负责公司个人信用贷、消费贷、抵押贷全产品线的风险审核与终审决策，联动前端业务团队与风控模型团队，平衡风险管控与业务拓展，推动审批效率与资产质量的协同提升

• 主导消费贷自动化审批模型的规则迭代：针对模型上线初期M3+逾期率偏高（1.8%）的问题，基于历史12万笔审批数据，运用逻辑回归与随机森林算法分析变量相关性，调整“收入负债比上限从55%降至50%”“近6个月征信查询次数阈值从12次缩至10次”等8项核心规则，最终自动化审批通过率从62%提升至71%，人工复核工作量减少35%，模型KS值从0.51提升至0.58
• 重构抵押贷实地尽调风险防控体系：针对小微企业主抵押贷中“经营场所虚假”“流水造假”等痛点，设计“三证（营业执照、经营许可证、场地租赁合同）交叉核对+银行流水与纳税额匹配验证+实地影像（含门头、收银台、库存）区块链存证”的标准化流程，联合第三方评估机构开发“经营场所真实性校验工具”（集成工商数据与地图POI信息），全年拦截12笔欺诈申请（涉及金额2300万元），抵押贷不良率从0.9%压降至0.4%
• 搭建零售信贷审批“风险画像标签库”：整合央行征信、百行征信、社保公积金、电商消费、运营商通话行为等12类外部数据，用决策树模型为客户标注“偿债能力（月供收入比）、消费稳定性（近12个月网购频次方差）、信用韧性（逾期后还款速度）”等8个维度32个子标签，输出《高风险客户识别指南》，帮助前端业务团队精准筛客，业务获客转化率提升18%，审批时效从3个工作日缩短至1个工作日
• 推动监管新规落地与流程合规升级：针对《商业银行互联网贷款管理暂行办法》中“远程身份验证”“电子合同留痕”要求，修订《个人信贷审批操作手册》，新增11项合规流程（如人脸识别双因子验证、电子合同哈希值存证），组织3场覆盖200名业务人员的新规培训，落地后审批环节零合规投诉，年度监管检查得分从85分提升至96分

协助资深审批专员完成个人信用贷、小额消费贷的风险审核与数据支持，参与风险模型训练的数据标注与流程优化试点

• 承担信用贷人工复核核心工作：日均处理80笔自动化初审通过的申请，通过“征信报告逾期记录与社保缴纳单位一致性校验”“收入证明与银行代发流水差额验证”等方法，识别15笔冒名顶替/资料造假申请（涉及金额180万元），将人工复核准确率从92%提升至97%，成为团队“欺诈识别能手”
• 参与“小额消费贷行为评分卡”数据标注：标注2000笔历史逾期客户的“近3个月网购退货率”“手机话费欠缴次数”“外卖订单地址稳定性”等23个行为特征，帮助模型团队优化评分卡区分度，KS值从0.45提升至0.52，模型对逾期客户的预测准确率提高12%
• 推动审批流程数字化改造：针对纸质材料传递耗时（单笔材料周转需2小时）的瓶颈，牵头测试“小楷电子文档管理系统”，整合身份证OCR识别、收入证明自动验真、征信报告结构化提取功能，实现材料线上上传、自动归档与跨部门共享，单笔申请资料处理时间从4小时缩短至1.5小时，团队每月节省120小时纸质材料整理工作量

协助完成零售信贷申请的初步筛选、数据录入与风险案例整理，参与新审批系统的测试与优化建议提交

• 负责零售信贷申请初步筛选：日均处理150笔申请，通过OCR技术提取身份证、银行卡关键信息，核对系统自动审核的“年龄、收入门槛”等基础规则执行情况，将初筛错误率从5%降低至1%，确保进入人工审核的申请质量提升40%
• 整理零售信贷逾期案例库：梳理2019年上半年120笔M1+逾期案例，归纳“收入负债比超50%”“近6个月征信查询超15次”“无稳定社保缴纳记录”等5个高频风险因子，编制《零售信贷常见风险点手册》，作为新人培训教材，使新人掌握核心风险点的时间从7天缩短至4天
• 参与新审批系统功能测试：模拟“白户（无征信记录）”“小额逾期（逾期天数≤30天）”“高负债（月供收入比≥60%）”等100种客户场景，记录系统审批结果与逻辑漏洞，提交32条优化建议，其中18条被产品团队采纳（如增加“白户社保连续缴纳时长”替代变量），系统上线后审批准确率提升8%

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」。

• 因痛心于年轻人对历史的疏离，我在B站创立「古人脱口秀」栏目，用职场梗解构历史事件（如《雍正皇帝的KPI保卫战》）。通过设计「颠覆认知-史料佐证-现代共鸣」三幕剧本模板，单期视频最高收获1.7万条弹幕互动。
• 两年间栏目播放量突破180万，作品被多地中学选为教学素材。这段经历磨砺出将学术内容转化为大众语言的能力，也让我理解到真实用户反馈才是创作者的指南针。