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

多源异构数据融合的消费金融共债风险预警模型项目

• 项目背景是消费金融行业共债风险爆发（行业平均坏账率2.5%），传统模型依赖央行征信的结构化数据，对互联网借贷、运营商行为等非结构化数据挖掘不足，导致共债识别精度低（原模型AUC仅0.78）、风险滞后。我的职责是主导模型从需求定义到生产落地的全流程，联动数据工程、业务风控团队解决数据融合与模型泛化问题。
• 关键难题有三：一是跨数据源（征信、互联网借贷平台、运营商）的异质特征无法有效关联；二是传统模型难以捕捉用户间的隐性借贷网络；三是实时特征计算延迟高（小时级），无法应对高频交易场景的风险预警。我选择用图神经网络（GNN）挖掘用户关联关系，用LightGBM融合多模态特征，同时用Apache Flink搭建实时特征 pipeline。
• 核心行动：① 牵头梳理18类非结构化数据，制定“行为-负债-履约”三维特征标准，将互联网借贷的“多头申请频次”“跨平台逾期分布”等12个指标转化为可计算结构化特征；② 构建包含50万+用户的借贷关联图，用GNN提取“关联负债指数”（反映用户社交圈的隐性债务负担），该特征使共债识别准确率提升18%；③ 用Flink实现特征实时更新，将特征计算延迟从60分钟压缩至5秒，支撑贷中实时预警；④ 通过贝叶斯优化调优LightGBM超参数，平衡 precision（从0.65提升至0.82）与 recall（从0.52提升至0.78）。
• 成果：模型AUC提升至0.89，共债风险召回率较原模型高35%，坏账率从2.1%降至1.64%，每年为公司减少直接损失约1200万元。该模型已成为消费金融业务的核心风控屏障，推广至供应链金融场景后，也将该领域的共债识别精度提升了28%。我个人也因此获公司“年度风控突出贡献奖”。

小微商户纯信用评分模型构建与规模化落地项目

• 项目背景是小微商户贷款依赖抵押品（抵押类贷款占比85%），但业务部门需拓展纯信用贷款以覆盖更多下沉客群。我的职责是负责模型数据挖掘、特征工程及效果验证，解决“无抵押、缺数据”下的信用评估问题，支撑业务规模化。
• 关键难题：一是小微商户数据分散（支付宝/微信收款、税务、水电等12个来源），标准化难度大；二是违约样本极少（占比1.2%），传统模型易过拟合；三是业务人员对模型“黑箱”决策不信任，难以落地推广。我采用目标编码处理高基数类别特征，用SMOTE-ENN算法解决样本不平衡，用SHAP值增强模型可解释性。
• 核心行动：① 整合12类数据，清洗出300+维度特征，比如“近3个月收款波动系数”“水电缴费连续性”等反映经营稳定性的指标；② 设计“经营稳定性-偿债能力-行为偏好”三层特征体系，其中“营收负债比”“客群复购率”等15个特征贡献了60%以上的模型解释度；③ 用SMOTE-ENN将正负样本比例从1:83调整为1:20，避免模型偏向多数类；④ 用SHAP值生成“特征贡献热力图”，比如向业务人员说明“近6个月收款频次下降30%会触发风险预警”，降低沟通成本。
• 成果：模型KS值从0.45提升至0.62，纯信用贷款通过率较之前提升28%，不良率控制在1.8%以内（低于行业平均2.3%）。该模型支撑公司小微贷款规模从8亿元增长至11.2亿元（年复合增长率18%），并获得公司“年度最佳风控模型”奖。项目结束后，我因核心贡献晋升为数据与风控模型组负责人，开启了从单点建模到全流程风控管理的成长。

• 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。