负责消费金融贷前/贷中环节反欺诈策略设计与落地，整合用户行为、设备信息、第三方征信多源数据搭建异常检测体系，协同模型团队优化规则，平衡业务风险防控与用户体验

• 主导设计“用户行为轨迹+设备指纹”双层欺诈识别规则，使用Spark日均处理100万+交易数据，提取“30分钟内跨5城登录”“支付鼠标轨迹机械规律”等23个高风险特征，落地决策引擎后贷前欺诈拦截率从18%提升至32%，误拒率控制在5%内
• 针对黑产“养号套现”模式，用Neo4j构建用户社交关系网络，识别“账号-设备-手机号”关联欺诈团伙47个，推动策略升级为“关联节点风险分加权计算”，该类案件数量下降65%
• 协同数据团队用Flink搭建实时反欺诈特征库，实现“1小时内同一IP发起10笔申请”等5个实时特征加工，将欺诈识别延迟从3分钟缩至20秒，支撑营销活动实时风控，活动期间欺诈损失减少40万元
• 每月输出风险分析报告，结合“AI换脸仿冒身份”等行业黑产动态，提出“提升人脸识别活体检测阈值”等建议，80%被采纳，当月欺诈率环比下降11%

负责全产品线（消费贷、小微贷）跨场景反欺诈联防，搭建机器学习+规则混合策略体系，推动风险从“被动拦截”向“主动预判”转型，支撑业务规模化扩张

• 主导搭建“规则+模型”混合策略框架，用XGBoost训练欺诈概率模型（AUC0.89，42个输入特征），准确率提升至78%；保留15条核心规则控制置信区间外风险，漏检率从12%降至7%
• 针对小微贷“虚假经营地址”欺诈，联合第三方获取工商、水电煤数据，设计“地址一致性校验规则”（匹配度<80%触发人工复核），该场景欺诈率从9%降至3%，小微贷通过率提升5%
• 开发策略回溯工具（基于Python Scikit-learn/Pandas），实现“上线-监测-调整”闭环，将迭代周期从2周缩至3天；针对“短信验证码劫持”，3天内完成规则调整（验证码发送IP与设备定位偏差>50公里拦截），避免20万元损失
• 输出《消费金融反欺诈策略手册》（覆盖特征工程、规则设计等6模块），培养2名新人，团队策略输出效率提升40%

统筹集团消费金融、财富管理、保险经纪三大板块反欺诈体系，搭建全生命周期防控框架，解决数据隐私下跨机构风险联防问题，支撑业务增长与风险收益平衡

• 主导设计集团全生命周期反欺诈框架：获客用联邦学习识别“黑产引流账号”，贷前用GNN挖掘跨板块关联风险，贷中用流计算监控资金流向，贷后用迁移学习预警逾期；上线后整体欺诈率从8%降至4.5%，年损失减少1200万元
• 推动联邦学习平台落地，联合3家机构训练“跨机构欺诈识别模型”（AUC0.85，不传原始数据），识别跨机构欺诈用户1200+，避免联合损失约500万元
• 建立“欺诈手法知识库”，每月更新10+种新型手法策略；针对“深度伪造语音仿冒申请”，引入声纹鉴伪+“语音内容与信息一致性校验”，拦截率从30%提升至85%
• 推动反欺诈商业价值转化：优化规则使消费金融获客成本下降15%（从200元/人到170元/人）；输出反欺诈能力给中小机构，年新增技术服务费收入300万元；主导项目获集团技术创新奖，成行业标杆

基于联邦学习的跨机构小微企业信贷联合风控模型构建项目

• 项目背景：针对小微企业信贷场景中合作银行、供应链平台数据分散且无法直接共享的痛点，单机构风控模型因数据量有限导致误拒率达35%、AUC仅0.78的问题，公司目标是构建跨机构联合风控模型，在保护数据隐私前提下提升风险识别能力。我的职责是主导模型设计、跨机构协作机制搭建及落地全流程。
• 关键难题：1）不同机构特征空间异构（如供应链平台的交易频次特征与银行的征信特征无法直接对齐）；2）联邦学习中梯度泄露风险（需平衡隐私保护与模型效果）；3）小样本机构（如区域农商行仅有1万+样本）的模型泛化能力不足。
• 核心行动：1）技术选型：采用横向联邦学习框架，结合加密PCA进行跨机构特征降维对齐，解决特征异构问题；2）隐私保护：融合同态加密（HE）与差分隐私（DP），对梯度进行双层脱敏，经第三方测评梯度泄露风险降低至0.1%以下；3）小样本优化：引入元学习（Meta-Learning）预训练基础模型，用合作机构数据微调，解决单机构样本不足问题。
• 项目成果：1）模型效果：联合模型AUC提升至0.85，误拒率降低22%至27%；2）业务价值：支持12家合作机构上线联合风控，累计服务2.3万家小微企业，放款额达15亿元，欺诈损失率控制在0.08%以内；3）个人贡献：主导完成联邦学习方案设计与落地，推动公司成为区域内首个通过“金融科技隐私计算认证”的企业，形成《跨机构联邦风控实施指南》标准化文档。

智能风控实时决策引擎重构项目

• 项目背景：原有风控决策引擎基于传统规则引擎（Drools），存在响应延迟高（峰值500ms）、规则迭代需代码变更（耗时3-5天）、无法支持高频支付场景（如电商大促期间TPS仅1000）的问题，无法满足业务快速增长的风控需求。我的职责是主导引擎架构重构、性能优化及业务适配。
• 关键难题：1）传统规则引擎扩展性差，新增复杂规则（如多维度组合判断）需重启服务；2）实时计算能力不足，无法处理每秒数千笔交易的风险判断；3）业务人员与技术人员的协作效率低，规则配置需开发介入。
• 核心行动：1）架构升级：采用Apache Flink作为实时计算引擎，设计“分层决策”架构（实时层-准实时层-离线层），将高频规则（如黑名单校验）部署在Flink的ProcessFunction中，实现毫秒级响应；2）低代码设计：开发可视化规则配置界面，支持业务人员通过拖拽组件定义规则（如“近7天交易频次>10次且金额波动>50%”），无需代码编写；3）性能优化：引入Redis缓存高频规则（如黑名单库），将规则查询时间从100ms缩短至10ms，同时通过Flink的状态管理实现规则热更新。
• 项目成果：1）性能提升：决策延迟从500ms降至40ms以内，TPS提升8倍至8000，成功支撑“双11”期间1200万笔交易的实时风控；2）效率优化：规则迭代时间从3-5天缩短至1小时内，业务人员自主配置率提升至90%；3）个人贡献：主导完成引擎重构与上线，推动风控系统从“被动防御”转向“主动实时干预”，业务部门满意度从65%提升至92%，该引擎成为公司核心风控基础设施之一。

• 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。