负责公司消费金融与小微贷业务全链路反欺诈策略设计与迭代，联动模型、数据、运营团队实现欺诈风险前置拦截，通过规则引擎+机器学习双轮驱动优化策略效能，覆盖贷前准入、贷中监控、贷后复盘全周期，聚焦黑产团伙识别、异常交易拦截及策略成本控制

• 主导设计针对“养号套现”黑产的贷前反欺诈策略：基于极验设备指纹SDK提取设备唯一ID、屏幕分辨率、传感器数据等硬件特征，结合运营商通话行为序列（主被叫时长分布、夜间通话占比）构建多维特征集，用XGBoost模型识别异常注册设备（AUC达0.89）；通过FICO Blaze规则引擎部署“设备首次借款+近30天通话异动+注册IP归属地为高危区域”等32条分层规则，将套现欺诈率从1.8%降至0.6%，季度拦截可疑申请2.3万笔，直接减少经济损失1200万元
• 重构贷中账户盗刷监控体系：整合用户设备绑定关系、收款方账户画像、交易频率波动等数据，用Neo4j构建“用户-设备-收款方”知识图谱，识别跨账户异常转账团伙（如同一设备关联5个以上陌生收款方且交易间隔小于10分钟）；联动实时决策引擎触发“短信验证码+人脸识别”二次验证，将账户盗刷损失率从0.9%压降到0.3%，半年内阻止盗刷交易1100余笔，涉及金额450万元
• 用因果推断优化规则阈值：针对传统阈值设定中的“选择偏差”问题，引入Do-Calculus计算规则调整后的平均处理效应（ATE），通过A/B测试验证“将单设备日注册次数阈值从3次提升至5次且关联不同IP”后，欺诈拦截率提升15%，同时误拒率下降8%，年度减少正常用户投诉3200起，客户满意度提升4个百分点
• 搭建反欺诈策略知识库：用Python爬取历史欺诈案例并结合内部数据标注，用NLP技术对案例进行“黑产模式”“规则逻辑”“模型输出”三维标签化，形成可检索的知识库；将策略迭代流程从“需求提出-数据回溯-规则设计-测试上线”的21天缩短至14天，团队响应速度提升33%

协助资深策略师搭建消费分期业务反欺诈体系，负责规则测试、数据回溯及小范围策略试点，参与黑产模式研究及策略优化迭代，支撑全量策略落地前的风险验证与效果评估

• 辅助设计“虚假身份注册”识别规则：用逻辑回归整合身份证OCR误差率（大于15%）、手机号归属地与IP地址经纬度偏差（超过200公里）、填写时长（小于90秒）等7个特征，通过离线回溯10万条历史注册数据验证规则有效性（召回率85%、精确率78%）；试点期间拦截虚假注册1.2万笔，为后续全量推广提供数据支撑，该规则至今仍是贷前基础过滤规则
• 参与黑产团伙分析项目：用DBSCAN算法对异常交易数据（如同一银行卡向多个陌生账户转账、短时间内多次修改收货地址）进行聚类，识别出3个跨平台的“养卡”团伙（涉及用户1200名、关联银行卡2300张）；将团伙特征（如“近6个月有3次以上异地大额消费”）反馈给模型团队，优化梯度提升树模型的关联特征，使得团伙欺诈识别率提升22%
• 搭建策略效果监控体系：用Prometheus+Grafana构建反欺诈策略监控看板，跟踪“规则命中率”“误拒率”“欺诈率”“单条规则成本”等12个核心指标；每周输出监测报告，曾及时发现某地区IP段欺诈率周环比上升40%，推动紧急将“该IP段注册用户需额外上传手持身份证照片”规则上线，避免了约800万元的潜在损失
• 负责跨部门培训：整理《反欺诈策略基础手册》，涵盖“常见黑产模式（养号/盗刷/套现）”“规则逻辑解读”“模型输出信号含义”等内容；为运营、客服团队开展4场培训（累计覆盖120人），提升非技术团队的风险上报意识，后续运营团队主动上报的可疑案例增加40%，补充了近10%的欺诈样本

负责消费贷款业务的欺诈风险数据提取、清洗及初步分析，支持策略团队制定反欺诈规则，参与数据预处理、特征工程及规则效果回溯工作，保障反欺诈策略的数据供给与基础验证

• 处理海量用户行为数据：用Python（Pandas、NumPy）清洗100万+条注册数据，提取“设备MAC地址变化次数”“IP地址是否为数据中心IP”“填写信息前后矛盾（如生日与星座不匹配）”等20+个反欺诈特征，构建公司首个反欺诈特征库，特征覆盖率从75%提升至92%，支撑策略团队快速获取有效数据
• 辅助欺诈样本标注与聚类：用DBSCAN算法对5万条异常交易数据（如“借款1小时内还款”“收款方为涉赌账户”）进行分组，识别出“同一设备多账号注册”“短时间频繁更换绑定手机号”等4类欺诈模式，标注样本2万+条，提升后续模型训练的准确性（模型F1-score从0.75提升至0.82）
• 规则效果回溯与优化：用SQL查询数据库，分析某条“手机号注册次数超过3次/月”的规则，发现误拒率达18%（主要为高频更换手机号的正常用户）；建议调整为“手机号注册次数超过5次/月且关联设备超过2台”，调整后误拒率下降至9%，欺诈拦截率保持在1.5%以上，该规则成为贷前核心过滤规则之一
• 搭建基础风险看板：用Tableau连接公司数据仓库，展示每日欺诈申请数量、拦截率、误拒率、高风险地区分布等指标；看板日均查看量达50+次，成为团队日常决策的重要工具，帮助团队快速掌握风险态势并调整策略

