会展经济与管理（展览节事方向）
PORTFOLIO
About Me
教育背景
市场营销分析与洞察
实习经历
MarsFMCG / 快消
数字化技术传播实习生
联合鑫隆地产
地产营销策划实习生
VML媒介 / 广告
媒介策略实习生
TikTok GBS互联网
Product Solution & Operation 实习生
自我陈述
我一直喜欢把脑子里的想法做出来。学习展览策划和市场营销时，我关心如何获得注意、影响感受，相信好的创意能够打动人。
接触产品和商业化后，我才明白，一个产品真正成立，还取决于它能否在一群人之间运转起来。创意只是关于未来的假设。数据和逻辑能让它更可信，但要让它被采用，还要理解用户、客户、平台各自的目标和顾虑，并据此设计他们参与的方式。
我开始在意的，也从继续打磨点子，变成完善这套让产品被理解、被采用、持续运转的机制。这也是我想做的：从无到有，再从有到有用。
Skill sets
Case 1：广告产品经营监控及异动归因
业务任务
原始任务是搭建一套品牌广告经营监控看板，覆盖东南亚 6 个市场、4 类产品与 50+ 核心指标，帮助团队统一经营口径并减少临时取数。看板本身并不难，真正值得解决的是：怎样把分析人员脑中的诊断路径，也一起放进工具里？
核心问题
如何让团队看到异动时，先形成高质量假设，再做最少量的验证？
问题为什么难
真正的难点不是把 50+ 指标放进页面，而是判断哪些指标能够解释收入、它们之间是什么关系，以及应该按什么顺序下钻。
关键判断与行动
- 从收入机制出发
把收入拆成需求、供给与产品表现三组驱动因素，先建立指标树，再决定页面。
- 为判断设计下钻
沿市场、产品、Sales Pod 与客户逐层收窄异常范围，让每次点击都对应一个业务问题。
- 把经验变成公共能力
统一数据口径并向销售开放，让归因不再只存在于少数分析人员的脑中。
思路可视化：从产品类型出发，先确认异动，再定位原因，最后结合产品表现交叉验证
Branding Ads
Reservation Ads
01确认异动
RevenueDaily RevenueYoYOKR AttainmentPast & Future Revenue
02定位异动
DemandRevenue = AA × ARPU
AAARPU
SupplyRevenue = Booked Impressions × eCPM
Available ImpressionsBooked ImpressionsSTReCPMOrder Count / Size
03结合产品指标
ReachFrequency2s VTR6s VTR
Auction Ads
01确认异动
RevenueDaily RevenueYoYOKR Attainment
02定位异动
DemandRevenue = AA × ARPU
AAARPU
SupplyRevenue = Impressions × eCPM
DAUIPUAd LoadImpression ShareeCPM
03结合产品指标
Traffic: CPC, CPL, PVConsideration: CPV, 6s VTRAuction-based Reach: Reach, Frequency, VTR
固定分析维度
Ad CountryMarket / Sales TeamBAU / TentpoleAdvertiser Moment
FunnelProduct / Sub-productOptimization GoalEffective ModelPlacementAd Format
Industry VerticalBrand SizeLife CycleStrategic CohortClient Portfolio Affinity
业务结果
覆盖广：看板覆盖东南亚 6 国市场，包含 50+ 核心指标。
提效明显：临时取数需求减少，异动定位时间从会后缩短至会中。
应用广：看板不仅服务于 PSO 团队，也向销售开放，支持销售自主查数。
Takeaway
好的看板不是数据的集合，而是提前替使用者准备好一条可验证的思考路径。
Case 2：拆解预算流向，支撑某品牌产品 GTM 策略
核心问题
A 产品是开屏广告的补充型品牌广告产品。Beta 复盘需要判断：它的收入来自新增预算、客户加购，还是原有品牌预算的迁移？结论将决定 GA 阶段优先触达谁，以及如何组合销售。
关键判断与行动
- 拆解 A 产品收入来源
追踪 170 家参测广告主近两年的产品组合，识别收入来自品牌新客、存量客户，还是原有开屏广告客户。
- 判断品牌总预算是否增长
将 A 产品与开屏广告合并观察，按跨年购买变化拆分不同路径，区分净新增、加购、保留、流失与产品间预算迁移，避免把内部蚕食误判为增长。
- 锁定可规模化的销售路径
比较不同购买组合的客户规模与 ARPA，验证「开屏广告 + A 产品」的组合价值，并据此确定优先客群。
思路可视化：合并观察 A 产品与开屏广告，沿跨年购买状态追踪预算流向
1开屏开屏 + A 产品Net-new
budgetHighestSecond highestHighest
2开屏A 产品Budget
migration
3未购买开屏 + A 产品Net-new
budgetUpper middleUpper middleMiddle
...
