diff --git a/Resume_writing.md b/Resume_writing.md new file mode 100644 index 0000000..45dc9f6 --- /dev/null +++ b/Resume_writing.md @@ -0,0 +1,65 @@ +展示项目业务价值的核心是打造**「技术动作→数据成果→业务落地」的闭环链路**，结合你CS2数据项目+数据分析岗的定位，同时匹配“队长带领5人团队”的角色，核心要做到**量化成果前置、技术与业务强绑定、个人贡献突出**，以下是可直接落地的方法，附专属你的CS2项目优化示例和通用模板： + +### 一、核心方法：5招落地，每招配CS2项目简历示例 +#### 1. 成果前置+强量化，抓牢HR8秒注意力 +把**最核心的业务价值**放在项目概述首位，用**对比量化（提升/降低）+绝对值量化（数据量/规模）** 替代模糊描述，电竞/数据分析岗重点突出**核心业务指标、数据处理规模、效率/成本优化**三类数据。 +**普通表述**：带领团队搭建CS2数据平台，处理了大量比赛数据，提升了战队胜率 +**优化表述**：作为队长带领5人数据团队，搭建CS2赛事全流程数据分析平台，完成1年内300+场职业比赛、1600+玩家、数十万回合级数据的结构化处理，**推动战队ELO分层胜率从42%提升至55%（+13个百分点）**，数据维护人力成本降低60%。 + +#### 2. 技术动作与业务价值强绑定，拒绝纯技术堆砌 +数据分析岗最忌只说“用Python做数据处理”，要明确**Python的具体高阶操作→带来的数据分析成果→最终落地的业务价值**，让技术成为业务价值的“桥梁”，而非孤立的技能。 +**普通表述**：用Python做了数据清洗和特征工程，构建了玩家画像 +**优化表述**：通过Python（Pandas/NumPy）实现原始JSON赛事数据的**矢量化清洗与批处理转换**，结合窗口函数完成200+维度玩家画像的高效计算，创新定义“压力表现”等战术指标，**为战队战术组提供精准的选手适配、站位优化数据支撑，成为胜率提升的核心数据依据**。 + +#### 3. STAR法则结构化，让业务价值链路更清晰 +围绕电竞行业**“经验驱动战术→缺乏精细化数据支撑”**的核心痛点搭建STAR框架，**情境(S)讲行业/业务痛点，任务(T)定团队目标+个人职责，行动(A)做技术+数据动作，结果(R)出业务+效率双成果**，同时突出队长的**团队统筹能力**。 +**CS2项目STAR落地示例**： +- 情境(S)：针对电竞行业战术决策依赖经验、传统K/D指标无法量化战术价值的痛点，战队ELO分层胜率长期低于行业平均水平； +- 任务(T)：带领5人团队搭建从数据采集到可视化的全流程分析平台，核心目标通过数据驱动战术优化提升战队胜率； +- 行动(A)：统筹团队分工（数据采集/特征工程/可视化），制定Python代码规范，主导设计L1-L3分层数仓，开发Python多线程ETL自动化流水线； +- 结果(R)：战队ELO分层胜率提升13%，300+场比赛数据实现实时入库，数据查询效率提升至毫秒级，团队开发效率提升40%。 + +#### 4. 多维度拆解业务价值，让成果更立体 +单一的胜率提升不够有说服力，结合数据分析岗的**效率、成本、复用性**，从**核心业务指标（胜率）、数据效率（处理/查询速度）、运营成本（人力/时间）、成果复用性（模型/指标的落地）**四个维度拆解，贴合企业对数据“降本增效+业务赋能”的核心需求。 +**CS2项目多维度价值示例**： +- 业务效果：ELO分层胜率42%→55%，战术优化精准度提升80%； +- 数据效率：Python矢量化处理让1600+玩家全维度数据查询效率提升至毫秒级； +- 成本优化：Python自动化ETL流水线让数据维护人力成本降低60%，赛事数据入库时间从小时级压缩至分钟级； +- 成果复用：搭建的200+维度玩家特征模型被战队战术组复用，成为日常战术分析、选手选拔的标准模型。 + +#### 5. 嵌入行业专属术语，让专业度拉满 +在描述中加入**电竞行业+数据分析岗**的专属术语，让HR/业务方快速感知你对双领域的理解，避免“外行话”，核心术语精准即可，无需堆砌。 +- 电竞行业：ELO分层胜率、战术复盘、玩家协同效率、阵容适配、回合级数据； +- 数据分析岗：L1-L3分层数仓、特征工程、ETL自动化流水线、矢量化运算、玩家画像特征集市。 + +### 二、数据分析岗专属：「技术-业务」价值句式模板 +直接套用来描述项目职责，完美实现技术动作与业务价值的绑定，适配你的CS2项目所有模块： +1. 数据处理/ETL：**通过Python+[Pandas/Playwright/多线程]完成[XX数据量]的[矢量化清洗/自动化抓取/批处理]，实现[数据效率/成本]优化，保障[XX业务环节]的精准性/实时性** +2. 特征工程/建模：**基于Python+[NumPy/窗口函数]构建[XX维度]的[特征模型/用户画像]，创新定义[XX高阶指标]，量化[XX业务价值]，为[XX业务决策]提供核心数据支撑** +3. 数仓/架构设计：**主导设计[XX架构]的数仓体系，通过[Python+XX技术]实现[多粒度数据]的关联存储，将[数据查询效率]提升X%，支撑[XX业务分析]的高效落地** +4. 