百万级用户手游行为数据分析与预测建模系统产品系统

手游运营需要持续监控用户行为、留存、付费等核心指标，传统人工取数效率低且难以发现深层规律。本项目针对 100 万注册用户、1200 万条登录记录的大规模数据，构建全链路数据分析体系，覆盖用户生命周期各阶段，为产品优化和运营决策提供数据支撑。

包含 13 个分析模块：①新手引导漏斗分析，定位注册到留存各环节转化率与最大流失点；②留存与 Cohort 分析，按注册周分组计算 D1/D7/D30 留存；③A/B 实验设计与统计检验，含功效分析样本量计算、5 种假设检验交叉验证、Bootstrap 置信区间与效应量评估；④付费转化与偏好分析，用户分层与首充时间分布；⑤流失原因深度分析，流失节点与行为特征对比；⑥基于 LightGBM 的流失预测模型（AUC=0.707）与两阶段 LTV 预测模型；⑦RFM 用户分群与差异化运营策略；⑧数值平衡与关卡难度分析；⑨版本活动复盘框架与 ROI 计算。最终输出完整 HTML 分析报告与 17 张可视化图表。

独立完成全流程开发。使用 Pandas 处理千万级数据，进行数据清洗、特征工程（活跃度特征、时间特征、滞后与滑动窗口特征）；基于 LightGBM 构建流失预测与 LTV 预测模型，通过 PR 曲线选择最优分类阈值，采用两阶段模型解决付费用户稀疏问题；使用 Matplotlib 生成 17 张可视化图表，自动生成 HTML 报告。技术亮点：5 种统计方法交叉验证 AB 测试结果、两阶段 LTV 预测、参数自学习机制。