负责公司线上消费信贷产品全生命周期反欺诈策略设计、迭代与落地，联动数据建模、技术及业务团队识别黑产新型欺诈模式，通过规则优化与策略创新降低欺诈资损，支撑业务规模化增长

• 主导设计针对“冒名顶替身份申请”的贷前反欺诈策略，基于设备指纹（Device Fingerprint）、IP地理围栏（IP Geo-fencing）及多头借贷特征库，结合XGBoost监督学习模型的欺诈概率分，搭建“设备一致性校验→IP异常行为识别→身份信息交叉验证”三层漏斗拦截规则；解决此前黑产利用虚拟设备批量注册导致的欺诈率偏高问题（初始0.82%），策略上线后将场景欺诈率压降至0.21%，月均拦截欺诈申请1.2万笔
• 深度协同数据团队与研发部优化贷中实时监控策略，将原批处理规则引擎升级为Flink流处理框架，整合用户交易频率、金额波动、商户关联度等15项实时指标，设置“单小时交易≥5次且累计金额≥2万元”动态阈值；针对“团伙集中套现”场景，将实时拦截率从78%提升至92%，资损率从0.15%降至0.04%
• 牵头搭建“新客异常行为画像”体系，基于Isolation Forest无监督学习挖掘未逾期用户隐性欺诈特征（如注册后频繁更换绑定手机号、短时间尝试多产品申请），将画像标签融入贷前决策树，新增“高风险新客拦截”规则；覆盖“白户欺诈”盲区，新客欺诈率从0.35%降至0.11%，同时保证新客转化率仅下降0.8%
• 主导季度欺诈风险复盘与策略迭代，分析2024年Q3“AI换脸伪造身份材料”新攻击手段，联动建模团队训练GAN增强鲁棒性的人脸识别对抗样本检测模型，将模型输出作为策略补充规则；成功拦截该类欺诈申请3000余笔，避免资损约180万元

协助资深策略师完成消费分期业务反欺诈规则维护、效果跟踪及场景分析，参与策略优化支撑业务风险可控

• 协助梳理贷前申请环节基础欺诈规则，整理10万条历史欺诈样本特征（如身份证有效期异常、手机号归属地与工作地矛盾），提炼“身份信息矛盾点”规则集；应用于贷前筛选，初期欺诈拦截率提升15%，月均减少欺诈损失约20万元
• 参与贷中监控策略效果评估，用SQL提取近6个月交易数据，分析“同一商户高频小额交易”场景资损占比（达贷中欺诈35%），提出“商户日交易≥8次且累计金额≥1.5万元”阈值调整建议；优化后该场景资损率下降22%，策略纳入常规监控体系
• 搭建欺诈案例知识库，分类整理200余起案例（涵盖身份冒用、团伙作案、资料造假），标注关键特征与应对策略；使新分析师熟悉业务时间缩短30%，成为团队新人培训核心资料

负责风控数据日常运营与清洗，支持反欺诈策略数据需求，保障数据质量与可用性

• 主导风控数据字典标准化建设，梳理贷前、贷中、贷后200余项数据指标定义（如设备指纹唯一性、多头借贷统计周期）；解决数据口径不一致导致的策略开发延误问题，数据需求响应时间从3天缩短至1天
• 优化欺诈样本标注流程，引入众包平台+人工审核机制，将样本标注准确率从85%提升至95%；支撑反欺诈模型训练，模型AUC从0.78提升至0.83，间接提高策略命中率
• 用Python编写自动化脚本监控数据管道稳定性，每周生成数据质量报告；解决数据延迟导致的策略失效问题（如贷中监控延迟1小时致3笔欺诈未拦截），数据延迟率从10%降至2%，保障策略实时性

