數(shù)據(jù)分析師簡歷范文
求職意向
數(shù)據(jù)分析師 北京 薪資面議 隨時到崗
教育背景
2020.x -2020x 錘子簡歷大學(xué) 應(yīng)用統(tǒng)計（碩士）
2020.x -2020x 錘子簡歷大學(xué) 統(tǒng)計學(xué)（本科）
工作經(jīng)驗
2020.x -2020x 神州租車 高級大數(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)倉遷移工作，開發(fā)數(shù)倉DWS、DM、ADS等層級的數(shù)據(jù)表；
- 梳理優(yōu)化業(yè)務(wù)部門的數(shù)據(jù)報表需求，基于tableau報表平臺開發(fā)數(shù)據(jù)報表、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，對接業(yè)務(wù)部門的用戶營銷需求，配置魔方觸達策略；
- 負(fù)責(zé)門店工單運營的數(shù)據(jù)化體系搭建，包含：工單來源、工單生成、工單派發(fā)、工單處理、工單完成、工單等工單運營全流程數(shù)據(jù)監(jiān)測，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價指標(biāo)體系，指標(biāo)體系涵蓋：工單處理時效、工單處理質(zhì)量、工單完成量等維度，通過評級體系考核門店員工的工單業(yè)績，掛鉤門店員工的每月績效；
- 對接神州二手車業(yè)務(wù)部門，基于二手車業(yè)務(wù)部門需求開發(fā)二手車定價模型，選用隨機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)等維度進行訓(xùn)練模型，定價模型顯著提升了業(yè)務(wù)部門定價的準(zhǔn)確性。
2020.x -2020x 紅布林 高級數(shù)據(jù)分析師
公司概述：
主要工作內(nèi)容：
- 對接公司商城運營、商品運營、產(chǎn)品、物流等部門的業(yè)務(wù)數(shù)據(jù)分析需求，針對相應(yīng)需求進行專項數(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)部門報表需求，參與應(yīng)用層數(shù)倉建設(shè)，基于quick_bi開發(fā)數(shù)據(jù)報表看板；
- 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，全面刻畫平臺用戶面貌，從中挖掘用戶價值，為市場投放、平臺買家端營銷、賣家端營銷、商城活動、用戶分層運營等提供畫像數(shù)據(jù)支持；
- 買家分層運營營銷策略。買家分層策略基于電商行業(yè)的RFM模型，三個指標(biāo)從不同維度共同度量用戶價值，通過Kmeans算法對用戶的三個指標(biāo)進行科學(xué)高效聚類分層，對不同群體用戶分別采取相應(yīng)精準(zhǔn)運營策略；
- 平臺風(fēng)控策略。平臺存在一些薅羊毛買家經(jīng)常在app上新頁面的上新時間 點快速鎖定上新商品，這些行為嚴(yán)重影響正常用戶的購買和平臺優(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、商品上架后極短時間內(nèi)購買多等特征，基于這些特征挖掘潛在高風(fēng)險人群進行處理。
2020.x -2020x 國信達數(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)價估值模型、估價師仿真模型、機器學(xué)習(xí)估價模型等；
- 小區(qū)綜合評分?；谛^(qū)內(nèi)部信息、小區(qū)周邊信息、小區(qū)市場流通信息等并借助評分卡策略計算小區(qū)綜合評分，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估；
- 房屋城市指數(shù)。房屋城市指數(shù)能反映該城市某段時間的房屋價格波動情況，可有效預(yù)測房屋價格變化趨勢，指數(shù)計算借助于房屋價格和房屋影響特征構(gòu)建多元回歸模型來進行預(yù)測計算。
2020.x -2020x 東方國信 數(shù)據(jù)建模工程師
主要工作內(nèi)容：
- 參與電信集團線上渠道精準(zhǔn)營銷項目。主要負(fù)責(zé)流量包、寬帶、終端手機等產(chǎn)品的精準(zhǔn)營銷建模工作，對各類產(chǎn)品基于其產(chǎn)品屬性、業(yè)務(wù)特點等構(gòu)建模型、模型實施、模型效果驗證、模型迭代、模型部署等（通過模型精準(zhǔn)營銷將流量產(chǎn)品轉(zhuǎn)化率相比對照組能提升10倍左右）；
- 分析用戶在各類app上的流量消耗、使用頻次、使用時長等，綜合統(tǒng)計出用戶較為偏好的top app，為定向app流量產(chǎn)品設(shè)計和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?；诔闃拥目蛻舳擞脩魯?shù)據(jù)進行分析用戶基礎(chǔ)信息分布、客戶端消費偏好、客戶端功能偏好等。
項目經(jīng)驗
2020.x -2020x 工單數(shù)據(jù)化體系搭建 ?
