projects
项目作品
三个项目分别覆盖业务经营分析 + 因果建模、实验设计与双框架检验、AI 工程落地。点击进入详情页，含完整结论、方法与代码片段。
主项目 · 经营分析 + 因果建模
Olist 电商分析
全链路经营分析 + 取消风险建模，从 SQL 数据提取到 Logit 交互效应验证的完整分析链路
SQLPythonPower BIstatsmodels
- GMV R$ 1542 万，9.6 万订单，8 个 SQL 模块 + 6 张 Power BI 仪表板
- 78,126 条建模样本，三层证据链：Fisher OR=31.55 / Voucher OR=1.39 / 交互项 OR=1.09
- 从描述性发现出发，逻辑回归控制混淆变量，交互项验证组合放大效应
核心发现：高客单订单中 voucher 支付取消风险被显著放大，建议针对该组合优化支付引导策略。
R$ 1542 万
GMV
9.6 万
订单数
78,126
建模样本
31.55
Fisher OR
1.39
Voucher OR
1.09
交互项 OR
实验分析 · 双框架检验
Cookie Cats A/B 测试分析
9 万用户行为数据，频率派 + 贝叶斯双框架评估付费门位置对 7 日留存率的影响
PythonscipyBeta-Binomial
- 90,189 用户，gate_30 vs gate_40 两组，含 SRM 分流合理性验证
- 7 日留存频率派 p=0.0016，贝叶斯 P(gate_30 > gate_40)=99.92%，双框架结论一致
- 效应量解释：行业 7 日留存基准约 15-18%，1% 量级提升具有业务意义
建议结论：维持 gate_30 方案，双框架一致支持，推迟付费门会显著损害 7 日留存。
9 万
用户数
2 组
实验分组
0.0016
7日留存 p值
99.92%
贝叶斯概率
双框架
频率派+贝叶斯
不上线
建议结论
工程项目 · AI 工具落地
Job Hunter 求职自动化工具
爬取职位数据 + LLM 智能打分 + Streamlit 交互看板，一套完整的 AI 辅助求职 pipeline
PythonLLMStreamlitPandas
- scraper 自动抓取职位列表，analyzer 调用 LLM 对每条 JD 评分并生成推荐理由
- 923 条职位数据，按城市、匹配度区间、投递状态三维筛选
- 从 0 到可用产品单日完成，使用 Claude Code 辅助开发全程
核心价值：把筛选 JD 的时间从数小时压缩到分钟级，LLM 打分替代人工逐条阅读。
923
抓取职位数
3层
筛选维度
1天
开发周期
LLM
智能打分
自动化
全流程
Streamlit
交互看板
about
关于我
金融工程专业 2028 届。求职方向为业务数据分析，对电商、金融场景下的指标拆解、用户分群与因果验证最感兴趣。目前持续通过项目打磨 SQL 与 Python 的分析能力，并尝试把描述性分析延伸到建模验证。近期探索 AI 工具在实际工作流中的落地应用，使用 Playwright + LLM API 构建了完整的求职自动化 pipeline。
作品集中所有项目均已开源。如对项目细节、SQL 写法或建模思路有兴趣，欢迎前往 GitHub 直接查看完整代码。
技术栈
数据提取
SQL（MySQL）、CTE、窗口函数、多表 JOIN
分析与建模
Python、Pandas、statsmodels（Logit）、scipy（z-test、Fisher）
实验分析
A/B 测试、频率派检验、贝叶斯推断（Beta-Binomial）
可视化
Power BI、Matplotlib、Seaborn
contact
寻找业务数据分析实习机会
2028 届金融工程在读，求职方向业务数据分析。行业不限，一线城市优先。暑期（6–9 月）可全勤到岗，学期内可工作日远程协作。
如对作品集中任一项目感兴趣，或有合适的实习机会，欢迎通过下方任一方式联系。
联系方式