负责消费金融全链路（贷前准入、贷中监控、贷后处置）反欺诈策略设计与落地，协同模型、数据、产品团队实现欺诈风险闭环管控，聚焦小微企业主、大学生等细分客群的风险特征挖掘与策略迭代

• 主导设计小微企业主贷款“分层级+多维度”贷前反欺诈策略体系：整合工商登记、税务申报、运营商话单等12类外部数据，用XGBoost构建欺诈概率预测模型（纳入企业关联人交叉验证、纳税额与营收匹配度等28个特征），叠加“异常经营地址与法人户籍地跨区距离”“近6个月手机号归属地变更频次”等规则，解决前期因数据维度不足导致的欺诈漏检问题——上线后该场景欺诈拒贷率从10%提升至28%，误拒率控制在4.5%以内，支撑业务季度放款量增长35%
• 优化贷中实时监控策略应对黑产撞库攻击：针对某批次新注册账户“异常登录+高频小额试探交易”行为，引入LSTM时序模型捕捉“登录IP跳转频率”“交易金额随机化程度”的异常序列模式，联动风控系统实现分钟级拦截；处理单月1.2万笔可疑交易（涉及金额450万元），将该类黑产攻击的成功拦截率从60%提升至92%
• 推动反欺诈策略与消费分期产品的差异化落地：作为策略负责人参与大学生客群产品升级，结合“学籍验证+社交关系图谱分析”设计策略——协同产品团队将“学信网认证有效性校验”“好友信用分加权评分”嵌入申请流程，上线后该客群欺诈率从1.2%降至0.35%，同时保持92%的申请转化率，成为公司低风险客群的标杆策略
• 搭建反欺诈策略效果评估与迭代体系：基于混淆矩阵、KS值、AUC及自定义“风险-收益比”指标，建立“日度监控（策略触发率/拦截率）、周度复盘（误拒/漏检案例归因）、月度迭代（规则权重调整/模型特征更新）”机制；针对贷后失联修复成功率低问题，通过关联分析发现“紧急联系人近3个月通话时长”与失联率的负相关关系，调整触达策略后成功率提升25%，降低不良资产回收成本约18%

协助资深策略师搭建个人信贷业务反欺诈策略框架，参与数据挖掘、规则优化及效果分析，聚焦身份冒用、团伙欺诈等典型风险的策略落地

• 参与个人消费贷反欺诈规则初始设计：基于决策树算法分析10万+历史欺诈样本，提取“收入证明与社保缴纳基数差异率＞50%”“联系人手机号归属地TOP3集中度＞80%”等15条基础规则，上线后将业务初始欺诈拒贷率从8%提升至15%，为后续策略迭代奠定数据与规则基础
• 负责欺诈样本标注与特征工程：针对“身份冒用”风险，整合人行征信、第三方支付数据，构建“身份信息一致性得分”“设备指纹重复度”“通讯录风险联系人占比”等8个特征，协助模型团队将欺诈预测模型AUC从0.78提升至0.85，风险识别准确率提高12个百分点
• 跟踪策略效果并优化：每周输出《反欺诈策略运行报告》，发现“异地登录后高频交易”场景误拒率达12%；通过逻辑回归定位“登录IP变更频率”权重过高问题，调整后误拒率降至6%，同时保持欺诈检出率稳定在9%以上

负责金融业务数据清洗、分析与挖掘，为风险策略提供数据支持，参与早期反欺诈特征开发与样本标注

• 搭建风险数据仓库：清洗整合内部用户行为、交易数据及外部征信、运营商数据，解决数据分散、标准不统一问题，为后续策略设计提供完整、标准化的数据源
• 开发初始反欺诈特征：用统计方法分析交易频次、金额、时间分布，提取“单日交易笔数超历史均值3倍”“夜间22:00-02:00交易占比＞40%”等特征，协助策略团队设置第一批交易异常预警规则，上线后识别120余笔可疑交易（涉及金额210万元）
• 欺诈案例特征归因：分析1000+笔欺诈样本，发现“新用户首单大额消费+陌生设备登录”组合特征出现频率达35%，将结论反馈策略团队，后续该特征被纳入贷前策略规则，提升早期欺诈拦截率约18%