項目背景：
- 神州租車門店員工的車輛運營工作轉(zhuǎn)工單模式后，需搭建相關(guān)數(shù)據(jù)化體系，監(jiān)測工單全流程數(shù)據(jù)變化，及時發(fā)現(xiàn)運營中存在的瓶頸；
- 搭建門店員工的工單評價指標(biāo)體系，通過評級體系考核門店員工的工單業(yè)績。
項目職責(zé)：
- 對接業(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)測指標(biāo)體系；
- 協(xié)調(diào)相關(guān)產(chǎn)品、研發(fā)、數(shù)倉等同事，針對當(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)埋點監(jiān)測；
- 基于確定的指標(biāo)口徑和完備的數(shù)據(jù)源，開發(fā)PC端的tableau報表、可視化圖表等，權(quán)限開放給總部、分公司；
- 協(xié)調(diào)移動端開發(fā)、產(chǎn)品等，推動運營助手應(yīng)用增加員工工單模塊，權(quán)限開放給一線門店員工，同區(qū)域員工可察看相關(guān)排名，促進形成良性競爭。
項目效果
- 工單數(shù)據(jù)化體系搭建完成后，有效輔助業(yè)務(wù)部門及時發(fā)現(xiàn)工單運營問題，提升處理效率。
2020.x -2020x 基于聚類模型的用戶精細化分層 ?
項目背景：
- 在紅布林任職期間，對接的運營部門想要做精細化用戶分層營銷，以求有限的成本達到最大化的預(yù)期效果；
- 電商行業(yè)針對用戶分層經(jīng)常采用RFM模型，傳統(tǒng)RFM分層往往使用指標(biāo)均值分割，每個指標(biāo)一分為二，3個指標(biāo)分成8個群體，這種操作方法簡單高效，但分層準(zhǔn)確率有待驗證且8個群體并不一定是最佳層數(shù)。針對上述問題，在用戶分層項目中選擇使用了Kmeans算法進行精細化分層。
項目介紹：
- 對紅布林平臺的買家用戶統(tǒng)計其近一年的RFM模型所需指標(biāo)：最近一次購買時間間隔、近一年購買頻次、近一年消費金額等；
- 基于用戶數(shù)據(jù)選擇keans模型進行用戶分層聚類，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)每一層級所包含群體的業(yè)務(wù)標(biāo)簽，制定相應(yīng)營銷觸達策略；
- 營銷完成后，統(tǒng)計不同群體的轉(zhuǎn)化效果，為后續(xù)優(yōu)化迭代提供參考。
項目效果：
- 通過聚類模型進行劃分用戶層級對比傳統(tǒng)分割方法更加精細，針對用戶可采取更有效營銷觸達。
自我評價
- 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；
- 熟練使用tableau做數(shù)據(jù)可視化分析以及報表展示；
- 熟練使用sql，經(jīng)常使用hive、mysql等數(shù)據(jù)庫，能夠使用sql做常見的數(shù)據(jù)處理、數(shù)據(jù)分析、數(shù)據(jù)開發(fā)等。
- 掌握常見統(tǒng)計模型：回歸、聚類、決策樹、貝葉斯、隨機森林等模型。
內(nèi)容來源說明：本文章來自網(wǎng)絡(luò)收集，如侵犯了你的權(quán)益，請聯(lián)系QQ:2772182309進行刪除。
http://www.90xin.cn/article/315706.html