7A 产品开屏 + A 产品TopView
add-on
8未购买A 产品Net-new
budgetSecond highestHighestLowest
沉淀组合案例，建立 add-on 销售话术
复盘组合表现，形成 bundle 销售路径
筛选高潜客户，继续 upsell 产品组合
业务结果
分析直接支撑 A 产品 GA 阶段的 GTM 设计，形成组合销售策略与优先客群建议。
Takeaway
产品测试 Beta 阶段的收入分析重点要回答 GA 阶段产品应该如何增长：真实增量来自哪类客户、由什么购买路径产生，以及这条路径能否被规模化复制。
Case 3：从本地客户洞察中提炼产品开发优先级
项目背景
线索广告 AI chatbot 功能已在其他市场积累 use case，但进入东南亚时，总部缺少对本地私信销售流程的理解：广告主何时收集线索、用什么方式推动用户留资，以及机器人与人工如何接力，都没有现成答案。
核心问题
如何从开放式访谈中识别能够跨客户成立的产品缺口，并将其组织成 PM 可以直接判断和排期的能力框架？
问题为什么难
广告主反馈的是具体场景，例如称呼不自然、索取联系方式太突然、夜间无法接管。按客户整理看不出共性，按问题罗列又只会形成一张扁平的 bug list。真正需要判断的是：哪些问题值得产品解决、分别影响哪一层能力，以及应该先做什么。
关键判断与行动
- 从客户原话中识别共性
交叉核对 5 家客户、7 小时访谈材料，将跨场景反复出现的问题与个别客户的特殊偏好分开。
- 按能力依赖重新组织
围绕广告主使用机器人的实际目标，将反馈重组为「基础对话 → 有效留资 → 人机协同」。基础对话尚未成立时，留资策略难以奏效；留资链路没有跑通，人机交接也无法真正解决业务问题。
- 转化为可排期的产品输入
将各层问题整理为具体表现、产品解法和优先级，识别出原方案未覆盖的「留资时机」与「留资钩子」，并与 PM 对齐后续路线图。
思路可视化：保留一手表达的具体性，再把共性问题翻译成 Product Next Step
Raw field notes
“这个称呼不太像我们销售平时会说的话。”
“客人问医美项目时，我们通常会先问年龄。”
“太早要电话号码，客人可能就不回复了。”
“优惠要在对方犹豫的时候再提。”
“回复太长，会让人觉得像机器人。”
“晚上没人值班时，希望它能自动接手。”
“转人工前，我们需要知道已经聊到哪一步。”
“不同门店不应该使用完全一样的语气。”
Structured insight → Product Next Step
- Natural tone→Baseline EQ Optimization
- Local fluency→Other Product Improvement
- Sales instinct→Other Product Improvement
- Capture timing→Other Product Improvement
- Incentive hook→Other Product Improvement
- Merchant style→Other Product Improvement
- Night shift→Other Product Improvement
- Handoff rules→Other Product Improvement
- Handoff alert→Other Product Improvement
业务结果
调研补足了总部此前未覆盖的两个产品设计维度，也明确了基础对话、有效留资与人机协同之间的能力依赖。
相关洞察直接推动 5 个 P0 功能进入 Q2–Q3 产品路线图。
Takeaway
这类工作表面上是归纳，实质上是带着产品上下文做判断。AI 可以快速找到语义相似，但语义相似不等于产品相关。判断力依赖大量未写在访谈稿里的上下文，包括产品当前能做什么、准备做什么、技术上受什么限制，以及什么问题值得现在解决。作为产运，我需要带着对产品能力、技术边界和 Roadmap 的理解阅读客户反馈：验证已有方向，识别未被覆盖的 gap，再判断哪些问题值得进入产品优先级。
Case 4：用AI工具改善产品规模化瓶颈
01 商业目标与结构难点
该广告产品面对品牌、TikTok Shop 和 Web 转化客户时，价值主张与衡量方式各不相同。销售需要结合客户目标、投放配置和 Measurement Setup，选择对应的指标与证据链，才能说明产品是否有效。
