负责公司消费金融全产品线（包括线上现金贷、场景分期、循环额度）的实时交易反欺诈策略设计与迭代，覆盖贷前准入、贷中监控、贷后资金流向追踪三大场景，需平衡欺诈风险防控与业务转化效率，支撑年放款规模超80亿的资产质量稳定性。

• 主导设计基于异构图神经网络（HGNN）的团伙欺诈识别策略，通过Neo4j构建用户-设备-手机号-IP的四维关联网络，融合XGBoost与图嵌入特征（如社区中心性、边权重异常度），将跨机构团伙欺诈捕获率从68%提升至89%，单月拦截欺诈损失超2300万元，同时通过动态规则阈值调优将误拒率控制在5.2%以内（较原策略下降1.8pct）。
• 针对新型AI换脸伪冒申请风险，牵头开发多模态行为特征体系：提取人脸视频微动作（如眨眼频率方差、头部偏转幅度）、设备传感器数据（陀螺仪抖动频率、触控压力分布）等12类弱监督特征，结合LightGBM构建二级分类模型，在日均10万+新客进件中识别出伪装度90%以上的AI换脸欺诈，模型KS值达0.67（行业平均0.55）。
• 推动实时决策引擎（Flink）策略模块重构，设计‘规则+模型+图计算’三层漏斗架构：首层用设备指纹（TrustID）与IP信誉库拦截已知风险（拦截率35%），二层用轻量级逻辑回归模型过滤高风险客群（拦截率28%），三层用图神经网络识别隐蔽团伙（拦截率18%），整体策略响应时间从200ms压缩至80ms，支撑双11大促期间12万笔/秒的交易峰值。
• 建立反欺诈策略生命周期管理体系：通过PSI监控特征分布漂移（设定阈值0.15）、AUC跟踪模型区分度衰减（周环比下降超0.03触发重训）、业务指标联动分析（欺诈率与通过率的帕累托前沿优化），推动策略季度迭代效率提升40%，年度欺诈率从1.8%降至1.1%，业务通过率提升7.3pct。

聚焦互联网金融信贷业务（覆盖医美、教育、3C数码场景）的贷前反欺诈策略开发，支撑日均5万+新客进件的风险防控，需解决黑产批量养号、身份信息冒用等新型欺诈问题。

• 独立落地首套无监督欺诈检测方案：基于DBSCAN聚类分析用户设备环境特征（Root状态、模拟器参数、字体库完整性），结合Isolation Forest识别异常点，成功捕捉到通过虚拟设备池批量注册的黑产团伙（涉及账号8762个），上线3个月内拦截欺诈申请占比从0.9%提升至2.3%，误报率控制在0.7%以下。
• 搭建反欺诈智能监控看板（Superset+Redis），定义28项核心指标：包括设备重复激活率（当日同一设备注册≥3次的比例）、IP地址集中度（前100IP承载进件占比）、身份信息跨平台匹配度（与公安库姓名-身份证号一致性），实现风险趋势小时级预警，支撑运营团队4小时内响应突发黑产攻击（如某IP段1小时内发起1.2万次进件）。
• 优化传统规则引擎的局限性：将‘身份证归属地与IP归属地不一致’等静态规则替换为基于PSI的动态阈值规则——当某地区IP进件量周环比增长50%时，自动收紧该地区身份核验等级（要求额外上传银行卡四要素），误拒率从12%降至8%，同时欺诈漏检率下降4pct。
• 推动模型可解释性建设：通过SHAP值分析定位XGBoost模型的关键特征（如‘近30天注册APP数量’‘通讯录联系人中逾期用户占比’），针对性补充社交关系维度特征（调用通讯运营商数据获取紧急联系人逾期状态），模型AUC从0.82提升至0.87，业务团队对策略的信任度提高35%。

