负责消费金融信贷业务全生命周期反欺诈策略设计与迭代，覆盖贷前准入、贷中监控、贷后处置环节；主导黑产攻击模式识别与对抗策略开发，协同数据、算法团队优化机器学习模型与规则引擎，平衡业务转化率与资损率。

• 针对线上贷款产品贷前环节黑产批量注册、身份冒用问题，主导设计‘设备指纹+生物探针+知识图谱’三维度反欺诈策略：通过自研设备指纹SDK（覆盖98%终端类型）提取硬件特征，结合埋点行为数据训练XGBoost分类模型识别模拟器操作，同步基于GraphDB构建用户社交关系网络，拦截团伙欺诈；上线后首月识别伪冒申请12.7万次，资损率从0.82%降至0.35%，策略误拒率控制在1.2%以内。
• 应对贷中交易欺诈突发场景，牵头优化实时决策引擎规则：分析近3个月欺诈交易数据发现，73%的盗刷行为集中在凌晨2-5点且交易金额呈‘小额试探+大额集中’特征，据此新增‘时段-金额波动’动态阈值规则，并嵌入随机森林模型实时计算交易欺诈概率；规则上线后盗刷拦截率提升41%，单月挽回资金损失2800万元，同时通过A/B测试验证规则对正常用户的干扰率仅0.9%。
• 推动反欺诈策略自动化迭代体系建设：针对传统人工审核周期长（平均72小时）的问题，联合数据团队搭建‘异常检测-标签标注-模型调优’闭环流程，引入无监督学习算法（Isolation Forest）自动挖掘新型欺诈模式，每周输出风险特征报告；流程落地后策略迭代周期从2周缩短至3天，全年捕获新型欺诈手法17类，其中9类被纳入集团风险知识库共享。
• 协同贷后处置团队优化欺诈资产回收策略：基于历史欺诈逾期数据，使用逻辑回归构建‘还款意愿-还款能力’双因子评分模型，将高风险客群优先分配至法务催收，低风险客群推送智能语音提醒；策略实施后欺诈逾期回收率从18%提升至29%，单户催收成本下降22%。

聚焦互联网金融支付业务反欺诈能力建设，负责交易风险规则制定与模型辅助开发；参与黑灰产攻击路径分析，输出策略优化建议，支撑业务侧降低欺诈资损。

• 搭建支付交易实时反欺诈规则库：梳理近1年23万条欺诈交易样本，提取‘异地登录+高频小额转账’‘新设备绑定+大额支付’等127条风险特征，通过决策树算法筛选高区分度规则（IV值>0.3）；规则上线后交易欺诈拦截准确率从68%提升至85%，日均拦截可疑交易4200笔，误拦截投诉率低于0.5%。
• 优化商户侧欺诈防控策略：针对聚合支付场景下‘虚假商户套现’问题，联合商务团队梳理商户入网资料，构建‘营业执照真实性校验+经营地址GPS定位+流水波动分析’复合验证机制；通过爬虫技术核验工商信息一致性，结合商户月均流水标准差识别异常波动，拦截虚假商户2100余家，套现资损减少6700万元。
• 参与无监督学习模型落地：针对传统规则难以覆盖的‘低频高损’欺诈场景，协助算法团队标注10万条正常交易数据，使用DBSCAN算法聚类异常交易模式，输出‘跨区域集中收款’‘夜间非营业时段大额交易’等潜在风险标签；模型上线后识别出3个区域性欺诈团伙，涉及交易金额1.2亿元，提前阻断资金转移。

协助搭建小微贷款业务基础反欺诈体系，负责历史欺诈数据清洗与特征挖掘，参与规则初筛与策略验证，支撑风险策略从0到1落地。

• 完成欺诈数据治理与标签体系建设：整合贷前、贷中、贷后全链路数据，清洗缺失/异常字段23万条，基于司法判决、人工复核结果标注欺诈样本1.8万例，构建包含‘身份信息一致性’‘联系人真实性’‘设备环境安全’等6大类、42个基础特征的欺诈标签库；标签体系为后续策略开发提供标准化输入，数据可用率从75%提升至92%。
• 开发基础反欺诈规则：通过分析标注样本发现，38%的欺诈用户存在‘手机号归属地与工作地不一致’‘紧急联系人为空’等情况，据此制定15条初筛规则并嵌入信贷系统；规则上线后首月拦截欺诈申请3200余件，人工审核工作量减少40%，为业务快速展业提供风险兜底。
• 验证策略有效性并推动迭代：通过统计检验（卡方检验、KS值）评估规则区分度，发现‘通讯录通话时长分布异常’规则误拒率高达8%，经排查为运营商数据延迟导致；协调技术团队修复数据接口后，规则误拒率降至2.1%，最终保留12条高性价比规则，成为初期反欺诈核心防线。

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。