负责公司消费金融与小微贷业务全链路反欺诈策略设计与迭代，联动模型、数据、运营团队实现欺诈风险前置拦截，通过规则引擎+机器学习双轮驱动优化策略效能，覆盖贷前准入、贷中监控、贷后复盘全周期，聚焦黑产团伙识别、异常交易拦截及策略成本控制

• 主导设计针对“养号套现”黑产的贷前反欺诈策略：基于极验设备指纹SDK提取设备唯一ID、屏幕分辨率、传感器数据等硬件特征，结合运营商通话行为序列（主被叫时长分布、夜间通话占比）构建多维特征集，用XGBoost模型识别异常注册设备（AUC达0.89）；通过FICO Blaze规则引擎部署“设备首次借款+近30天通话异动+注册IP归属地为高危区域”等32条分层规则，将套现欺诈率从1.8%降至0.6%，季度拦截可疑申请2.3万笔，直接减少经济损失1200万元
• 重构贷中账户盗刷监控体系：整合用户设备绑定关系、收款方账户画像、交易频率波动等数据，用Neo4j构建“用户-设备-收款方”知识图谱，识别跨账户异常转账团伙（如同一设备关联5个以上陌生收款方且交易间隔小于10分钟）；联动实时决策引擎触发“短信验证码+人脸识别”二次验证，将账户盗刷损失率从0.9%压降到0.3%，半年内阻止盗刷交易1100余笔，涉及金额450万元
• 用因果推断优化规则阈值：针对传统阈值设定中的“选择偏差”问题，引入Do-Calculus计算规则调整后的平均处理效应（ATE），通过A/B测试验证“将单设备日注册次数阈值从3次提升至5次且关联不同IP”后，欺诈拦截率提升15%，同时误拒率下降8%，年度减少正常用户投诉3200起，客户满意度提升4个百分点
• 搭建反欺诈策略知识库：用Python爬取历史欺诈案例并结合内部数据标注，用NLP技术对案例进行“黑产模式”“规则逻辑”“模型输出”三维标签化，形成可检索的知识库；将策略迭代流程从“需求提出-数据回溯-规则设计-测试上线”的21天缩短至14天，团队响应速度提升33%

协助资深策略师搭建消费分期业务反欺诈体系，负责规则测试、数据回溯及小范围策略试点，参与黑产模式研究及策略优化迭代，支撑全量策略落地前的风险验证与效果评估

• 辅助设计“虚假身份注册”识别规则：用逻辑回归整合身份证OCR误差率（大于15%）、手机号归属地与IP地址经纬度偏差（超过200公里）、填写时长（小于90秒）等7个特征，通过离线回溯10万条历史注册数据验证规则有效性（召回率85%、精确率78%）；试点期间拦截虚假注册1.2万笔，为后续全量推广提供数据支撑，该规则至今仍是贷前基础过滤规则
• 参与黑产团伙分析项目：用DBSCAN算法对异常交易数据（如同一银行卡向多个陌生账户转账、短时间内多次修改收货地址）进行聚类，识别出3个跨平台的“养卡”团伙（涉及用户1200名、关联银行卡2300张）；将团伙特征（如“近6个月有3次以上异地大额消费”）反馈给模型团队，优化梯度提升树模型的关联特征，使得团伙欺诈识别率提升22%
• 搭建策略效果监控体系：用Prometheus+Grafana构建反欺诈策略监控看板，跟踪“规则命中率”“误拒率”“欺诈率”“单条规则成本”等12个核心指标；每周输出监测报告，曾及时发现某地区IP段欺诈率周环比上升40%，推动紧急将“该IP段注册用户需额外上传手持身份证照片”规则上线，避免了约800万元的潜在损失
• 负责跨部门培训：整理《反欺诈策略基础手册》，涵盖“常见黑产模式（养号/盗刷/套现）”“规则逻辑解读”“模型输出信号含义”等内容；为运营、客服团队开展4场培训（累计覆盖120人），提升非技术团队的风险上报意识，后续运营团队主动上报的可疑案例增加40%，补充了近10%的欺诈样本

