张一明Yiming Zhang

项目背景

产品面向本地活动发现和线下社交场景。公开页面通过活动介绍、兴趣收集与产品入口说明，帮助访问者理解产品用途并进入后续体验。项目目前处于早期 Demo 阶段。

我的具体贡献

• 围绕本地活动和社交需求开展用户调研，整理反馈，为产品表达和内容策划提供输入。
• 策划推广内容与活动方案，推进视频及社交媒体宣传，并开展反馈整理与数据复盘。
• 使用 AI 辅助编程（Vibe Coding）完成主页及主要功能原型，结合 GPT 图像生成工具制作页面和宣传素材。

阶段交付

• 可访问的产品展示主页与主要功能 Demo
• 页面及宣传视觉素材
• 内容推广、活动策划和反馈复盘工作

已形成可展示的早期产品原型，并持续推进营销内容和需求反馈。展示重点是个人负责的工作与阶段交付；目前没有可确认的用户规模或转化提升数据。

项目背景

产品围绕投篮训练中的视频复盘展开。公开页面介绍视频添加、参考动作对照、AI 反馈入口与拍摄指南，帮助用户理解从记录动作到复盘训练的使用过程。项目目前处于早期 Demo 阶段。

我的具体贡献

• 面向篮球训练和投篮动作分析场景开展用户调研，整理用户需求与改进事项。
• 规划视频及社交媒体推广内容，策划宣传活动，汇总内容反馈并开展数据复盘。
• 使用 AI 辅助编程完成主页与主要功能原型，围绕视频回看、参考动作对照和 AI 反馈场景完善演示页面，并制作视觉素材。

阶段交付

• 可访问的产品展示主页与主要功能 Demo
• 功能介绍、拍摄指南及训练复盘场景展示
• 视频与社交媒体宣传推进、需求及反馈整理

已形成可展示的产品主页和功能原型，支持早期产品表达与宣传。该案例展示 AI 应用的场景理解和原型实践，不将页面展示描述为已验证的算法效果。

项目背景

项目围绕事件运营中的数据分析需求，关注 SLA 达成率、MTTR、事件严重级别分布和周事件量。数据用于验证指标逻辑，为合成样本，不是银行生产数据。

我的具体贡献

• 基于 Python、pandas 处理事件数据，计算 SLA 达成率、MTTR、严重级别分布和周事件量。
• 使用 Streamlit 构建按团队、级别筛选的交互式看板；命令行版本输出指标报告与图表。
• 使用 300 条合成事件数据校验计算逻辑，两种展示方式共用指标模块，统一口径并输出说明。

阶段交付

• 可按团队与级别筛选的交互式看板
• 命令行指标报告与趋势图
• 共享指标模块、合成样本校验和口径说明

指标设计与分析用途

• SLA 达成率：观察事件处置是否满足约定时限，按团队口径设置阈值
• MTTR：观察事件恢复时间，辅助分析处理耗时
• 严重级别分布：查看事件构成，结合团队筛选识别重点
• 周事件量：按周汇总事件数量，观察负荷与时间趋势

完成指标计算、交互展示及报告输出的个人实践，体现从数据处理到结果呈现的过程。300 条数据仅用于逻辑验证，不代表真实业务规模。