团队虽然已有决策树和说明文档，但判断逻辑没有进入实际的 Reporting 流程。每次汇报仍要由销售临时理解和拼装，报告质量因此高度依赖个人经验。
02 洞察与判断
我发现，瓶颈不是资料不足，而是销售需要在工作现场重新完成一遍专家判断。继续增加文档，只会增加理解成本。
更有效的方式，是将这套判断拆成少量必要输入、明确的适用规则和可以直接使用的输出，让销售不必先掌握全部产品知识，也能找到适合当前客户的价值证明路径。
03 工具产品化解法
我将既有决策树重构为自助式 Reporting 工具。销售完成客户类型、优化目标、预算及 Measurement Setup 等基础选择后，工具会自动生成适用的 P0/P1 指标和三层证据链，并说明指标含义、相互关系以及具体的数据获取路径。
AI 帮助我独立完成原型与开发；工具应该收集什么信息、承接哪些判断，以及如何嵌入销售工作流，则来自我对产品和业务的理解。
开发过程可视化：从专家判断出发，把规则做成工具，再让工具进入销售的 Reporting 流程
Build Process
- 01Confirm the Logic梳理决策树，确认判断条件与证据链
- 02Co-create PRD with AI定义输入、规则、输出与页面流程
- 03Build in StagesStatic UI → 判断逻辑 → 动效与互动逻辑
- 04Preview & Ship真实场景预览、迭代并发布内部工具
User Journey
SCREEN 01Set up the context
Client Focus
✓ BrandPerformance
Use Case
✓ GrowthAwareness
Measurement
✓ ReadyNot sure
SCREEN 02Metrics for this setupMetric 01P0 Metric 02P0 Metric 03P0 Metric 04P1 Metric 05P1 Metric 06P1
业务结果
工具推广至东南亚 6 国销售团队，累计浏览超过 300 次，为销售提供了一套可重复使用的 Reporting 决策路径。
Takeaway
AI 让开发一个工具变得更简单，但我也意识到，在商业化团队里，开发过程本身并不是最难的。真正困难的是识别制约产品规模化的瓶颈，判断哪些专家经验值得被抽象成规则，以及如何让这些规则进入真实工作流。
Case 5：把预算流向分析方法封装为skill
01 业务需求与资源错配
当品牌广告收入发生变化时，PSO 需要快速了解预算从哪里来、流向哪里，判断客户是退出平台，还是转向其他产品，从而决定后续的客户与产品策略。
这类分析过去由 DS 完成，分工本身合理。但预算流向分析已经有成熟方法，计算过程固定且会被重复调用；当前场景需要的是方向性判断，并不要求用于正式汇报的精度。为此等待至少一周的 DS 排期，并不划算。
02 判断自动化边界
在开发之前，我先确认了这个任务是否适合交给 AI：
- 分析方法可以拆成固定步骤，输入与输出边界明确；
- 结果用于发现方向和筛选客户，允许在可控范围内存在误差；
- 数据来源、中间计算和最终结果可以被验证。
因此，AI 可以承担重复计算，PSO 只需负责定义问题、检查异常，并判断结果如何用于业务。
03 将分析方法封装为 Skill
我将 DS 已验证的预算流向方法封装为对话式 Skill。PSO 上传数据并说明分析产品、市场与时间范围后，Skill 会自动完成数据处理、预算归因和结果输出，将一周的等待缩短至约 15 分钟。
在基础分析能力之外，我重点补充了两项设计：
过程可回溯、可对账
常见的分析 Skill 只输出图表，使用者很难确认数字的来源。这个 Skill 会生成包含完整计算过程的飞书表格，所有结果均由表格公式计算，不是写入的静态数字；同时内置 Reconciliation，核对原始数据与最终结果。发现异常时，可以直接追溯到具体账户与计算步骤。
支持连续下钻
预算流向只是分析的起点。看到整体趋势后，PSO 往往还需要继续查看 churn 或 shift 金额最大的客户。由于账户明细和中间结果已经保存在表格中，使用者可以在同一会话内继续追问；我也预设了常见的下钻路径，让分析能够自然推进到客户层面的行动。
What should I analyze?
