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

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。