消费金融资产组合智能预警与动态定价系统构建

• 项目背景：公司消费金融业务规模扩张至320亿元时，传统T+1规则引擎预警滞后，叠加静态征信定价策略无法适配客群风险差异，2021年末资产逾期率攀升至4.8%（超行业均值0.5pct）。核心目标是搭建“实时风险感知+动态收益适配”的智能系统，解决“风险识别慢、定价不精准”的核心痛点。
• 关键难题与技术：一是多源异构数据（支付流水、央行征信、APP行为轨迹、第三方反欺诈标签）的实时融合，传统批量计算无法满足秒级响应要求；二是用户跨平台借贷、设备关联等非线性风险难以被逻辑回归捕捉；三是业务团队对“黑盒模型”的信任障碍，担心影响客群拓展效率。
• 核心行动与创新：主导跨数据、算法、业务三方需求对齐，整合12个数据源搭建Flink实时数据管道（端到端延迟<500ms）；创新设计“XGBoost个体风险建模+图神经网络（GNN）关联风险挖掘”混合架构——XGBoost捕捉用户还款能力、消费波动等个体特征，GNN识别共同借款人、设备复用等隐性关联，将风险关联度识别率提升42%；同步开发模型可解释性模块（集成LIME与SHAP），输出“风险因子归因报告”，每月联动业务部门开展模型置信度培训，消除“模型不可控”顾虑。
• 成果与价值：系统上线后，逾期预警准确率从72%提升至89%（提前3-7天识别风险），动态定价策略让高风险客群利率上浮15%、低风险客群下浮10%，2023年全年年化坏账损失减少2300万元；业务部门模型采纳率从40%提升至85%，支撑消费金融规模同比增长28%的同时，逾期率降至3.9%（低于行业均值0.4pct）。我沉淀的“实时+关联+可解释”风控系统框架，成为公司后续同类项目的标准范式。

小微商户信贷全场景风险画像体系构建与规模化落地

• 项目背景：公司小微商户贷款业务面临“数据薄、区分度低”困境——传统评分卡仅依赖收单流水与征信，AUC仅0.68，导致拒贷率35%但坏账率仍达2.1%，无法平衡风险与客群覆盖。目标是构建“多维度、高精准”的风险画像，提升小微客群的风险识别能力。
• 关键难题与技术：一是多模态数据标准化——收单结构化数据、舆情非结构化文本、经营场景图像（店铺门头照、收银台客流）缺乏统一特征提取逻辑；二是样本极度不平衡（好客户占比98%），传统模型易偏向多数类；三是外部数据（电商交易、税务信息）的合规性与关联性验证。
• 核心行动与创新：牵头梳理“经营能力-信用状况-行为稳定性-外部关联”15个风险维度，整合收单、舆情、工商、电商4类数据源；针对多模态数据，用BERT提取舆情中的“负面经营事件”（如投诉、诉讼）特征，用ResNet-50计算机视觉模型分析店铺图像的“客流密度”“经营时长”等隐性特征；采用SMOTE过采样+加权随机森林处理样本不平衡，将坏样本召回率从62%提升至81%；通过迁移学习引入电商平台“店铺评分”“复购率”数据，补充小微商户经营稳定性特征。
• 成果与价值：风险画像体系落地后，评分卡AUC提升至0.82，拒贷率下降12%至31%，但坏账率保持在2.0%以内；支撑小微贷款余额从12亿元增长至55亿元（年复合增长率108%），成为公司小微业务核心风控工具。我主导的特征工程与模型迭代方法论，在公司内部分享3次，推动风控团队从“征信依赖”转向“全场景行为分析”。

• 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。