主导消费金融全产品线（信用贷/循环贷/场景分期）的反欺诈策略设计与迭代，覆盖贷前准入、贷中监控、贷后处置全流程，协同数据、模型、运营团队构建基于设备指纹、关联网络、行为序列的多维度欺诈防御体系，目标将资损率控制在0.08%以内并平衡用户体验。

• 针对2023年Q2突发的‘养号套现’黑产攻击（通过批量注册虚拟设备+伪造消费轨迹骗取额度），牵头设计‘设备可信度分层+行为时序异常检测’复合策略：基于自研设备指纹SDK（集成IMEI/AndroidID/蓝牙MAC多源校验）识别虚拟设备伪装，结合LightGBM模型对用户首笔交易时间分布、页面停留时长波动等237维行为特征建模，输出风险评分；同步优化规则引擎阈值，将黑产识别准确率从78%提升至92%，当月拦截欺诈申请1.2万笔，涉及资金4800万元，资损率环比下降21%。
• 主导搭建‘黑产关联网络分析平台’，接入央行征信、司法涉诉、第三方支付流水等外部数据，运用图神经网络（GNN）挖掘‘同设备多账户’‘同IP集群注册’‘资金闭环流转’等隐蔽关联关系，识别出12个跨产品线的欺诈团伙（单团伙平均涉案金额超300万）；推动将关联分纳入贷中监控策略，触发后自动冻结账户并启动人工复核，全年阻断团伙欺诈损失7600万元，误触正常用户比例控制在0.3%以下。
• 优化策略自动化迭代流程：基于A/B测试框架设计‘策略效果-业务影响’双维度评估模型，开发策略调优工具包（集成SHAP值解释、特征重要性排序功能），将单次策略迭代周期从7天缩短至3天；2024年主导完成12次大版本策略更新，贷前欺诈拦截率从85%提升至91%，误拒率从4.2%降至3.1%，支撑业务审批效率提升25%。
• 应对监管‘断直连’政策调整，协同合规部梳理反欺诈数据使用边界，重构基于联邦学习的跨机构风险信息共享机制；在不传输原始数据的前提下，联合3家同业机构交换黑产标签特征，扩展欺诈样本库至800万+，模型泛化能力提升18%，当年新识别欺诈模式同比增加40%。

负责小微商户贷产品的反欺诈策略落地，聚焦设备环境、经营真实性、资金流向三大风险场景，搭建‘规则+模型’双驱动的防御体系，支撑业务年度放款规模从50亿增长至120亿。

• 针对小微商户‘空壳注册+虚假经营’欺诈高发问题，设计‘三要素验证策略’：通过工商数据核验营业执照真实性，调用银联商务API比对企业POS机流水与申报营收匹配度，结合设备指纹识别‘一机多户’现象；策略上线后，商户欺诈拒件率从12%提升至28%，经人工复核确认的虚假商户占比从6.7%降至2.1%，支撑该产品不良率稳定在1.5%以内。
• 优化贷中监控策略：基于用户交易频次、收款方集中度、夜间异常转账等42项行为指标，构建XGBoost风险预警模型，对高风险商户触发‘额度冻结-二次认证-终止授信’阶梯式处置；模型上线6个月内，识别出37个‘资金归集洗钱’团伙，提前拦截潜在损失2300万元，模型KS值达0.68，优于行业平均水平15%。
• 推动策略知识沉淀与团队赋能：整理《小微商户反欺诈特征手册》（包含8大类217个风险特征），开发内部策略培训课程并覆盖风控、运营团队120人；2021年Q4主导新人策略评审，将策略设计错误率从18%降至5%，团队整体策略迭代效率提升30%。

协助反欺诈策略组完成基础规则库维护、欺诈样本标注及策略效果验证，参与消费分期产品的早期风险防控体系建设。

• 负责欺诈样本标注与特征工程：基于人工复核的2万+欺诈案例，标注设备指纹异常（如Root/越狱设备）、身份信息不一致（如身份证照片与活体检测人脸偏差超阈值）等12类基础风险标签，构建初始欺诈样本库；通过特征筛选工具（如ChiMerge分箱）提取156个有效特征，为后续模型训练提供数据支撑。
• 参与贷前规则迭代：分析历史欺诈数据发现‘申请人手机号与联系人手机号归属地重合度超80%’的异常模式，提出将该特征纳入基础规则库；规则上线后，拦截同一地区号码集群注册的欺诈申请4200余笔，涉及资金1600万元，当年该产品欺诈率从0.25%降至0.18%。
• 支持策略效果验证：搭建简易A/B测试平台，对比新旧规则下的资损率、审批通过率、用户投诉率等指标；输出《规则优化效果报告》，为团队决策提供数据依据，相关分析方法被纳入部门标准流程。

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。