负责公司线上消费信贷产品全生命周期反欺诈策略设计、迭代与落地，联动数据建模、技术及业务团队识别黑产新型欺诈模式，通过规则优化与策略创新降低欺诈资损，支撑业务规模化增长

• 主导设计针对“冒名顶替身份申请”的贷前反欺诈策略，基于设备指纹（Device Fingerprint）、IP地理围栏（IP Geo-fencing）及多头借贷特征库，结合XGBoost监督学习模型的欺诈概率分，搭建“设备一致性校验→IP异常行为识别→身份信息交叉验证”三层漏斗拦截规则；解决此前黑产利用虚拟设备批量注册导致的欺诈率偏高问题（初始0.82%），策略上线后将场景欺诈率压降至0.21%，月均拦截欺诈申请1.2万笔
• 深度协同数据团队与研发部优化贷中实时监控策略，将原批处理规则引擎升级为Flink流处理框架，整合用户交易频率、金额波动、商户关联度等15项实时指标，设置“单小时交易≥5次且累计金额≥2万元”动态阈值；针对“团伙集中套现”场景，将实时拦截率从78%提升至92%，资损率从0.15%降至0.04%
• 牵头搭建“新客异常行为画像”体系，基于Isolation Forest无监督学习挖掘未逾期用户隐性欺诈特征（如注册后频繁更换绑定手机号、短时间尝试多产品申请），将画像标签融入贷前决策树，新增“高风险新客拦截”规则；覆盖“白户欺诈”盲区，新客欺诈率从0.35%降至0.11%，同时保证新客转化率仅下降0.8%
• 主导季度欺诈风险复盘与策略迭代，分析2024年Q3“AI换脸伪造身份材料”新攻击手段，联动建模团队训练GAN增强鲁棒性的人脸识别对抗样本检测模型，将模型输出作为策略补充规则；成功拦截该类欺诈申请3000余笔，避免资损约180万元

协助资深策略师完成消费分期业务反欺诈规则维护、效果跟踪及场景分析，参与策略优化支撑业务风险可控

• 协助梳理贷前申请环节基础欺诈规则，整理10万条历史欺诈样本特征（如身份证有效期异常、手机号归属地与工作地矛盾），提炼“身份信息矛盾点”规则集；应用于贷前筛选，初期欺诈拦截率提升15%，月均减少欺诈损失约20万元
• 参与贷中监控策略效果评估，用SQL提取近6个月交易数据，分析“同一商户高频小额交易”场景资损占比（达贷中欺诈35%），提出“商户日交易≥8次且累计金额≥1.5万元”阈值调整建议；优化后该场景资损率下降22%，策略纳入常规监控体系
• 搭建欺诈案例知识库，分类整理200余起案例（涵盖身份冒用、团伙作案、资料造假），标注关键特征与应对策略；使新分析师熟悉业务时间缩短30%，成为团队新人培训核心资料

负责风控数据日常运营与清洗，支持反欺诈策略数据需求，保障数据质量与可用性

• 主导风控数据字典标准化建设，梳理贷前、贷中、贷后200余项数据指标定义（如设备指纹唯一性、多头借贷统计周期）；解决数据口径不一致导致的策略开发延误问题，数据需求响应时间从3天缩短至1天
• 优化欺诈样本标注流程，引入众包平台+人工审核机制，将样本标注准确率从85%提升至95%；支撑反欺诈模型训练，模型AUC从0.78提升至0.83，间接提高策略命中率
• 用Python编写自动化脚本监控数据管道稳定性，每周生成数据质量报告；解决数据延迟导致的策略失效问题（如贷中监控延迟1小时致3笔欺诈未拦截），数据延迟率从10%降至2%，保障策略实时性

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。