负责消费金融业务全生命周期客群的风险封控，聚焦反欺诈与信用风险交叉场景，通过多源异构数据挖掘构建动态风险识别体系，驱动策略迭代与模型优化，实现风险提前拦截与业务健康度平衡。

• 主导设计‘多头借贷-设备异常-关系网络’三维反欺诈识别框架，整合央行征信、运营商、支付平台等12类外部数据及行内交易流水，针对黑产‘养号套贷’新手段，创新应用图神经网络（GNN）构建用户关联图谱，挖掘隐藏团伙特征；通过SMOTE-ENN混合采样解决正负样本比例1:47的极端不平衡问题，结合XGBoost与LightGBM双模型融合，将团伙欺诈识别率从68%提升至89%，月均拦截欺诈申请量1200+笔，涉及金额超3800万元。
• 针对存量客群信用风险滞后暴露痛点，搭建‘行为-环境-舆情’动态风险预警系统：基于Spark Streaming实时接入APP点击流、设备定位、社交平台舆情数据，设计包含327个时序特征的动态画像；引入LSTM模型预测未来30天逾期概率，结合业务规则设定5级预警阈值，推动风险策略从‘贷后处置’向‘贷中干预’转型，试点客群M3+逾期率下降2.1pct，提前回收资金超5000万元。
• 优化现有风控模型可解释性与稳定性，针对监管对‘算法黑箱’的合规要求，运用SHAP值与LIME工具对XGBoost模型进行特征归因分析，输出《风险因子贡献度报告》；建立PSI（群体稳定性指数）周度监控机制，对收入负债比、近6月查询次数等15个核心变量设置±0.1阈值，及时发现宏观经济波动导致的变量漂移，通过动态调整分箱阈值与模型权重，保障模型上线后KS值稳定在0.42以上，连续8个季度通过监管模型审计。
• 协同业务部门落地‘风险-收益’平衡策略，基于挖掘的客群风险分层结果（高/中/低风险占比12%/65%/23%），设计差异化授信方案：高风险客群收紧额度至均值50%并增加共借人担保要求，低风险客群开放提额通道并降低利率15BP；策略上线后，整体通过率保持稳定（28%→27%），客均收益提升9.7%，不良率控制在1.8%以内。

支撑零售信贷业务的风险数据挖掘需求，聚焦反欺诈特征工程与模型辅助开发，参与贷前准入、贷中监控策略制定，保障业务在快速扩张期的风险可控性。

• 负责贷前反欺诈特征挖掘，从500+原始字段中筛选出127个有效风险指标，通过IV值（信息价值）与WOE（证据权重）分析筛选强预测变量，构建‘设备指纹-位置轨迹-通讯行为’复合特征集；其中‘夜间高频切换IP地址’‘近3月同设备注册多账户’等23个特征被纳入核心反欺诈规则，推动首逾率下降1.3pct，助力公司消费贷业务规模突破20亿元。
• 辅助开发信用评分模型，承担数据清洗与预处理工作：针对第三方数据缺失率达35%的问题，采用多重插补法（MICE）结合业务逻辑规则填充缺失值，将关键变量缺失率控制在5%以内；参与模型训练全流程，通过网格搜索优化逻辑回归正则化参数，最终模型AUC值达0.79，较上一代模型提升0.08，成功应用于线上审批系统，日均处理申请量从8000笔提升至1.5万笔。
• 搭建欺诈案例库与风险知识图谱，整理近1年2300+例欺诈样本，按‘身份冒用’‘团伙骗贷’‘资料造假’等6大类标签分类；基于Neo4j图数据库构建用户-设备-联系人关系网络，可视化呈现黑产作案模式，为策略团队提供‘同一WiFi下5个新注册账户’等12条强关联风险规则，协助拦截团伙欺诈案件47起，挽回损失超1200万元。

