负责全行零售信贷业务（含个人经营贷、消费贷、抵押贷）的终审决策，统筹风险政策落地与资产质量管控，牵头优化审批流程及模型迭代，确保审批效率与风险平衡。

• 主导设计‘分层分类’审批策略，针对客群下沉趋势（近一年新增客户中个体工商户占比提升至45%），创新应用‘IPC交叉验证法+大数据风控模型’双轨审核机制：通过SAS搭建客户经营流水异常检测模型（纳入POS交易频次、上下游账期匹配度等12项新变量），将欺诈识别准确率从89%提升至95%；同步优化抵押贷评估流程，联动不动产登记系统直连核验，单笔业务尽调时间缩短40%。
• 牵头完成年度风险政策修订，基于人行征信、反欺诈系统及行内历史数据（覆盖近3年12万笔存量贷款），量化‘收入负债比’‘近6个月查询次数’等关键指标阈值，将新客不良率从1.8%压降至1.2%（低于同业平均水平0.3pct）；同步输出《零售信贷风险预警信号手册》，收录23类高频风险场景（如‘流水与经营规模不匹配’‘多头借贷集中在高风险平台’），团队培训后风险预判效率提升60%。
• 应对监管‘应延尽延’政策要求，建立‘临时性风险缓释’审批通道：运用SQL提取受疫情影响客群的还款能力动态数据（结合社保缴纳、纳税记录变化），制定‘延期3个月+动态监测’差异化方案，累计处理延期申请2178笔，最终转化为正常还款的比例达91%，未新增不良暴露。
• 推动审批系统智能化升级，梳理200+条人工审核规则并转化为机器可执行逻辑，联动IT部门开发‘智能预审模块’（嵌入OCR识别、逻辑校验功能），将简单客群（信用贷≤30万）自动审批率从35%提升至68%，释放人力聚焦复杂业务审核。

承担个人消费贷、场景分期业务的初审及部分终审工作，参与风险模型校准与审批流程优化，支持业务部门完成贷前风险筛查。

• 独立完成日均80-100笔消费贷审批（额度5-50万），深度应用央行征信、百行征信及行内CRM数据：通过‘收入偿债覆盖率=（月收入-固定支出）/月供’公式量化还款能力，结合‘近1年逾期次数’‘网贷查询集中度’等软指标，将首逾率控制在1.5%以内；针对‘医美分期’等高风险场景，总结‘机构资质核查+客户职业稳定性’双维度审核要点，该场景不良率较初期下降2.1pct。
• 协同数据团队完成评分模型迭代，提取历史审批数据中20万+样本的关键特征（如‘通讯录联系人逾期占比’‘电商消费层级’），通过逻辑回归校准模型参数，新模型上线后将自动审批通过率从42%提升至55%，同时保持坏账率稳定（1.3%-1.4%）。
• 应对业务量激增（Q4月均审批量环比增长80%），梳理‘异常件快速筛查清单’（含15项高频风险点，如‘收入证明与公积金基数偏差超30%’），将平均审批时效从3个工作日压缩至1.5个工作日，团队整体产能提升50%，获部门‘效率之星’表彰。
• 参与贷后风险复盘，分析120笔逾期案例的共性特征，发现‘多头借贷机构数≥5家’客群的首逾率是平均水平的2.3倍，推动将该指标纳入初审必查项，后续同类客群审批通过率下调18%，风险提前拦截率提升40%。

负责小额信用贷（额度≤20万）的初步风险筛查，执行基础征信核查与软信息收集，协助资深审批员完成终审决策。

• 系统学习信贷审批基础逻辑，掌握‘5C分析法’（品德Character、能力Capacity、资本Capital、抵押Collateral、环境Condition）在小额贷中的应用：通过电话核验客户职业信息（如与HR系统比对）、经营地址（地图软件定位），识别‘虚假工作单位’风险，初审准确率从最初的85%提升至98%，连续6个月获‘零重大误判’评价。
• 协助搭建‘小额贷风险Checklist’，整理‘流水异常（如集中转入转出）’‘通讯录涉赌关键词’等18项常见风险信号，嵌入初审系统作为必填项，团队人均单笔审核时间从15分钟缩短至8分钟，漏检率下降30%。
• 参与贷前调查培训，掌握‘现场走访三查’（查经营场所真实性、查存货周转情况、查上下游合同），累计协助完成200+笔线下客户的辅助尽调，其中32笔因‘经营场所租赁到期’‘存货滞销’等风险点被拦截，避免了潜在损失约160万元。
• 优化客户沟通话术，针对‘征信白户’客群设计‘收入稳定性追问模板’（如‘近6个月工资发放是否固定？是否有额外奖金？’），通过结构化提问提取有效还款能力信息，白户审批通过率从41%提升至57%，且后续逾期率无显著上升。

