主导消费金融全产品线（信用贷/循环贷/场景分期）的反欺诈策略设计与迭代，覆盖贷前准入、贷中监控、贷后处置全流程，协同数据、模型、运营团队构建基于设备指纹、关联网络、行为序列的多维度欺诈防御体系，目标将资损率控制在0.08%以内并平衡用户体验。

• 针对2023年Q2突发的‘养号套现’黑产攻击（通过批量注册虚拟设备+伪造消费轨迹骗取额度），牵头设计‘设备可信度分层+行为时序异常检测’复合策略：基于自研设备指纹SDK（集成IMEI/AndroidID/蓝牙MAC多源校验）识别虚拟设备伪装，结合LightGBM模型对用户首笔交易时间分布、页面停留时长波动等237维行为特征建模，输出风险评分；同步优化规则引擎阈值，将黑产识别准确率从78%提升至92%，当月拦截欺诈申请1.2万笔，涉及资金4800万元，资损率环比下降21%。
• 主导搭建‘黑产关联网络分析平台’，接入央行征信、司法涉诉、第三方支付流水等外部数据，运用图神经网络（GNN）挖掘‘同设备多账户’‘同IP集群注册’‘资金闭环流转’等隐蔽关联关系，识别出12个跨产品线的欺诈团伙（单团伙平均涉案金额超300万）；推动将关联分纳入贷中监控策略，触发后自动冻结账户并启动人工复核，全年阻断团伙欺诈损失7600万元，误触正常用户比例控制在0.3%以下。
• 优化策略自动化迭代流程：基于A/B测试框架设计‘策略效果-业务影响’双维度评估模型，开发策略调优工具包（集成SHAP值解释、特征重要性排序功能），将单次策略迭代周期从7天缩短至3天；2024年主导完成12次大版本策略更新，贷前欺诈拦截率从85%提升至91%，误拒率从4.2%降至3.1%，支撑业务审批效率提升25%。
• 应对监管‘断直连’政策调整，协同合规部梳理反欺诈数据使用边界，重构基于联邦学习的跨机构风险信息共享机制；在不传输原始数据的前提下，联合3家同业机构交换黑产标签特征，扩展欺诈样本库至800万+，模型泛化能力提升18%，当年新识别欺诈模式同比增加40%。

负责小微商户贷产品的反欺诈策略落地，聚焦设备环境、经营真实性、资金流向三大风险场景，搭建‘规则+模型’双驱动的防御体系，支撑业务年度放款规模从50亿增长至120亿。

• 针对小微商户‘空壳注册+虚假经营’欺诈高发问题，设计‘三要素验证策略’：通过工商数据核验营业执照真实性，调用银联商务API比对企业POS机流水与申报营收匹配度，结合设备指纹识别‘一机多户’现象；策略上线后，商户欺诈拒件率从12%提升至28%，经人工复核确认的虚假商户占比从6.7%降至2.1%，支撑该产品不良率稳定在1.5%以内。
• 优化贷中监控策略：基于用户交易频次、收款方集中度、夜间异常转账等42项行为指标，构建XGBoost风险预警模型，对高风险商户触发‘额度冻结-二次认证-终止授信’阶梯式处置；模型上线6个月内，识别出37个‘资金归集洗钱’团伙，提前拦截潜在损失2300万元，模型KS值达0.68，优于行业平均水平15%。
• 推动策略知识沉淀与团队赋能：整理《小微商户反欺诈特征手册》（包含8大类217个风险特征），开发内部策略培训课程并覆盖风控、运营团队120人；2021年Q4主导新人策略评审，将策略设计错误率从18%降至5%，团队整体策略迭代效率提升30%。

协助反欺诈策略组完成基础规则库维护、欺诈样本标注及策略效果验证，参与消费分期产品的早期风险防控体系建设。

• 负责欺诈样本标注与特征工程：基于人工复核的2万+欺诈案例，标注设备指纹异常（如Root/越狱设备）、身份信息不一致（如身份证照片与活体检测人脸偏差超阈值）等12类基础风险标签，构建初始欺诈样本库；通过特征筛选工具（如ChiMerge分箱）提取156个有效特征，为后续模型训练提供数据支撑。
• 参与贷前规则迭代：分析历史欺诈数据发现‘申请人手机号与联系人手机号归属地重合度超80%’的异常模式，提出将该特征纳入基础规则库；规则上线后，拦截同一地区号码集群注册的欺诈申请4200余笔，涉及资金1600万元，当年该产品欺诈率从0.25%降至0.18%。
• 支持策略效果验证：搭建简易A/B测试平台，对比新旧规则下的资损率、审批通过率、用户投诉率等指标；输出《规则优化效果报告》，为团队决策提供数据依据，相关分析方法被纳入部门标准流程。

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。

• 因痛心于年轻人对历史的疏离，我在B站创立「古人脱口秀」栏目，用职场梗解构历史事件（如《雍正皇帝的KPI保卫战》）。通过设计「颠覆认知-史料佐证-现代共鸣」三幕剧本模板，单期视频最高收获1.7万条弹幕互动。
• 两年间栏目播放量突破180万，作品被多地中学选为教学素材。这段经历磨砺出将学术内容转化为大众语言的能力，也让我理解到真实用户反馈才是创作者的指南针。