关于
你好，我是李烨（Timothy），香港城市大学数据科学硕士在读（预计 2027 年 2 月毕业），本科就读于中南大学地理信息科学（GIS）专业。这段跨专业的背景让我习惯从"位置与路径"的角度理解数据——这也是我后来一头扎进物流轨迹数据的原因之一。
我在 AfterShip Carrier 团队做过一段物流数据分析实习：把全球物流商杂乱的原始状态信息，翻译、验证、沉淀成一套可复用的标准事件体系。我喜欢的是这类工作里"从混乱到秩序"的过程——设计一个指标去衡量两份数据像不像，或者写一个脚本去替代一天的重复标注，都是同一种乐趣。
课余我也做了几个数据分析项目，覆盖电商用户分层、AB 测试、经营分析、时空聚类等方向；写代码时习惯借助 AI 辅助（vibe coding）加速实现，但会自己把每一处业务逻辑和取数口径过一遍——效率可以靠 AI，判断力必须是自己的。
经历
自建 MCR / CWCR 两项量化指标，分析 USPS / UPS / Uniuni 三个物流商跨接入渠道的规则复用性，推动规则库维护成本最高从 8 套降至 2 套，并通过 BigQuery 表选型优化将查询成本降低约 6 倍；对平台 Top5 大 carrier YunExpress 做原始状态码语义分析，处理近 2 亿条 checkpoint 数据，定位标注错误并产出 5 条可执行修正建议；独立完成 20+ 个物流商/接入渠道的标注与系统集成，作为 eBay/OC 紧急需求唯一对接人多次实现当日响应交付；自建 Python 自动化工具链与 2 个内部 HTML 小工具，替代重复人工 Excel 操作。
核心课程覆盖统计机器学习、数据挖掘与知识发现、时间序列与循环神经网络、数据探索性分析与可视化、数据库系统与数据检索、金融科技等方向，训练涵盖从数据获取、清洗、建模到业务解释的完整数据科学流程。
主修空间数据库、遥感数字图像处理、统计学、GIS 应用开发。这段背景让我对"位置、路径、时空规律"类数据有天然的敏感度——这也是后来在 AfterShip 物流轨迹数据里能较快上手的原因之一。
项目
完成全量数据清洗校验，保障数据准确率 100%，搭建用户消费与活跃度核心指标体系；基于 RFM 模型完成 8 类用户分层与画像刻画，交叉地域/性别/产品偏好定位高价值用户特征；用 Tableau 搭建运营自动化看板，输出差异化运营策略。
处理 260 万+ 行营销活动数据，完成去重与异常值清洗，验证 3 组实验的样本量满足统计显著性要求；采用两样本比例 Z 检验对比转化率提升幅度，结合业务阈值构建决策矩阵；输出完整分析报告，明确上线建议与实验局限性。
用 Excel 与 Python 完成数据预处理，计算销售额、毛利率、客单价等核心经营指标；从时间/渠道/用户/产品四个维度拆解销售，识别淡旺季与核心客群特征；输出可视化报告，提出 5 项覆盖营销、选品、渠道的可落地优化建议。
负责 115 万+ 行事故数据的清洗与预处理，设计分层缺失值填充方案；完成事故时空规律与环境风险因素关联分析，用 K-Means 聚类识别事故高发热点区域，输出可视化结论与管控建议。