手机银行财富管理场景「精准触达-转化」链路优化项目

• 项目背景：公司手机银行财富管理模块存在「高流量低转化」痛点——日活用户超80万，但理财产品点击转化率仅3.1%，客户反馈「推荐不精准」「操作路径长」；核心目标是重构「用户需求-产品供给-触达方式」的全链路，将财富产品转化率提升至行业均值5%以上。
• 关键难题：一是客户财富需求分散，传统「资产分层」无法覆盖年轻客群（占比45%）的「轻量化理财」需求与中年客群（占比38%）的「风险精准匹配」需求；二是原有推荐算法依赖单一「历史购买」特征，忽略了APP内行为（如停留时长、浏览品类）、外部场景（如房贷还款周期、子女教育支出）等弱关联信号。
• 核心行动：1. 用「客户旅程地图」拆解12个关键触点，通过KANO模型筛选出「智能投顾入口前置」「产品标签可视化」「风险承受力动态评估」3项高影响需求；2. 搭建「多模态需求预测模型」：融合用户行为数据（埋点采集的23个维度）、外部征信数据（社保缴纳、消费贷记录）、产品属性数据，采用「协同过滤+自然语言处理」双引擎，将推荐准确率从42%提升至68%；3. 推动技术团队优化转化路径，将「选品-风险评估-下单」步骤从5步压缩至3步，并针对不同客群设计差异化触达策略（如年轻客群用「任务打卡领券」引导，中年客群用「专属理财顾问一对一提醒」）。
• 项目成果：项目上线6个月内，财富模块转化率提升至6.9%（超目标38%），日活用户的人均理财产品浏览时长增加2.1分钟；年轻客群（25-35岁）的基金定投开通率从8%提升至19%，中年客群的大额存单转化率从5%提升至12%；NPS评分较项目前提高18分，成为公司「数字化运营标杆案例」，我个人主导的「多模态需求预测模型」被纳入公司零售客户运营标准工具库。

基于「行为-价值」双维度的零售客户动态分层体系搭建项目

• 项目背景：公司原有客户分层仅基于「AUM（管理资产规模）」静态划分，导致高价值客户（Top20%）营销资源过度投放但留存率下滑（年流失率11%），潜力客户（中间30%）因识别不精准无法获得针对性服务，转化效率低；核心目标是构建「动态、多维」的客户分层体系，实现「高价值客户留得住、潜力客户提得上来」。
• 关键难题：1. 数据维度缺失：传统分层仅用AUM、存款余额等结构化数据，忽略了客户行为特征（如APP登录频率、跨产品使用数、客服咨询类型）；2. 动态更新滞后：原有分层每季度调整一次，无法应对客户状态变化（如突然增加理财购买的潜力客户未被及时识别）；3. 分层结果落地难：缺乏配套的运营策略，分层后营销动作仍「一刀切」。
• 核心行动：1. 定义「行为-价值」双维度分层框架：价值维度保留AUM、LTV（客户终身价值）等核心指标，行为维度新增「渠道偏好（APP/网点/电话银行）」「产品渗透度（持有1类 vs 4类产品）」「互动活跃度（月登录次数、活动参与率）」等11个指标；2. 用Spark搭建实时数据处理平台，将分层周期从季度缩短至月度，同时嵌入「触发式分层」机制——当客户行为指标变动超过阈值（如月理财购买金额增长50%），实时调整层级；3. 配套制定「分级运营SOP」：高价值客户匹配「专属理财顾问+定制化产品」，潜力客户匹配「场景化权益（如消费达标送理财体验金）+ 简化版投教内容」。
• 项目成果：分层体系上线1年内，高价值客户留存率提升至89%（较之前提高14个百分点），潜力客户转化为高价值客户的比例从11%提升至26%；营销资源利用率提高35%——原本投放给低价值客户的费用占比从22%降至11%；单客AUM年增长率从4.5%提升至7.2%，成为公司零售业务「客户精细化运营」的基础框架，我主导的「行为-价值双维度模型」获得总行「年度运营创新奖」。

• 大二观察到毕业生离校时大量教材被废弃，而新生购书支出占生活费12%，便发起校园书籍教材循环计划。为解决传统二手书交易效率低的问题，我们开发微信小程序实现扫码估价、预约取件功能，并说服快递中心以成本价承接物流。
• 通过建立翻新消毒标准打消卫生顾虑，项目年流通教材1.2万册，累计为同学节省书费38万元。这段经历让我从商业小白成长为能设计闭环模式的实践者，项目不仅获省级创业金奖，更被纳入学校官方服务体系延续至今。