负责小微贷款业务的基础风险数据处理与简单规则挖掘，支持贷前准入策略制定，保障业务初期风险可控。

• 搭建小微客群基础风险指标体系，整合工商、税务、司法等8类外部数据，清洗并标准化企业注册时间、纳税等级、涉诉记录等42个字段，输出《小微客群风险画像白皮书》，为客户经理提供‘纳税B级以下企业需额外核查财务报表’等18条尽调建议，助力客群初筛通过率从41%提升至55%。
• 挖掘基础反欺诈规则，通过SQL关联分析发现‘企业法人名下有3家及以上注销企业’‘注册地址与实际经营地址跨区’等异常特征，将其转化为‘法人关联注销企业数>2则人工复核’‘注册地与经营地不一致需补充场地证明’两条风控规则，上线后拦截虚假注册企业申请89笔，涉及金额2100万元。
• 参与贷后风险监控报表开发，基于Python Pandas搭建逾期客户特征看板，监控‘近3期还款逾期天数’‘通话频次下降幅度’等15个指标，每周输出《风险预警简报》，提示业务部门关注‘逾期30天内且通话频次下降50%’的高迁徙风险客群，协助提前介入催收，M1回收率提升4.2pct。

基于联邦学习的普惠金融全链路风险防控体系构建

• 项目背景：普惠金融赛道小微企业信贷因数据分散（涉及工商、税务、供应链等多源异构数据）、隐私监管趋严，传统集中式建模面临“数据孤岛”与合规风险，公司需一套兼顾隐私保护与风险识别效率的体系，支撑100亿+小微企业信贷投放。我的核心职责是主导联邦学习框架设计、跨机构数据协同及全链路风险模型搭建，对齐业务目标与合规要求。
• 关键难题与技术：一是不同合作机构（银行、税务平台、供应链服务商）数据schema不一致，联邦学习异构数据融合困难；二是小微企业缺乏抵押品，传统信用特征有效性低，欺诈风险隐蔽。针对前者，采用“横向联邦（同类型机构数据）+纵向联邦（跨维度机构数据）”混合架构解决异构问题；针对后者，引入图神经网络（GNN）挖掘企业间关联关系（如上下游交易、实际控制人交叉任职），生成补充风险特征。
• 核心行动与创新：牵头与合作机构签署《联邦学习数据协同协议》，制定“数据可用不可见”的脱敏与权限管理规范；搭建基于TensorFlow Federated的联邦学习平台，通过梯度量化压缩技术将通信耗时降低35%；设计“基础信用分+关联风险指数+行为异常标签”三层模型架构，用SHAP值实现决策路径可解释，解决业务对“黑盒模型”的信任问题。
• 项目成果与价值：风险识别准确率较传统集中式模型提升28%，欺诈损失金额同比下降41%；支撑公司当年小微企业信贷投放126亿元，同比增长67%；形成的《联邦学习在普惠风控中的应用指南》成为公司核心技术文档，后续推广至消费金融场景，降低合规审计成本约200万元。

零售信贷智能预警系统升级与自动化决策引擎落地

• 项目背景：原有零售信贷预警系统依赖300+条静态规则，对新型风险（如直播电商商户现金流波动、年轻客群超前消费逾期）响应滞后，自动化处置率仅40%，不良贷款率（1.6%）高于行业均值2个百分点。我的职责是主导系统模型迭代、实时数据处理 pipeline 搭建及自动化决策策略设计，推动风险管控从“被动应对”转向“主动干预”。
• 关键难题与技术：一是规则引擎灵活性不足，无法快速适配新客群风险特征；二是实时数据来源分散（支付流水、舆情、设备信息），处理延迟达6小时，错过最佳干预时机；三是客群分层粗糙，“一刀切”预警导致误判率高。解决：用LightGBM模型替代70%静态规则，实现风险特征动态学习；搭建基于Flink的实时数据处理平台，整合多源数据并做特征工程（如计算商户日流水变异系数、舆情负面词频热度）；采用K-means++聚类实现客群分层（年轻白领、个体工商户、老年客群），设计“红橙黄”三级预警策略。
• 核心行动与创新：主导模型训练，整合12个维度的实时特征（如近7日支付退款率、社交平台投诉量），将模型AUC从0.78提升至0.89；优化Flink作业并行度，解决峰值时段（如双11）数据积压问题，数据处理延迟压缩至15分钟内；推动与贷后系统对接，实现高风险客户自动触发降额、智能催收流程，减少人工介入环节。
• 项目成果与价值：预警响应时间从6小时缩短至15分钟，自动化处置率提升至75%；不良贷款率降至1.2%，低于行业均值0.8个百分点；系统支撑公司零售信贷规模从300亿增长至500亿，成为业务扩张的核心保障；个人因此获得公司“年度风控创新奖”，经验被纳入新人培养课程。

• 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。