零售信贷全生命周期智能风控体系迭代项目

• 项目背景：随着公司零售信贷业务向蓝领、个体工商户等下沉客群扩张，传统“规则+单模型”的风控体系暴露三大痛点——贷前审批漏判高风险客群（欺诈逾期率较头部客群高3倍）、贷中无法实时捕捉客群风险变化（逾期30天内客群的贷中特征更新延迟超4小时）、贷后预警缺乏前瞻性（不良资产清收率仅18%）。我的核心目标是主导构建覆盖“贷前-贷中-贷后”的全链路智能风控体系，实现“精准准入、动态管控、前置清收”的闭环，支撑业务规模增长的同时将整体不良率控制在2.5%以内。
• 关键难题与技术选型：1）多源异构数据融合难——需整合央行征信、第三方支付流水、电商消费、运营商行为等8类数据，且涉及用户隐私无法直接出域；2）贷中实时决策低延迟要求——需在100ms内完成客群风险评分更新，传统批量特征计算无法满足；3）模型可解释性不足——监管要求风控决策需“可追溯、可说明”，传统黑盒模型难以通过合规审查。针对这些问题，我选择联邦学习框架解决数据隐私问题（与合作方共建联合建模环境）、Flink流处理引擎搭建实时特征工厂、LightGBM+SHAP模型组合平衡精度与可解释性。
• 核心行动与创新：1）牵头梳理12个核心业务场景的数据需求，设计了“用户身份-行为轨迹-资产能力”三维特征体系，整合内外部数据生成200+维度实时特征（如“近7天支付账户异常登录次数”“电商订单退款率”）；2）针对联邦学习下的模型性能衰减问题，提出“本地特征筛选+联邦梯度融合”的优化方案，将联合模型的AUC从0.78提升至0.85；3）搭建实时风险预警系统，用Flink实现“事件触发式”特征计算（如商户交易突增、用户多头借贷报警），将特征延迟从500ms压缩至80ms；4）推动模型可解释性落地，基于SHAP值生成“风险因子归因报告”，例如“该用户逾期风险中，‘近3个月手机话费欠缴次数’贡献了40%权重”，帮助业务人员快速定位风险根源。
• 项目成果与价值：1）量化指标：贷前审批通过率提升18%（从32%到40%），不良率从3.2%降至1.1%（低于行业平均2个百分点）；贷中预警准确率提升35%（从65%到90%），触发贷后干预的客群逾期率较未触发客群高4.5倍；贷后清收率提升12%（从18%到30%），减少损失约3500万元。2）业务影响：支撑公司零售信贷规模1年内增长40%（从120亿到168亿），人工审核成本下降30%（从每笔50元到35元）。3）个人贡献：主导完成3套核心模型（贷前准入、贷中监控、贷后预警）的重构，输出《全生命周期风控运营手册》，成为公司后续业务线的标准框架。

小微商户贷反欺诈模型优化项目

• 项目背景：公司小微商户贷业务上线2年后，欺诈率从初始的1.2%攀升至3.5%，主要问题是黑产利用“虚假经营地址”“伪造流水”“冒用身份”等手段绕过传统规则（如“经营地址与IP地址一致性”“流水金额波动阈值”）。我的目标是重构反欺诈模型，解决“数据稀疏性”（80%小微商户无历史信用数据）和“黑产对抗性”（每月新增5种以上欺诈手法）两大痛点，将欺诈识别准确率提升至85%以上，误拒率控制在10%以内。
• 关键难题与技术选型：1）小微商户数据稀疏——大部分商户仅有3个月以内的经营数据，传统监督学习模型无法有效训练；2）黑产关联隐蔽——欺诈团伙常通过“共享收款账户”“交叉注册手机号”等方式规避检测，单维度规则易被突破。针对这些问题，我选择图神经网络（GNN）挖掘商户关联关系（如“同设备登录的商户”“资金流向闭环的账户”），并用迁移学习将个人信贷中的“设备指纹”“行为序列”特征迁移至商户场景。
• 核心行动与创新：1）构建“商户-账户-设备-地址”四维关联图，包含1200万+节点和6亿+边，用Graph Attention Network（GAT）学习节点嵌入，捕捉隐藏的欺诈团伙关系；2）设计迁移学习框架，将个人信贷中的“同一设备1天内申请3次以上贷款”的行为特征，迁移至商户贷场景，识别“同一手机号注册多个商户”的欺诈行为；3）开发实时反欺诈规则引擎，将GNN模型的欺诈分数与规则得分加权融合（如“模型分数≥0.8或规则触发2条以上”则拒绝），实现秒级决策。
• 项目成果与价值：1）量化指标：欺诈识别准确率从72%提升至89%，误拒率从15%降至8%，每月拦截欺诈申请量从1.2万笔增加到2.5万笔，减少欺诈损失约2000万元。2）业务影响：支撑小微商户贷规模增长50%（从40亿到60亿），客群覆盖从“头部商户”扩展至“街边小店”等长尾客群。3）个人贡献：搭建了公司首个商户关联图谱平台，输出《小微商户反欺诈特征手册》，其中“关联账户资金闭环检测”规则被纳入行业反欺诈最佳实践。

• 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。