上传数据，并说明产品、市场与时间范围。
budget_data.xlsxData file
/gain-loss-analysis 请分析某品牌广告产品在两个周期之间的预算流向，并识别主要 gain / loss 客群。
分析某产品的预算流向
Analysis complete · Reconciliation passed
预算流向分析已完成
这是你需要的 Waterfall 图表，以及包含完整计算过程的分析表格。
SummaryAccount PivotBreakdownRaw Data
Formula-based · Reconciled · Traceable
业务结果
将原本约 1 周的完整分析周期压缩至 15 分钟，追加客户下钻约 2 分钟即可完成。
分析过程保留公式与中间结果，以接近零的对账误差为验证目标。
Takeaway
做这个 Skill 的起点，是我开始把注意力从“这是不是我的工作”，转向“这个问题我愿不愿意解决”。既然业务需要及时判断，而分析本身又可以标准化，我就不应该把等待排期视为唯一选项。以后遇到类似的卡点，我会本能地多问一步：它能不能被封装，能不能借助 AI 变成一项随时可以调用的能力。这也是我对 ownership 更具体的理解。
Case 6：产品不成熟时，运营要改变行动条件
项目背景
半径定向产品进入 Alpha 阶段，需要通过真实客户验证初步投放表现，并收集广告主的使用体验与反馈。区域团队需在规定周期内完成既定数量的有效测试，为产品优化和 Beta 阶段决策提供依据。
核心问题
在缺少成熟 proof point 的情况下，如何解决招募困难和测试流失，在截止期前获得足量、有效的 Alpha 数据？
问题为什么难
困难集中在两个环节：
- 部分销售已经反馈产品可能存在使用阻力，又担心影响客户关系，因此不愿主动推荐。
- A/B Test 搭建流程较长，需要销售、客户和运营反复确认。部分客户开跑前退出，既影响测试数量，也拖慢整体进度。
关键判断与行动
招募进度落后后，我先与销售逐一了解客户没有参与测试的原因。反馈指向四类问题：客户匹配度、产品顾虑、预算投入和搭建耗时。我再根据每类原因采取对应行动。
- 01 客户缺少实际需求 → 建立 Hit List
部分客户对半径定向没有明确需求，继续扩大触达范围很难提高测试转化。我结合历史消耗、相似产品使用情况、垂类和客户类型筛选高潜广告主，将招募资源集中到更可能使用该功能、也更有条件完成测试的客户。
- 02 销售担心产品表现 → 推动 Blocker 闭环
销售已经从前期沟通中收集到一些产品顾虑。我进一步整理具体 blocker，持续同步给 HQ PSO 与产品团队，确认哪些问题可以修复，哪些可以通过临时方案改善。每次产品更新后，我再将进展反馈给销售，为后续招募补充新的依据。
- 03 客户顾虑测试成本 → 提出提高 Ad Credit
部分客户有测试意愿，但不愿为 Alpha 产品承担较多预算。我进一步确认 ad credit 覆盖比例对参与意愿的影响，并基于一线反馈向 HQ 提出增加支持的建议、推动评估，以降低客户的试错成本。
- 04 客户在搭建期间退出 → 制定 A/B Test SOP
客户同意参与后，Campaign 搭建仍需多轮沟通，较长的准备周期带来了新的流失，也影响测试截止时间。我将配置要求、操作步骤和检查项整理成标准化 SOP，帮助销售和客户一次完成必要设置，减少反复确认，加快 Campaign 正式启动。
业务结果
成功招募 36 个广告主参与 Alpha 测试，并全部产出有效数据，达到 exit criteria，推动产品生命周期进入 Beta 测试。
Takeaway
这段经历让我意识到，说服本身也分很多层。最浅的一层是表达，把点子讲得有感染力；再往下一层是论证，用数据和逻辑让别人相信它大概率成立；更深一层是理解利益，知道对方为什么迟疑、要承担什么风险、需要什么证据；最后一层是改变行动条件：降低试错成本、补足资源、设计小规模验证，让对方即使没有百分之百相信，也愿意先迈出一步。
Fun Facts
工作之外让我自豪的几件小事！
在景德镇，和一群认真玩泥巴的人泡了 3 个月
毕业论文给了我一个很好的借口：去景德镇住三个月。我每天和学陶的人、陶艺老师，以及一群认真玩泥巴的人待在一起，访谈了 36 位在那里长期生活或短期旅居的人。最后留下 12 万字访谈记录、2.6 万字田野日记，也意外拿到了全校优秀毕业论文。可我最珍惜的不是奖项，而是那些具体的人和故事。他们身上那股很强的、来自心脏的生命力，直到现在也常常给我撑腰。
把山路再走远一点
我喜欢徒步，特别是新城市的长距离徒步。已经靠一双平价徒步鞋走过的安徽、杭州、广州、深圳、香港、新加坡、富士山...... 喜欢一条路慢慢把人从日常里带出去，呼吸变得具体——人类总还是得在某种程度上把自由掌控在自己手上！
把数据可视化写成 tips
平面设计本来是我的一大爱好。在不用设计海报，学习数据分析的这段时间里，我在设计和数据中找到了自己的sweetspot：数据可视化。像创作一样打磨自己的slides，力争让看到汇报的“用户”都能够舒心，让我们辛苦分析的数据变得更加“性感”，这大概就是数据女工的匠心所在（嘿嘿！）。我也把探索中的小小经验也分享给了小红书的“家人们”。
