负责消费金融全生命周期反欺诈策略设计与迭代，联动模型、数据及业务团队搭建实时风险防控体系，聚焦团伙欺诈、账号盗用、虚假身份等核心场景的精准拦截与误拒优化，支撑业务在风险可控下的规模增长

• 主导消费金融贷前反欺诈规则体系升级，基于设备指纹（Device Fingerprint）、IP地理围栏与历史欺诈样本库，运用决策树（Decision Tree）与FP-Growth关联规则算法，挖掘出“跨3省以上批量注册+养号15天以上+首次借款金额异常集中”3类新型团伙欺诈模式，设计12条差异化拦截规则（如设备MAC地址重复且近7天登录5个以上陌生城市）；上线后欺诈申请率从4.1%降至2.9%，误拒率通过A/B测试优化规则权重（将“手机号归属地与社保缴纳地一致性”权重从0.3调至0.5），控制在1.2%以内，客诉率同步下降40%
• 核心参与搭建实时反欺诈知识图谱，整合用户设备信息、行为轨迹（如页面停留时长、输入错误次数）、社交关系（通讯录关联账号）等15维数据，用Neo4j构建“账号-设备-手机号-收款账户”四层关联模型，识别出隐藏的“同一设备关联8个异常账号+共享收款账户”欺诈团伙，将团伙欺诈检出率从15%提升至35%；推动图谱与规则引擎（如阿里云RiskControl）的实时联动，风险信号传递延迟从500ms缩短至100ms，实现“秒级拦截”
• 针对模型漏判的“低额度（≤5000元）高频交易（日3次以上）”场景，提取用户近30天交易频率波动（标准差≥2）、金额离散度（变异系数≥0.8）、设备切换率（日均换设备≥1次）8个特征，设计梯度阈值策略（如“频率波动≥3且金额离散度≥0.9则拦截”），将该场景漏判率从22%降至8%；每周输出《策略效果诊断报告》，推动模型团队调整“交易时间异常”特征的权重（从0.2提至0.4），整体模型KS值从0.82提升至0.85
• 牵头处理某批次虚假身份注册事件（涉及2000+账号），通过日志溯源定位到合作渠道的“虚拟手机号+动态IP代理”漏洞，协同风控、合规与渠道团队制定“渠道IP白名单+手机号二次验证”整改方案，关闭12个高风险渠道；输出《渠道欺诈风险防控SOP》，明确“新渠道接入需提供IP来源证明+前3个月欺诈率≤0.1%”的要求，后续同类事件发生率下降90%

协助搭建信用卡业务反欺诈策略框架，聚焦虚假申请、套现、盗刷等场景的风险识别，参与策略测试、迭代与效果评估，支持业务端风险防控需求落地

• 辅助设计信用卡虚假申请识别策略，基于央行征信、运营商话费账单与第三方黑名单（如同盾），用逻辑回归（Logistic Regression）筛选出“手机号归属地与工作地跨市+收入证明与社保基数偏差＞30%+联系人手机号为空”6个高区分度特征，设计8条拦截规则；上线后将虚假申请率从4.5%降至1.8%，并通过引入“申请页面鼠标移动轨迹（如快速勾选同意条款）”行为特征，将误拒率从2.1%降至0.9%，减少优质客户流失
• 参与线下POS机套现实时监控策略优化，提取“交易时间（凌晨0-5点）+商户类型（餐饮类夜间交易占比＞50%）+交易金额（整数大额如5000、10000元）”特征，设计梯度预警规则（如“触发2个条件则弹窗提醒，触发3个则实时冻结账户”）；推动策略与支付系统对接，实现套现交易“实时拦截+人工复核”，每月减少资金损失约200万元；事后通过案例复盘，将“商户注册时间＜3个月”纳入规则，套现检出率再提升10%
• 搭建反欺诈策略效果指标体系（涵盖欺诈率、误拒率、拦截时效、客诉率），每周输出策略表现报告，识别出3条失效规则（如“某地区IP拦截规则”因用户迁移导致误拒率从1%升至3%）；反馈后调整为“IP异常+交易金额＞账户余额80%”的组合规则，整体策略有效性提升25%；同时参与虚拟信用卡新产品策略设计，提前识别“无实体卡易被盗刷”风险，制定“首次交易需短信+人脸双重验证”规则，保障产品上线零重大欺诈事件

协助收集整理反欺诈数据，参与规则测试与案例分析，支持资深策略师完成策略设计与优化，沉淀欺诈场景特征与应对经验

• 协助搭建反欺诈样本库，整合贷前（申请信息）、贷中（交易行为）、贷后（还款记录）的欺诈案例数据，标注欺诈类型（身份冒用、虚假资料、团伙作案），累计标注样本1.2万条；优化标注流程（引入众包平台+人工交叉审核），将标注效率提升30%，样本准确率达98%，为后续策略模型训练提供高质量数据支持
• 参与规则测试与验证，用SQL查询历史交易数据，验证资深策略师设计的“设备指纹异常则拦截”规则，发现对老旧设备（如安卓6.0以下）误拒率高达5%；反馈后调整为“设备指纹异常+近7天登录陌生城市”组合规则，误拒率降至1.5%，该规则后续纳入贷前基础拦截策略
• 分析1000+欺诈案例，总结“同一手机号注册3个以上账号+频繁更换登录设备+收款账户为个人账户”3类常见模式，形成《欺诈案例特征手册》；其中“登录设备与收货地址不一致”特征被纳入贷前申请拦截规则，提升10%的欺诈识别率；手册成为新人培训的核心材料，帮助团队快速掌握欺诈场景规律

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。

支教时发现乡村小学因缺乏实验器材，科学课多停留在课本讲解。返校后联合实验室开发出百元级科学实验背包，内含20个基础实验器材。为确保可持续运营，设计配套视频课程与城乡结对系统，并培训132名大学生担任远程助教。项目覆盖9省47所学校后，学生科学兴趣评分提升35%。这段经历教会我用产品思维解决社会问题，当看到孩子们用自制望远镜发现土星光环时，我理解了教育的真谛是点燃可能性。