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

消费信贷全生命周期反欺诈体系迭代项目

• 项目背景：公司消费信贷业务年增速超40%，但新型团伙欺诈（如“养号套现”“跨平台撞库”）导致欺诈损失季度环比上升25%；传统规则引擎依赖静态特征，漏报率达18%、误拒率达12%，既影响风险防控效果，又制约业务转化效率。我的总体职责是主导全生命周期反欺诈体系迭代，统筹策略设计、模型研发及与技术、运营团队的协同落地，目标是将欺诈漏报率控制在2%以内、误拒率降至3%以下。
• 关键难题：一是传统规则无法识别隐藏关联风险——团伙作案往往通过多层间接关系规避静态检测；二是实时决策延迟高——原有 pipeline 依赖离线特征计算，决策耗时超500ms，导致用户体验下降（放款时效从10分钟延长至15分钟）。
• 核心行动：1）深度调研120+起欺诈案例，归纳“多账号弱关联”“跨产品资金流转”等4类新型模式，针对性设计图神经网络（GNN）关系图谱方案；2）用Flink重构实时特征计算链路，整合设备指纹、交易行为、社交关系等8类实时数据，将特征生成延迟从300ms压缩至80ms；3）搭建“规则+模型”动态阈值机制——基于GNN输出的团伙欺诈概率，自动调整规则触发灵敏度（如将高风险客群的规则阈值从80分降至70分，低风险客群从60分提至75分）。
• 项目成果：欺诈识别率从82%提升至98.5%（漏报率降至1.2%），误拒率从12%降至2.5%；每月减少欺诈损失约850万元，业务通过率提升17%，支撑季度放款量增长30%；主导的GNN关系图谱及实时决策架构被纳入公司技术中台，复用至3条信贷产品线，个人获评2023年度“风险防控突出贡献者”。

小微商户经营性贷款信用评估模型优化项目

• 项目背景：公司拓展小微商户经营性贷款业务，但传统模型依赖财务报表（仅25%商户能提供规范数据），模型AUC仅0.71，区分度不足；不良率升至4.8%，超过风险容忍线（4%）。我的职责是挖掘替代数据价值，优化信用评估模型，目标是AUC提升至0.8以上、不良率控制在4%以内。
• 关键难题：一是替代数据噪声大——收单流水中的“刷单”“异常退款”、电商平台的“虚假交易”干扰特征有效性；二是样本不平衡——不良样本占比仅1.8%，传统模型易过拟合。
• 核心行动：1）整合10类替代数据（收单流水、电商平台交易、税务申报、POS机布放密度），设计280+维特征（如“近3个月流水波动系数”“夜间交易占比”“跨平台复购率”），通过IV值+信息增益筛选出45+高区分度特征；2）采用SMOTE-ENN算法处理不平衡数据——先通过SMOTE扩充少数类样本，再用ENN剔除噪声样本，保持原始数据分布的同时解决过拟合问题；3）构建“XGBoost+LightGBM”融合模型——融合XGBoost的高精度与LightGBM的训练速度，同时引入L1正则化抑制过拟合。
• 项目成果：模型AUC提升至0.82，区分度较原模型提升15.5%；不良率降至3.1%（低于风险容忍线），小微贷放款量增长35%，覆盖15万+商户；模型解释性优化——通过SHAP值输出“交易稳定性”“资金回笼周期”等12个核心驱动因素，业务人员对模型的信任度提升40%；该模型成为公司小微业务核心风控能力，支撑普惠金融战略落地，个人获业务部门“最佳协作奖”。

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。