负责消费金融业务全链路反欺诈策略设计与迭代，通过设备指纹、图计算等技术识别团伙欺诈、身份冒用等风险，联动数据与技术团队落地策略并持续优化模型效果，支撑年放款量超200亿的信贷业务风险防控。

• 主导设备指纹体系升级项目，针对黑产改机、模拟器作弊等新型欺诈手段，基于Android/iOS双端SDK采集200+维度硬件特征（如IMEI校验码、GPU渲染参数），结合XGBoost构建改机识别模型，将设备伪造识别率从78%提升至92%，年拦截伪冒申请超1.2万笔，减少直接损失3800万元；同步优化设备指纹更新机制，将动态标识响应时效从T+1缩短至实时，支撑秒级授信决策。
• 搭建团伙欺诈图谱分析平台，整合用户手机号、银行卡、设备、IP等15类关系节点，运用Neo4j图数据库与GraphSAGE算法挖掘隐蔽关联关系，识别出3个跨区域欺诈团伙（涉及账户2300+），推动策略规则新增‘关联账户逾期率＞30%则拦截’等9条强约束条件，团伙欺诈案件量环比下降65%，误报率控制在1.2%以内。
• 设计分层式反欺诈策略架构，将风险等级划分为‘高风险拦截’‘中风险复核’‘低风险放行’三级，通过A/B测试验证策略有效性：高风险规则拦截准确率提升22%，中风险人工复核效率提高40%；同步搭建策略效果监控看板，实时追踪PSI（群体稳定性指数）、KS值等指标，每月输出风险趋势报告，驱动策略迭代频次从季度级缩短至月度级。
• 联动数据团队攻克‘弱特征挖掘’难题，基于LightGBM的特征重要性分析筛选出‘近30天跨应用登录次数’‘通讯录异常联系人占比’等12个高区分度弱特征，纳入策略规则集后，新客欺诈拒识率下降18%，整体模型KS值从0.65提升至0.78。

聚焦贷前欺诈风险防控，负责反欺诈规则库维护、模型策略调优及黑产对抗，支撑个人消费贷、小微经营贷等产品线的风险决策，业务覆盖用户超500万。

• 重构贷前反欺诈规则引擎，针对‘身份信息盗用’场景，引入OCR+NFC人证合一核验技术，结合公安联网核查接口，将虚假身份通过率从4.1%压降至0.8%；同步建立‘身份信息一致性’校验规则（如手机号归属地与工作地匹配度、身份证有效期与年龄逻辑校验），拦截可疑申请7600余笔。
• 主导开发‘设备-位置-行为’三维反欺诈模型，基于HiveETL提取用户设备运动轨迹（如GPS坐标跳跃频率）、APP操作行为（如页面停留时长、输入错误率）等200+行为特征，使用随机森林算法训练分类模型，识别出异常操作用户1.4万人，模型F1-score达0.89，较原规则策略提升27%。
• 应对黑产‘养号套利’攻击，分析历史欺诈样本发现‘注册-绑卡-借款’周期缩短至3天内，据此新增‘首借前7天交易频次＞5次则标记观察’策略，配合短信验证码二次验证，成功阻断养号团伙作案，相关案例被纳入公司年度风险警示库。
• 搭建反欺诈策略知识管理平台，整理300+条有效规则、10类常见欺诈手法及应对方案，组织跨部门培训6场，推动策略经验沉淀与新人培养效率提升50%。

参与消费分期业务基础反欺诈策略搭建，负责数据清洗、规则测试及风险案例复盘，协助团队完成从0到1的风控体系构建。

• 协助梳理贷前准入规则，基于用户基本信息（年龄、收入、征信查询次数）与设备信息（IMEI、MAC地址），设计‘年龄＜22岁且无稳定收入来源则人工复核’等15条基础规则，上线后首月欺诈拒件率达3.5%，为后续策略迭代奠定数据基础。
• 负责风险案例库建设，每日跟踪拒件样本与逾期客户数据，标注‘身份冒用’‘多头借贷’等8类欺诈标签，累计整理有效案例2000+条，支撑策略团队精准定位风险敞口。
• 参与设备指纹初步验证项目，测试主流厂商SDK（如极光、个推）的采集覆盖率与唯一性，输出《设备指纹技术选型报告》，为团队选择支持跨端关联的设备标识方案提供数据支撑。