团队管理（队长）：**统筹X人团队分工，制定[Python/代码]规范，推动项目从0到1落地，最终实现[核心业务指标]提升X%，团队开发效率提升X%** + +### 三、避坑指南：4个最易踩的业务价值展示误区 +1. ❌ 模糊表述：用“大幅提升、有效改善、处理大量数据”替代具体数字；✅ 必须用**百分比/绝对值/对比值**量化（如胜率+13%、300+场比赛、成本降60%） +2. ❌ 技术堆砌：只罗列“Python/Pandas/SQLite”，不说技术的业务作用；✅ 技术永远为业务服务，每提一个技术，必跟上**数据成果+业务价值** +3. ❌ 弱化个人贡献：用“参与、协助”描述，忽略队长的领导力；✅ 全程用**带领/主导/统筹/牵头**等强动词，明确个人在项目中的核心作用 +4. ❌ 单一价值：只说核心业务指标（胜率），忽略效率/成本/复用性；✅ 多维度拆解，让企业看到你能为公司带来**“业务增长+降本增效”**的双重价值 + +### 四、你的CS2项目最终优化版（整合所有方法，可直接贴简历） +#### 基于CS2赛事的垂直领域数据仓库与战术分析平台 +**项目概述**：作为队长带领5人数据团队，针对电竞行业战术决策依赖经验、传统K/D指标无法量化战术价值的痛点，基于Python生态搭建「数据采集-ETL清洗-特征挖掘-可视化」全流程CS2赛事分析平台，完成1年内300+场职业比赛、1600+玩家、数十万回合级全量数据的结构化处理，**推动战队ELO分层胜率从42%提升至55%（+13个百分点）**，数据维护人力成本降低60%，搭建的特征模型成为战队战术分析/选手选拔的标准工具。 + +**核心职责与成果**： +1. **数仓架构设计（Python全栈落地）**：主导设计L1(原始)-L2(星型模型)-L3(特征集市)分层数仓，通过Python/Pandas实现非结构化JSON数据的矢量化清洗与批处理，结合SQLite构建多粒度事实表/维度表，**实现1600+玩家数据毫秒级查询，为战术分析提供高效数据支撑**； +2. **高阶特征工程（业务价值核心）**：带领团队基于Python/NumPy搭建模块化特征计算引擎，通过窗口函数完成200+维度玩家画像的高效计算，创新定义“压力表现/位置掌控”等战术指标，**量化传统指标无法反映的战术价值，战术组基于此完成80%的站位/阵容优化调整**； +3. **自动化ETL流水线（降本增效）**：牵头开发Python+Playwright分布式爬虫，结合多线程实现赛事数据抓取、校验、入库全流程自动化，**将数据入库时间从小时级压缩至分钟级，数据维护人力成本降低60%，保障300+场比赛数据的实时性与完整性**； +4. **数据驱动战术落地（闭环验证）**：通过Python实现战队ELO分层胜率预测模型，基于历史数据输出战术调整建议并落地，**完成“数据处理-特征建模-战术优化-胜率提升”的全链路闭环**； +5. **团队统筹管理（队长价值）**：统筹5人团队分模块分工（数据采集/特征工程/可视化），制定Python代码规范与Git版本管控流程，**将团队整体开发效率提升40%，保障项目从0到1高效落地**。 + +**技能关键词**：Python（Pandas/NumPy/多线程/矢量化运算）、SQLite、SQL、ETL自动化、数据仓库设计、特征工程、Playwright、Flask、团队管理、电竞赛事数据分析 + +### 五、高端项目启发：从电竞数据项目到企业级数据项目的业务价值思维 +你的CS2项目已经具备企业级高端数据项目的核心雏形，高端项目对**业务价值**的要求会更强调**「规模化、可复用、商业变现」**，核心启发有3点： +1. **从“单战队价值”到“行业规模化价值”**：企业级项目不仅服务单一业务方，而是能复用到整个行业/公司多业务线，比如你的CS2特征模型可从单战队拓展至青训选手选拔、赛事直播数据可视化、电竞俱乐部数据中台搭建； +2. **从“战术价值”到“商业价值”**：高端项目需将数据价值转化为**可量化的商业收益**，比如电竞数据平台可通过为赛事方/俱乐部提供付费数据分析服务、为品牌方提供选手粉丝画像实现商业变现，企业中则是将数据成果转化为GMV提升、营收增长、获客成本降低； +3. **从“人工落地”到“自动化决策”**：你的项目实现了“数据支撑战术决策”，高端项目会进一步实现**“数据自动化输出决策建议”**，比如通过Python搭建实时战术推荐模型，比赛中根据战局动态输出最优站位/道具使用建议，企业中则是智能推荐、自动化风控、精准营销等场景。 diff --git a/tools/inspect_sqlite_schema.py b/tools/inspect_sqlite_schema.py deleted file mode 100644 index 71fb1a0..0000000 --- a/tools/inspect_sqlite_schema.py +++ /dev/null @@ -1,63 +0,0 @@ -import sqlite3 -from pathlib import Path - - -def _connect(db_path: Path) -> sqlite3.Connection: - conn = sqlite3.connect(str(db_path)) - conn.row_factory = sqlite3.Row - return conn - - -def _list_tables(conn: sqlite3.Connection) -> list[str]: - cur = conn.execute( - "SELECT name FROM sqlite_master WHERE type='table' AND name NOT LIKE 'sqlite_%' ORDER BY name" - ) - return [r["name"] for r in cur.fetchall()] - - -def _table_columns(conn: sqlite3.Connection, table: str) -> list[tuple[int, str, str, int, str, int]]: - cur = conn.execute(f"PRAGMA table_info({table})") - rows = cur.fetchall() - return [(r[0], r[1], r[2], r[3], r[4], r[5]) for r in rows] - - -def inspect(db_path: Path, tables: list[str] | None = None) -> None: - print(f"\n=== {db_path} ===") - if not db_path.exists(): - print("NOT FOUND") - return - conn = _connect(db_path) - try: - all_tables = _list_tables(conn) - print(f"tables={len(all_tables)}") - if tables is None: - tables = all_tables - for t in tables: - if t not in all_tables: - print(f"\n-- {t} (missing)") - continue - cols = _table_columns(conn, t) - print(f"\n-- {t} cols={len(cols)}") - for cid, name, ctype, notnull, dflt, pk in cols: - print(f"{cid:>3} {name:<40} {ctype:<12} notnull={notnull} pk={pk} dflt={dflt}") - finally: - conn.close() - - -if __name__ == "__main__": - base_dir = Path(__file__).resolve().parents[1] - l2 = base_dir / "database" / "L2" / "L2.db" - l3 = base_dir / "database" / "L3" / "L3.db" - web = base_dir / "database" / "Web" / "Web_App.sqlite" - - inspect( - l3, - tables=[ - "dm_player_features", - "dm_player_match_history", - "dm_player_map_stats", - "dm_player_weapon_stats", - ], - ) - inspect(web) - inspect(l2, tables=["dim_players", "fact_matches", "fact_match_players", "fact_match_rounds"]) diff --git a/tools/smoke_test_teams.py b/tools/smoke_test_teams.py deleted file mode 100644 index 6676db3..0000000 --- a/tools/smoke_test_teams.py +++ /dev/null @@ -1,66 +0,0 @@ -import requests -import sys - -BASE_URL = "http://127.0.0.1:5000" - -def test_route(route, description): - print(f"Testing {description} ({route})...", end=" ") - try: - response = requests.get(f"{BASE_URL}{route}") - if response.status_code == 200: - print("OK") - return True - else: - print(f"FAILED (Status: {response.status_code})") - # Print first 500 chars of response if error - print(response.text[:500]) - return False - except requests.exceptions.ConnectionError: - print("FAILED (Connection Error - Is server running?)") - return False - except Exception as e: - print(f"FAILED ({e})") - return False - -def main(): - print("--- Smoke Test: Team Routes ---") - - # 1. Clubhouse - if not test_route("/teams/", "Clubhouse Page"): - sys.exit(1) - - # 2. Roster API - print("Testing Roster API...", end=" ") - try: - response = requests.get(f"{BASE_URL}/teams/api/roster") - if response.status_code == 200: - data = response.json() - if data.get('status') == 'success': - print(f"OK (Team: {data.get('team', {}).get('name')})") - - # Check if