颜楚佩

• 编程语言 : Python, Java, C++, C#, JavaScript, HTML, CSS
• 数据处理 : R, SQL, MySQL, Tableau, Power BI
• 办公软件 : Word, PowerPoint, Excel, Outlook
• 工具 : Docker, Azure, React, VS Code, Unity, Eclipse, DBeaver

营销投放的高价值用户挖掘(Uplift)

• 为了优化广告资源的分配和提高广告投资回报率, 进行了高价值用户挖掘的研究
• 提取广告投放数据和用户行为数据, 构建交互特征, 使用GBDT评估特征重要性, 得到用户的历史点击次数, 广告曝光次数和用户的购买历史, PSM匹配处理组和对照组, 逻辑回归模型预测每组用户接收促销邮件的概率(倾向得分), 通过直方图和 QQ 图验证匹配后的变量分布, 使用双模型法训练两个独立的模型, 预测是否接受促销邮件后的购买概率, 估计不同用户子群体的增量效果

基于观察数据的因果推断项目(Double ML)

• 评估广告对用户行为(如点击率和转化率)的因果影响, 从而优化广告策略, 提高广告投资回报率
• 使用 Double ML, 第一阶段预测处理变量, 使用随机森林, 通过相关性分析和SHAP排序, 发现晚上发送时间, 20%折扣促销力度, 多渠道广告, 图片广告和适度增加频率对广告策略预测最重要, 第二阶段因果效应估计, 使用线性回归模型估计每个广告策略对点击率和转化率的因果效应, 使用均方误差, R2评估模型性能, 点击率提升 12%, 转化率提升15%

用户行为分析与推荐系统

• 为了提高用户参与度和广告效果, 构建推荐系统, 分析用户行为数据并为用户推荐广告
• 提取用户行为数据, 浏览记录, 点击记录, 购买记录, 基于用户和基于物品的协同过滤方法构建初步推荐模型; 矩阵分解 SVD, 提取出用户隐因子如用户的偏好, 广告隐因子如广告的属性, 内容类型; 通过神经网络模型捕捉用户行为模式, 广告属性交互和用户兴趣变化等复杂非线性关系, 最终推荐系统能够准确预测用户偏好