消费金融资产组合智能预警与动态定价系统构建

• 项目背景：公司消费金融业务规模扩张至320亿元时，传统T+1规则引擎预警滞后，叠加静态征信定价策略无法适配客群风险差异，2021年末资产逾期率攀升至4.8%（超行业均值0.5pct）。核心目标是搭建“实时风险感知+动态收益适配”的智能系统，解决“风险识别慢、定价不精准”的核心痛点。
• 关键难题与技术：一是多源异构数据（支付流水、央行征信、APP行为轨迹、第三方反欺诈标签）的实时融合，传统批量计算无法满足秒级响应要求；二是用户跨平台借贷、设备关联等非线性风险难以被逻辑回归捕捉；三是业务团队对“黑盒模型”的信任障碍，担心影响客群拓展效率。
• 核心行动与创新：主导跨数据、算法、业务三方需求对齐，整合12个数据源搭建Flink实时数据管道（端到端延迟<500ms）；创新设计“XGBoost个体风险建模+图神经网络（GNN）关联风险挖掘”混合架构——XGBoost捕捉用户还款能力、消费波动等个体特征，GNN识别共同借款人、设备复用等隐性关联，将风险关联度识别率提升42%；同步开发模型可解释性模块（集成LIME与SHAP），输出“风险因子归因报告”，每月联动业务部门开展模型置信度培训，消除“模型不可控”顾虑。
• 成果与价值：系统上线后，逾期预警准确率从72%提升至89%（提前3-7天识别风险），动态定价策略让高风险客群利率上浮15%、低风险客群下浮10%，2023年全年年化坏账损失减少2300万元；业务部门模型采纳率从40%提升至85%，支撑消费金融规模同比增长28%的同时，逾期率降至3.9%（低于行业均值0.4pct）。我沉淀的“实时+关联+可解释”风控系统框架，成为公司后续同类项目的标准范式。

小微商户信贷全场景风险画像体系构建与规模化落地

• 项目背景：公司小微商户贷款业务面临“数据薄、区分度低”困境——传统评分卡仅依赖收单流水与征信，AUC仅0.68，导致拒贷率35%但坏账率仍达2.1%，无法平衡风险与客群覆盖。目标是构建“多维度、高精准”的风险画像，提升小微客群的风险识别能力。
• 关键难题与技术：一是多模态数据标准化——收单结构化数据、舆情非结构化文本、经营场景图像（店铺门头照、收银台客流）缺乏统一特征提取逻辑；二是样本极度不平衡（好客户占比98%），传统模型易偏向多数类；三是外部数据（电商交易、税务信息）的合规性与关联性验证。
• 核心行动与创新：牵头梳理“经营能力-信用状况-行为稳定性-外部关联”15个风险维度，整合收单、舆情、工商、电商4类数据源；针对多模态数据，用BERT提取舆情中的“负面经营事件”（如投诉、诉讼）特征，用ResNet-50计算机视觉模型分析店铺图像的“客流密度”“经营时长”等隐性特征；采用SMOTE过采样+加权随机森林处理样本不平衡，将坏样本召回率从62%提升至81%；通过迁移学习引入电商平台“店铺评分”“复购率”数据，补充小微商户经营稳定性特征。
• 成果与价值：风险画像体系落地后，评分卡AUC提升至0.82，拒贷率下降12%至31%，但坏账率保持在2.0%以内；支撑小微贷款余额从12亿元增长至55亿元（年复合增长率108%），成为公司小微业务核心风控工具。我主导的特征工程与模型迭代方法论，在公司内部分享3次，推动风控团队从“征信依赖”转向“全场景行为分析”。

• 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。