负责消费贷款业务的欺诈风险数据提取、清洗及初步分析，支持策略团队制定反欺诈规则，参与数据预处理、特征工程及规则效果回溯工作，保障反欺诈策略的数据供给与基础验证

• 处理海量用户行为数据：用Python（Pandas、NumPy）清洗100万+条注册数据，提取“设备MAC地址变化次数”“IP地址是否为数据中心IP”“填写信息前后矛盾（如生日与星座不匹配）”等20+个反欺诈特征，构建公司首个反欺诈特征库，特征覆盖率从75%提升至92%，支撑策略团队快速获取有效数据
• 辅助欺诈样本标注与聚类：用DBSCAN算法对5万条异常交易数据（如“借款1小时内还款”“收款方为涉赌账户”）进行分组，识别出“同一设备多账号注册”“短时间频繁更换绑定手机号”等4类欺诈模式，标注样本2万+条，提升后续模型训练的准确性（模型F1-score从0.75提升至0.82）
• 规则效果回溯与优化：用SQL查询数据库，分析某条“手机号注册次数超过3次/月”的规则，发现误拒率达18%（主要为高频更换手机号的正常用户）；建议调整为“手机号注册次数超过5次/月且关联设备超过2台”，调整后误拒率下降至9%，欺诈拦截率保持在1.5%以上，该规则成为贷前核心过滤规则之一
• 搭建基础风险看板：用Tableau连接公司数据仓库，展示每日欺诈申请数量、拦截率、误拒率、高风险地区分布等指标；看板日均查看量达50+次，成为团队日常决策的重要工具，帮助团队快速掌握风险态势并调整策略

消费信贷全生命周期反欺诈体系迭代项目

• 项目背景：公司消费信贷业务年增速超40%，但新型团伙欺诈（如“养号套现”“跨平台撞库”）导致欺诈损失季度环比上升25%；传统规则引擎依赖静态特征，漏报率达18%、误拒率达12%，既影响风险防控效果，又制约业务转化效率。我的总体职责是主导全生命周期反欺诈体系迭代，统筹策略设计、模型研发及与技术、运营团队的协同落地，目标是将欺诈漏报率控制在2%以内、误拒率降至3%以下。
• 关键难题：一是传统规则无法识别隐藏关联风险——团伙作案往往通过多层间接关系规避静态检测；二是实时决策延迟高——原有 pipeline 依赖离线特征计算，决策耗时超500ms，导致用户体验下降（放款时效从10分钟延长至15分钟）。
• 核心行动：1）深度调研120+起欺诈案例，归纳“多账号弱关联”“跨产品资金流转”等4类新型模式，针对性设计图神经网络（GNN）关系图谱方案；2）用Flink重构实时特征计算链路，整合设备指纹、交易行为、社交关系等8类实时数据，将特征生成延迟从300ms压缩至80ms；3）搭建“规则+模型”动态阈值机制——基于GNN输出的团伙欺诈概率，自动调整规则触发灵敏度（如将高风险客群的规则阈值从80分降至70分，低风险客群从60分提至75分）。
• 项目成果：欺诈识别率从82%提升至98.5%（漏报率降至1.2%），误拒率从12%降至2.5%；每月减少欺诈损失约850万元，业务通过率提升17%，支撑季度放款量增长30%；主导的GNN关系图谱及实时决策架构被纳入公司技术中台，复用至3条信贷产品线，个人获评2023年度“风险防控突出贡献者”。

小微商户经营性贷款信用评估模型优化项目

• 项目背景：公司拓展小微商户经营性贷款业务，但传统模型依赖财务报表（仅25%商户能提供规范数据），模型AUC仅0.71，区分度不足；不良率升至4.8%，超过风险容忍线（4%）。我的职责是挖掘替代数据价值，优化信用评估模型，目标是AUC提升至0.8以上、不良率控制在4%以内。
• 关键难题：一是替代数据噪声大——收单流水中的“刷单”“异常退款”、电商平台的“虚假交易”干扰特征有效性；二是样本不平衡——不良样本占比仅1.8%，传统模型易过拟合。
• 核心行动：1）整合10类替代数据（收单流水、电商平台交易、税务申报、POS机布放密度），设计280+维特征（如“近3个月流水波动系数”“夜间交易占比”“跨平台复购率”），通过IV值+信息增益筛选出45+高区分度特征；2）采用SMOTE-ENN算法处理不平衡数据——先通过SMOTE扩充少数类样本，再用ENN剔除噪声样本，保持原始数据分布的同时解决过拟合问题；3）构建“XGBoost+LightGBM”融合模型——融合XGBoost的高精度与LightGBM的训练速度，同时引入L1正则化抑制过拟合。
• 项目成果：模型AUC提升至0.82，区分度较原模型提升15.5%；不良率降至3.1%（低于风险容忍线），小微贷放款量增长35%，覆盖15万+商户；模型解释性优化——通过SHAP值输出“交易稳定性”“资金回笼周期”等12个核心驱动因素，业务人员对模型的信任度提升40%；该模型成为公司小微业务核心风控能力，支撑普惠金融战略落地，个人获业务部门“最佳协作奖”。

• 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。