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%。

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。

• 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。