负责消费金融业务全链路反欺诈策略设计与迭代，通过设备指纹、图计算等技术识别团伙欺诈、身份冒用等风险，联动数据与技术团队落地策略并持续优化模型效果，支撑年放款量超200亿的信贷业务风险防控。

• 主导设备指纹体系升级项目，针对黑产改机、模拟器作弊等新型欺诈手段，基于Android/iOS双端SDK采集200+维度硬件特征（如IMEI校验码、GPU渲染参数），结合XGBoost构建改机识别模型，将设备伪造识别率从78%提升至92%，年拦截伪冒申请超1.2万笔，减少直接损失3800万元；同步优化设备指纹更新机制，将动态标识响应时效从T+1缩短至实时，支撑秒级授信决策。
• 搭建团伙欺诈图谱分析平台，整合用户手机号、银行卡、设备、IP等15类关系节点，运用Neo4j图数据库与GraphSAGE算法挖掘隐蔽关联关系，识别出3个跨区域欺诈团伙（涉及账户2300+），推动策略规则新增‘关联账户逾期率＞30%则拦截’等9条强约束条件，团伙欺诈案件量环比下降65%，误报率控制在1.2%以内。
• 设计分层式反欺诈策略架构，将风险等级划分为‘高风险拦截’‘中风险复核’‘低风险放行’三级，通过A/B测试验证策略有效性：高风险规则拦截准确率提升22%，中风险人工复核效率提高40%；同步搭建策略效果监控看板，实时追踪PSI（群体稳定性指数）、KS值等指标，每月输出风险趋势报告，驱动策略迭代频次从季度级缩短至月度级。
• 联动数据团队攻克‘弱特征挖掘’难题，基于LightGBM的特征重要性分析筛选出‘近30天跨应用登录次数’‘通讯录异常联系人占比’等12个高区分度弱特征，纳入策略规则集后，新客欺诈拒识率下降18%，整体模型KS值从0.65提升至0.78。

聚焦贷前欺诈风险防控，负责反欺诈规则库维护、模型策略调优及黑产对抗，支撑个人消费贷、小微经营贷等产品线的风险决策，业务覆盖用户超500万。

• 重构贷前反欺诈规则引擎，针对‘身份信息盗用’场景，引入OCR+NFC人证合一核验技术，结合公安联网核查接口，将虚假身份通过率从4.1%压降至0.8%；同步建立‘身份信息一致性’校验规则（如手机号归属地与工作地匹配度、身份证有效期与年龄逻辑校验），拦截可疑申请7600余笔。
• 主导开发‘设备-位置-行为’三维反欺诈模型，基于HiveETL提取用户设备运动轨迹（如GPS坐标跳跃频率）、APP操作行为（如页面停留时长、输入错误率）等200+行为特征，使用随机森林算法训练分类模型，识别出异常操作用户1.4万人，模型F1-score达0.89，较原规则策略提升27%。
• 应对黑产‘养号套利’攻击，分析历史欺诈样本发现‘注册-绑卡-借款’周期缩短至3天内，据此新增‘首借前7天交易频次＞5次则标记观察’策略，配合短信验证码二次验证，成功阻断养号团伙作案，相关案例被纳入公司年度风险警示库。
• 搭建反欺诈策略知识管理平台，整理300+条有效规则、10类常见欺诈手法及应对方案，组织跨部门培训6场，推动策略经验沉淀与新人培养效率提升50%。

参与消费分期业务基础反欺诈策略搭建，负责数据清洗、规则测试及风险案例复盘，协助团队完成从0到1的风控体系构建。

• 协助梳理贷前准入规则，基于用户基本信息（年龄、收入、征信查询次数）与设备信息（IMEI、MAC地址），设计‘年龄＜22岁且无稳定收入来源则人工复核’等15条基础规则，上线后首月欺诈拒件率达3.5%，为后续策略迭代奠定数据基础。
• 负责风险案例库建设，每日跟踪拒件样本与逾期客户数据，标注‘身份冒用’‘多头借贷’等8类欺诈标签，累计整理有效案例2000+条，支撑策略团队精准定位风险敞口。
• 参与设备指纹初步验证项目，测试主流厂商SDK（如极光、个推）的采集覆盖率与唯一性，输出《设备指纹技术选型报告》，为团队选择支持跨端关联的设备标识方案提供数据支撑。

基于联邦学习的跨机构小微企业信贷联合风控模型构建项目

• 项目背景：针对小微企业信贷场景中合作银行、供应链平台数据分散且无法直接共享的痛点，单机构风控模型因数据量有限导致误拒率达35%、AUC仅0.78的问题，公司目标是构建跨机构联合风控模型，在保护数据隐私前提下提升风险识别能力。我的职责是主导模型设计、跨机构协作机制搭建及落地全流程。
• 关键难题：1）不同机构特征空间异构（如供应链平台的交易频次特征与银行的征信特征无法直接对齐）；2）联邦学习中梯度泄露风险（需平衡隐私保护与模型效果）；3）小样本机构（如区域农商行仅有1万+样本）的模型泛化能力不足。
• 核心行动：1）技术选型：采用横向联邦学习框架，结合加密PCA进行跨机构特征降维对齐，解决特征异构问题；2）隐私保护：融合同态加密（HE）与差分隐私（DP），对梯度进行双层脱敏，经第三方测评梯度泄露风险降低至0.1%以下；3）小样本优化：引入元学习（Meta-Learning）预训练基础模型，用合作机构数据微调，解决单机构样本不足问题。
• 项目成果：1）模型效果：联合模型AUC提升至0.85，误拒率降低22%至27%；2）业务价值：支持12家合作机构上线联合风控，累计服务2.3万家小微企业，放款额达15亿元，欺诈损失率控制在0.08%以内；3）个人贡献：主导完成联邦学习方案设计与落地，推动公司成为区域内首个通过“金融科技隐私计算认证”的企业，形成《跨机构联邦风控实施指南》标准化文档。

智能风控实时决策引擎重构项目

• 项目背景：原有风控决策引擎基于传统规则引擎（Drools），存在响应延迟高（峰值500ms）、规则迭代需代码变更（耗时3-5天）、无法支持高频支付场景（如电商大促期间TPS仅1000）的问题，无法满足业务快速增长的风控需求。我的职责是主导引擎架构重构、性能优化及业务适配。
• 关键难题：1）传统规则引擎扩展性差，新增复杂规则（如多维度组合判断）需重启服务；2）实时计算能力不足，无法处理每秒数千笔交易的风险判断；3）业务人员与技术人员的协作效率低，规则配置需开发介入。
• 核心行动：1）架构升级：采用Apache Flink作为实时计算引擎，设计“分层决策”架构（实时层-准实时层-离线层），将高频规则（如黑名单校验）部署在Flink的ProcessFunction中，实现毫秒级响应；2）低代码设计：开发可视化规则配置界面，支持业务人员通过拖拽组件定义规则（如“近7天交易频次>10次且金额波动>50%”），无需代码编写；3）性能优化：引入Redis缓存高频规则（如黑名单库），将规则查询时间从100ms缩短至10ms，同时通过Flink的状态管理实现规则热更新。
• 项目成果：1）性能提升：决策延迟从500ms降至40ms以内，TPS提升8倍至8000，成功支撑“双11”期间1200万笔交易的实时风控；2）效率优化：规则迭代时间从3-5天缩短至1小时内，业务人员自主配置率提升至90%；3）个人贡献：主导完成引擎重构与上线，推动风控系统从“被动防御”转向“主动实时干预”，业务部门满意度从65%提升至92%，该引擎成为公司核心风控基础设施之一。

• 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。