协助搭建消费分期业务（手机、家电零售场景）的反欺诈基础策略体系，支持业务从0到1的风险防控能力建设，需快速响应早期黑产试探性攻击。

• 参与设计首版贷前准入规则库：基于设备信息（IMEI唯一性校验）、身份核验（身份证OCR+活体检测）、运营商数据（在网时长≥6个月）设置15条基础规则，上线首月拦截伪冒申请30%（主要为重复身份证+虚拟手机号组合攻击），保障业务初期资产不良率低于1.5%。
• 协助构建标注样本库：梳理历史进件中的欺诈案例（经人工复核确认的虚假身份、多头借贷），标注2000+条负样本与8000+条正样本，覆盖‘身份冒用’‘设备养号’‘团伙包装’三类主要欺诈模式，支撑后续监督学习模型的训练数据需求。
• 优化黑灰名单管理流程：引入第三方数据（如同盾、百融）交叉验证，将名单覆盖率从65%提升至82%，同时设计‘灰名单观察期’机制（标记可疑用户但不直接拒绝，监测其后续行为），避免误伤潜在优质客群，名单误杀率从18%降至9%。
• 参与策略效果后评估：使用混淆矩阵计算各规则的精确率与召回率，淘汰‘通讯录联系人数量＜5’等低效规则8条（拦截率＜0.5%且误拒率＞3%），释放决策引擎计算资源15%，支撑大促期间进件处理能力提升20%。

消费信贷全生命周期反欺诈体系迭代项目

• 项目背景：公司消费信贷业务年增速超40%，但新型团伙欺诈（如“养号套现”“跨平台撞库”）导致欺诈损失季度环比上升25%；传统规则引擎依赖静态特征，漏报率达18%、误拒率达12%，既影响风险防控效果，又制约业务转化效率。我的总体职责是主导全生命周期反欺诈体系迭代，统筹策略设计、模型研发及与技术、运营团队的协同落地，目标是将欺诈漏报率控制在2%以内、误拒率降至3%以下。
• 关键难题：一是传统规则无法识别隐藏关联风险——团伙作案往往通过多层间接关系规避静态检测；二是实时决策延迟高——原有 pipeline 依赖离线特征计算，决策耗时超500ms，导致用户体验下降（放款时效从10分钟延长至15分钟）。
• 核心行动：1）深度调研120+起欺诈案例，归纳“多账号弱关联”“跨产品资金流转”等4类新型模式，针对性设计图神经网络（GNN）关系图谱方案；2）用Flink重构实时特征计算链路，整合设备指纹、交易行为、社交关系等8类实时数据，将特征生成延迟从300ms压缩至80ms；3）搭建“规则+模型”动态阈值机制——基于GNN输出的团伙欺诈概率，自动调整规则触发灵敏度（如将高风险客群的规则阈值从80分降至70分，低风险客群从60分提至75分）。
• 项目成果：欺诈识别率从82%提升至98.5%（漏报率降至1.2%），误拒率从12%降至2.5%；每月减少欺诈损失约850万元，业务通过率提升17%，支撑季度放款量增长30%；主导的GNN关系图谱及实时决策架构被纳入公司技术中台，复用至3条信贷产品线，个人获评2023年度“风险防控突出贡献者”。

小微商户经营性贷款信用评估模型优化项目

• 项目背景：公司拓展小微商户经营性贷款业务，但传统模型依赖财务报表（仅25%商户能提供规范数据），模型AUC仅0.71，区分度不足；不良率升至4.8%，超过风险容忍线（4%）。我的职责是挖掘替代数据价值，优化信用评估模型，目标是AUC提升至0.8以上、不良率控制在4%以内。
• 关键难题：一是替代数据噪声大——收单流水中的“刷单”“异常退款”、电商平台的“虚假交易”干扰特征有效性；二是样本不平衡——不良样本占比仅1.8%，传统模型易过拟合。
• 核心行动：1）整合10类替代数据（收单流水、电商平台交易、税务申报、POS机布放密度），设计280+维特征（如“近3个月流水波动系数”“夜间交易占比”“跨平台复购率”），通过IV值+信息增益筛选出45+高区分度特征；2）采用SMOTE-ENN算法处理不平衡数据——先通过SMOTE扩充少数类样本，再用ENN剔除噪声样本，保持原始数据分布的同时解决过拟合问题；3）构建“XGBoost+LightGBM”融合模型——融合XGBoost的高精度与LightGBM的训练速度，同时引入L1正则化抑制过拟合。
• 项目成果：模型AUC提升至0.82，区分度较原模型提升15.5%；不良率降至3.1%（低于风险容忍线），小微贷放款量增长35%，覆盖15万+商户；模型解释性优化——通过SHAP值输出“交易稳定性”“资金回笼周期”等12个核心驱动因素，业务人员对模型的信任度提升40%；该模型成为公司小微业务核心风控能力，支撑普惠金融战略落地，个人获业务部门“最佳协作奖”。

• 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。