零售信贷全生命周期智能风控体系迭代项目

• 项目背景：随着公司零售信贷业务向蓝领、个体工商户等下沉客群扩张，传统“规则+单模型”的风控体系暴露三大痛点——贷前审批漏判高风险客群（欺诈逾期率较头部客群高3倍）、贷中无法实时捕捉客群风险变化（逾期30天内客群的贷中特征更新延迟超4小时）、贷后预警缺乏前瞻性（不良资产清收率仅18%）。我的核心目标是主导构建覆盖“贷前-贷中-贷后”的全链路智能风控体系，实现“精准准入、动态管控、前置清收”的闭环，支撑业务规模增长的同时将整体不良率控制在2.5%以内。
• 关键难题与技术选型：1）多源异构数据融合难——需整合央行征信、第三方支付流水、电商消费、运营商行为等8类数据，且涉及用户隐私无法直接出域；2）贷中实时决策低延迟要求——需在100ms内完成客群风险评分更新，传统批量特征计算无法满足；3）模型可解释性不足——监管要求风控决策需“可追溯、可说明”，传统黑盒模型难以通过合规审查。针对这些问题，我选择联邦学习框架解决数据隐私问题（与合作方共建联合建模环境）、Flink流处理引擎搭建实时特征工厂、LightGBM+SHAP模型组合平衡精度与可解释性。
• 核心行动与创新：1）牵头梳理12个核心业务场景的数据需求，设计了“用户身份-行为轨迹-资产能力”三维特征体系，整合内外部数据生成200+维度实时特征（如“近7天支付账户异常登录次数”“电商订单退款率”）；2）针对联邦学习下的模型性能衰减问题，提出“本地特征筛选+联邦梯度融合”的优化方案，将联合模型的AUC从0.78提升至0.85；3）搭建实时风险预警系统，用Flink实现“事件触发式”特征计算（如商户交易突增、用户多头借贷报警），将特征延迟从500ms压缩至80ms；4）推动模型可解释性落地，基于SHAP值生成“风险因子归因报告”，例如“该用户逾期风险中，‘近3个月手机话费欠缴次数’贡献了40%权重”，帮助业务人员快速定位风险根源。
• 项目成果与价值：1）量化指标：贷前审批通过率提升18%（从32%到40%），不良率从3.2%降至1.1%（低于行业平均2个百分点）；贷中预警准确率提升35%（从65%到90%），触发贷后干预的客群逾期率较未触发客群高4.5倍；贷后清收率提升12%（从18%到30%），减少损失约3500万元。2）业务影响：支撑公司零售信贷规模1年内增长40%（从120亿到168亿），人工审核成本下降30%（从每笔50元到35元）。3）个人贡献：主导完成3套核心模型（贷前准入、贷中监控、贷后预警）的重构，输出《全生命周期风控运营手册》，成为公司后续业务线的标准框架。

小微商户贷反欺诈模型优化项目

• 项目背景：公司小微商户贷业务上线2年后，欺诈率从初始的1.2%攀升至3.5%，主要问题是黑产利用“虚假经营地址”“伪造流水”“冒用身份”等手段绕过传统规则（如“经营地址与IP地址一致性”“流水金额波动阈值”）。我的目标是重构反欺诈模型，解决“数据稀疏性”（80%小微商户无历史信用数据）和“黑产对抗性”（每月新增5种以上欺诈手法）两大痛点，将欺诈识别准确率提升至85%以上，误拒率控制在10%以内。
• 关键难题与技术选型：1）小微商户数据稀疏——大部分商户仅有3个月以内的经营数据，传统监督学习模型无法有效训练；2）黑产关联隐蔽——欺诈团伙常通过“共享收款账户”“交叉注册手机号”等方式规避检测，单维度规则易被突破。针对这些问题，我选择图神经网络（GNN）挖掘商户关联关系（如“同设备登录的商户”“资金流向闭环的账户”），并用迁移学习将个人信贷中的“设备指纹”“行为序列”特征迁移至商户场景。
• 核心行动与创新：1）构建“商户-账户-设备-地址”四维关联图，包含1200万+节点和6亿+边，用Graph Attention Network（GAT）学习节点嵌入，捕捉隐藏的欺诈团伙关系；2）设计迁移学习框架，将个人信贷中的“同一设备1天内申请3次以上贷款”的行为特征，迁移至商户贷场景，识别“同一手机号注册多个商户”的欺诈行为；3）开发实时反欺诈规则引擎，将GNN模型的欺诈分数与规则得分加权融合（如“模型分数≥0.8或规则触发2条以上”则拒绝），实现秒级决策。
• 项目成果与价值：1）量化指标：欺诈识别准确率从72%提升至89%，误拒率从15%降至8%，每月拦截欺诈申请量从1.2万笔增加到2.5万笔，减少欺诈损失约2000万元。2）业务影响：支撑小微商户贷规模增长50%（从40亿到60亿），客群覆盖从“头部商户”扩展至“街边小店”等长尾客群。3）个人贡献：搭建了公司首个商户关联图谱平台，输出《小微商户反欺诈特征手册》，其中“关联账户资金闭环检测”规则被纳入行业反欺诈最佳实践。

• 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。