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

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。