关于

我是张志华，关注业务增长与 AI 应用。过去三年，我在货拉拉业务中台从事质检与转化分析，持续探索如何从销售转化链路中发现问题、验证策略，并推动业务改善。与此同时，我开始将兴趣延伸至 AI Agent 应用开发，基于 Qwen、DeepSeek、Claude Code 等模型实践任务编排、工具集成与自动化执行，探索 AI 在真实业务场景中的应用可能。

我希望连接业务理解与技术实践，让 AI 不止于生成内容或辅助分析，更能参与实际任务的执行与业务流程的运转。

这句话的能力来自两段经历：前一段在业务里，后一段在方法里。

在业务里：质检不是后台职能

#

2023 年 9 月到 2026 年 9 月，我在货拉拉业务中台担任质检专员，工作对象是销售转化链路的电销环节。外界对质检的想象是听录音、出合规报告；实际坐在这个位置上，检查的三件事是线索浪费、营销执行力度、邀约流程完整性——它们恰好对应转化漏斗的三个环节：入口效率、过程质量、到店转化前置。质检报告诊断的不是谁违规，是漏斗的健康度。

发现问题只是这份工作的起点。检查结论要落成动作才有意义——我推动过培训、检查、考核联动的开头语专项整改，也独立撰写过逐月诊断报告，推动考核方案本身的修订。分析的终点不是报告，是链路里的指标真的动了。

我所在的业务环境真的用数据驱动一线：实时战报、奖金排位、末位淘汰，本质都是「用数据改变一线行为」的机制。三年里我同时看到两件事——数据如何真正改变行为，以及指标如何被博弈。指标一旦从度量工具变成目标，人会优化指标本身，而不是指标背后的价值。这段经历留下两个工作习惯：分析之前，先问数据是在什么激励下产生的；出现异常，先找损耗集中的少数环节，不把分析资源平均铺开。

在方法里：三个项目，三类更难的问题

#

质检岗位给我问题，三个项目给我方法。它们回答三类逐级变难的业务问题。

第一类，发生了什么、该怎么办。Olist 电商全链路策略分析用漏斗、RFM 与 Cohort 回答平台的增长瓶颈在哪：复购率仅 3.00% 是最大杠杆，运输 9.3 天是履约最大瓶颈。这是描述性分析——先把用户全生命周期看清楚，再谈优化。

第二类，改动有没有效、该不该上线。Cookie Cats A/B 测试决策分析在有随机分组的条件下做因果推断：第 7 天回访 −0.82pp 统计显著，但效应量极小——结论不是上线或不上线，而是双轨决策。统计显著与业务显著是两件事。

第三类，没有实验时，相关性能逼近因果到什么程度、逼近不到哪里。外呼销售策略分析用倾向得分匹配给出经可观测因素调整后的效应估计：手机渠道对新客 +8.1pp [7.1, 9.2]，且只适用可匹配的新客（匹配率 29.9%）——估计的边界和估计本身一起给出。

三个项目不是并列的作品，是一次能力递进：先看清全生命周期，再学会用随机实验归因，最后回到没有实验的现实业务。最后一站接回起点——P3 要回答的「没有 A/B 测试的规则调整如何评估」，正是质检岗位上最常遇到的问题。

留下来的判断

#

机器替代人工的顺序，我亲历过：先替代重复判定，再部分替代检查执行；替代到最后，剩下的是决定问什么问题、怎么定义质量、如何处理规则误伤。这让长期投入的方向很清楚：工具会换，定义问题与守住边界的能力不会。工具一侧，我构建了 FlowBeast-Agent——一个面向业务增长与商业转化场景的 AI Agent 应用与编排项目：以垂直领域内容生产为入口，连接线索获取与客群经营，再集成外呼分发等业务 Agent，探索 AI 如何帮助企业提高增长效率与转化能力（demo 已上线，仍在完善中）。

经历与教育

#

本科（在读）· 华南理工大学 · 金融学：广东省高等教育自学考试，全部课程考试已通过，毕业论文尚未申请，预计 2027 年底毕业拿证

大专 · 江门职业技术学院 · 会计（2019 年全日制毕业）：已取得初级会计师职称、基金从业资格证