时效、工单处理质量、工单完成量等维度，通过评级体系考核门店员工的工单业绩，挂钩门店员工的每月绩效；
- 对接神州二手车业务部门，基于二手车业务部门需求开发二手车定价模型，选用随机森林算法并筛选车辆基础数据、车辆行驶数据、销售数据等维度进行训练模型，定价模型显著提升了业务部门定价的准确性。
2020.x -2020x 红布林 高级数据分析师
公司概述：
主要工作内容：
- 对接公司商城运营、商品运营、产品、物流等部门的业务数据分析需求，针对相应需求进行专项数据分析，并将分析结果汇总整理为业务分析结论，为业务部门提供相关策略建议；
- 梳理优化业务部门报表需求，参与应用层数仓建设，基于quick_bi开发数据报表看板；
- 用户画像标签建设。基于用户基础信息、买家属性、卖家属性、app行为轨迹等搭建用户画像体系，全面刻画平台用户面貌，从中挖掘用户价值，为市场投放、平台买家端营销、卖家端营销、商城活动、用户分层运营等提供画像数据支持；
- 买家分层运营营销策略。买家分层策略基于电商行业的RFM模型，三个指标从不同维度共同度量用户价值，通过Kmeans算法对用户的三个指标进行科学高效聚类分层，对不同群体用户分别采取相应精准运营策略；
- 平台风控策略。平台存在一些薅羊毛买家经常在app上新页面的上新时间 点快速锁定上新商品，这些行为严重影响正常用户的购买和平台优质商品 的曝光，这些群体存在退货商品多、转卖商品多、放弃支付订单多、商品上架后极短时间内购买多等特征，基于这些特征挖掘潜在高风险人群进行处理。
2020.x -2020x 国信达数据 数据建模工程师
主要工作内容：
- 基于房屋多维度特征数据构建房屋估值模型，持续优化并迭代房屋估值模型效果，提升估值准确率。参与的估值模型主要包括：基准价估值模型、估价师仿真模型、机器学习估价模型等；
- 小区综合评分。基于小区内部信息、小区周边信息、小区市场流通信息等并借助评分卡策略计算小区综合评分，在房屋抵押贷款收缩的大环境下为金融、银行客户等提供抵押房屋有效筛选评估；
- 房屋城市指数。房屋城市指数能反映该城市某段时间的房屋价格波动情况，可有效预测房屋价格变化趋势，指数计算借助于房屋价格和房屋影响特征构建多元回归模型来进行预测计算。
2020.x -2020x 东方国信 数据建模工程师
主要工作内容：
- 参与电信集团线上渠道精准营销项目。主要负责流量包、宽带、终端手机等产品的精准营销建模工作，对各类产品基于其产品属性、业务特点等构建模型、模型实施、模型效果验证、模型迭代、模型部署等（通过模型精准营销将流量产品转化率相比对照组能提升10倍左右）；
- 分析用户在各类app上的流量消耗、使用频次、使用时长等，综合统计出用户较为偏好的top app，为定向app流量产品设计和app定向流量商务合作提供数据决策依据；
- 天翼客户端用户画像分析。基于抽样的客户端用户数据进行分析用户基础信息分布、客户端消费偏好、客户端功能偏好等。
项目经验
2020.x -2020x 工单数据化体系搭建
项目背景：
- 神州租车门店员工的车辆运营工作转工单模式后，需搭建相关数据化体系，监测工单全流程数据变化，及时发现运营中存在的瓶颈；
- 搭建门店员工的工单评价指标体系，通过评级体系考核门店员工的工单业绩。
项目职责：
- 对接业务部门，梳理业务部门关于门店工单的数据指标需求，优化完善工单数据化监测指标体系；
- 协调相关产品、研发、数仓等同事，针对当前需求中数据不能满足的指标，增加相关数据记录及数据埋点监测；
- 基于确定的指标口径和完备的数据源，开发PC端的tableau报表、可视化图表等，权限开放给总部、分公司；
- 协调移动端开发、产品等，推动运营助手应用增加员工工单模块，权限开放给一线门店员工，同区域员工可察看相关排名，促进形成良性竞争。
项目效果
- 工单数据化体系搭建完成后，有效辅助业务部门及时发现工单运营问题，提升处理效率。
2020.x -2020x 基于聚类模型的用户精细化分层
项目背景：
- 在红布林任职期间，对接的运营部门想要做精细化用户分层营销，以求有限的成本达到最大化的预期效果；
- 电商行业针对用户分层经常采用RFM模型，传统RFM分层往往使用指标均值分割，每个指标一分为二，3个指标分成8个群体，这种操作方法简单高效，但分层准确率有待验证且8个群体并不一定是最佳层数。针对上述问题，在用户分层项目中选择使用了Kmeans算法进行精细化分层。
项目介绍：
- 对红布林平台的买家用户统计其近一年的RFM模型所需指标：最近一次购买时间间隔、近一年购买频次、近一年消费金额等；
- 基于用户数据选择keans模型进行用户分层聚类，聚类中为寻找最佳类别数，按照指定类别数循环构建模型，通过不同聚类数的组内误差和的可视化图判断最佳所选类别数；
- 对聚类模型输出结果，和业务同事一起分析，打标每一层级所包含群体的业务标签，制定相应营销触达策略；
- 营销完成后，统计不同群体的转化效果，为后续优化迭代提供参考。
项目效果：
- 通过聚类模型进行划分用户层级对比传统分割方法更加精细，针对用户可采取更有效营销触达。
自我评价
- 熟练使用R，能够使用R做数据分析、数据可视化、数据建模等， 经常使用data.table、ggplot2、dplyr、tidyr、stringr等包；
- 熟练掌握Python，能够使用Python做数据分析、数据可视化、数据建模等，经常使用numpy、pandas、matplotlib、seaborn、scikit_learn等库；
- 熟练使用tableau做数据可视化分析以及报表展示；
- 熟练使用sql，经常使用hive、mysql等数据库，能够使用sql做常见的数据处理、数据分析、数据开发等。
- 掌握常见统计模型：回归、聚类、决策树、贝叶斯、随机森林等模型。
内容来源说明：本文章来自网络收集，如侵犯了你的权益，请联系QQ:2772182309进行删除。
https://www.100chui.com/article/315706.html
