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。

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。