负责消费金融贷前/贷中环节反欺诈策略设计与落地，整合用户行为、设备信息、第三方征信多源数据搭建异常检测体系，协同模型团队优化规则，平衡业务风险防控与用户体验

• 主导设计“用户行为轨迹+设备指纹”双层欺诈识别规则，使用Spark日均处理100万+交易数据，提取“30分钟内跨5城登录”“支付鼠标轨迹机械规律”等23个高风险特征，落地决策引擎后贷前欺诈拦截率从18%提升至32%，误拒率控制在5%内
• 针对黑产“养号套现”模式，用Neo4j构建用户社交关系网络，识别“账号-设备-手机号”关联欺诈团伙47个，推动策略升级为“关联节点风险分加权计算”，该类案件数量下降65%
• 协同数据团队用Flink搭建实时反欺诈特征库，实现“1小时内同一IP发起10笔申请”等5个实时特征加工，将欺诈识别延迟从3分钟缩至20秒，支撑营销活动实时风控，活动期间欺诈损失减少40万元
• 每月输出风险分析报告，结合“AI换脸仿冒身份”等行业黑产动态，提出“提升人脸识别活体检测阈值”等建议，80%被采纳，当月欺诈率环比下降11%

负责全产品线（消费贷、小微贷）跨场景反欺诈联防，搭建机器学习+规则混合策略体系，推动风险从“被动拦截”向“主动预判”转型，支撑业务规模化扩张

• 主导搭建“规则+模型”混合策略框架，用XGBoost训练欺诈概率模型（AUC0.89，42个输入特征），准确率提升至78%；保留15条核心规则控制置信区间外风险，漏检率从12%降至7%
• 针对小微贷“虚假经营地址”欺诈，联合第三方获取工商、水电煤数据，设计“地址一致性校验规则”（匹配度<80%触发人工复核），该场景欺诈率从9%降至3%，小微贷通过率提升5%
• 开发策略回溯工具（基于Python Scikit-learn/Pandas），实现“上线-监测-调整”闭环，将迭代周期从2周缩至3天；针对“短信验证码劫持”，3天内完成规则调整（验证码发送IP与设备定位偏差>50公里拦截），避免20万元损失
• 输出《消费金融反欺诈策略手册》（覆盖特征工程、规则设计等6模块），培养2名新人，团队策略输出效率提升40%

统筹集团消费金融、财富管理、保险经纪三大板块反欺诈体系，搭建全生命周期防控框架，解决数据隐私下跨机构风险联防问题，支撑业务增长与风险收益平衡

• 主导设计集团全生命周期反欺诈框架：获客用联邦学习识别“黑产引流账号”，贷前用GNN挖掘跨板块关联风险，贷中用流计算监控资金流向，贷后用迁移学习预警逾期；上线后整体欺诈率从8%降至4.5%，年损失减少1200万元
• 推动联邦学习平台落地，联合3家机构训练“跨机构欺诈识别模型”（AUC0.85，不传原始数据），识别跨机构欺诈用户1200+，避免联合损失约500万元
• 建立“欺诈手法知识库”，每月更新10+种新型手法策略；针对“深度伪造语音仿冒申请”，引入声纹鉴伪+“语音内容与信息一致性校验”，拦截率从30%提升至85%
• 推动反欺诈商业价值转化：优化规则使消费金融获客成本下降15%（从200元/人到170元/人）；输出反欺诈能力给中小机构，年新增技术服务费收入300万元；主导项目获集团技术创新奖，成行业标杆

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”。

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。