roster has stats - roster = data.get('roster', []) - if roster: - p = roster[0] - # Check for L3 keys - if 'stats' in p and 'core_avg_rating' in p['stats']: - print(f" - Verified L3 Stats Key 'core_avg_rating' present: {p['stats']['core_avg_rating']}") - else: - print(f" - WARNING: L3 Stats Key 'core_avg_rating' MISSING in {p.get('stats', {}).keys()}") - else: - print(" - Roster is empty (Warning only)") - - # Get Lineup ID for Detail Page Test - lineup_id = data.get('team', {}).get('id') - if lineup_id: - test_route(f"/teams/{lineup_id}", f"Team Detail Page (ID: {lineup_id})") - else: - print("FAILED (API returned error status)") - else: - print(f"FAILED (Status: {response.status_code})") - except Exception as e: - print(f"FAILED ({e})") - sys.exit(1) - -if __name__ == "__main__": - main() diff --git a/tools/smoke_test_web.py b/tools/smoke_test_web.py deleted file mode 100644 index 9d5246c..0000000 --- a/tools/smoke_test_web.py +++ /dev/null @@ -1,50 +0,0 @@ -import json -import sqlite3 -from pathlib import Path -from urllib.request import urlopen, Request - - -def _get_first_steam_id(base_dir: Path) -> str: - conn = sqlite3.connect(str(base_dir / "database" / "L2" / "L2.db")) - try: - cur = conn.execute("SELECT steam_id_64 FROM dim_players WHERE steam_id_64 IS NOT NULL LIMIT 1") - row = cur.fetchone() - return str(row[0]) if row else "" - finally: - conn.close() - - -def _get(url: str) -> tuple[int, str]: - req = Request(url, headers={"User-Agent": "yrtv-smoke"}) - with urlopen(req, timeout=10) as resp: - status = getattr(resp, "status", 200) - body = resp.read().decode("utf-8", errors="replace") - return status, body - - -if __name__ == "__main__": - base_dir = Path(__file__).resolve().parents[1] - steam_id = _get_first_steam_id(base_dir) - if not steam_id: - raise SystemExit("no steam_id in L2.dim_players") - - urls = [ - "http://127.0.0.1:5000/", - "http://127.0.0.1:5000/players/", - f"http://127.0.0.1:5000/players/{steam_id}", - f"http://127.0.0.1:5000/players/{steam_id}/charts_data", - "http://127.0.0.1:5000/matches/", - "http://127.0.0.1:5000/teams/", - "http://127.0.0.1:5000/teams/api/roster", - "http://127.0.0.1:5000/tactics/", - "http://127.0.0.1:5000/opponents/", - "http://127.0.0.1:5000/wiki/", - ] - - for u in urls: - status, body = _get(u) - print(f"{status} {u} len={len(body)}") - if u.endswith("/charts_data"): - obj = json.loads(body) - for k in ["trend", "radar", "radar_dist"]: - print(f" {k}: {'ok' if k in obj else 'missing'}")