负责消费金融业务全生命周期异常行为监测与风险封控，聚焦交易欺诈、账户盗用、团伙骗贷等场景，通过数据挖掘技术构建风险识别模型、优化特征体系及落地实时封控策略，协同风控运营团队实现风险早发现、低误报、高拦截的目标。

• 主导设计基于图神经网络的团伙欺诈识别模型，针对传统规则引擎漏判的跨账户关联风险，整合用户设备信息、通讯录关系、地理位置轨迹等12类弱关联数据，通过GraphSAGE算法挖掘隐藏风险社群，模型上线后团伙欺诈识别率提升41%，误报率控制在3.2%以内（较原规则下降18%）；过程中解决高维稀疏图数据的计算效率问题，采用邻域采样与稀疏张量优化，将单批次数据处理耗时从2.1小时压缩至28分钟。
• 优化贷前反欺诈特征工程，基于SHAP值分析与IV值筛选，从300+原始变量中提炼出‘近30天跨区登录频次-设备指纹一致性’‘多头借贷机构类型分布’等15个高区分度特征，接入实时决策引擎后，首逾率下降9.7%，新客风险成本降低1200万元/年；同步搭建特征监控平台，通过PSI指标动态追踪特征稳定性，提前3周预警某运营商通话时长特征漂移，避免模型效果衰减导致的客诉增加。
• 设计‘分层拦截+人工复核’的闭环封控策略，根据风险评分将交易分为高、中、低危三级，高风险交易实时阻断（拦截率92%）、中风险推送人工复核（复核通过率提升至68%）、低风险放行并持续观察；结合业务峰值动态调整阈值，大促期间将误拦截率从1.8%压降至0.9%，保障用户体验同时未新增重大风险事件。
• 主导编写《消费金融反欺诈数据挖掘实践手册》，沉淀图特征挖掘、时序异常检测等6类方法论，覆盖从数据清洗到策略落地的全流程，被纳入公司风控培训体系，新入职分析师培养周期缩短20%。

协助构建零售信贷业务反欺诈数据集市，参与异常交易检测模型开发与策略验证，支持风险策略团队完成规则迭代与效果评估，保障业务端风险可控性与用户体验平衡。

• 搭建多源数据融合的反欺诈宽表，整合用户基本信息、行为日志、第三方征信等8类数据源，通过Spark SQL完成日均200GB数据的清洗与关联，解决字段缺失（如设备IMEI缺失率15%）问题，采用KNN插值法补全后数据可用率提升至98%，支撑后续模型训练。
• 参与开发基于孤立森林的异常交易检测模型，针对早期模型对‘小额高频测试’类欺诈识别不足的问题，引入交易时间间隔、金额波动系数等时序特征，模型F1-score从0.72提升至0.85；配合完成A/B测试，验证模型上线后可疑交易标记准确率提升35%，助力贷中监控环节人力投入减少25%。
• 优化风险规则库的可解释性，针对业务部门对‘黑箱模型’的质疑，运用LIME算法生成单笔交易风险归因报告（如‘本次交易触发风险因设备曾登录过5个不同账号’），规则调整采纳率从40%提升至70%，推动风控策略从‘机器决策’向‘人机协同’转型。

负责个人信贷业务基础风险数据统计与监控，参与贷前准入规则验证及贷后风险回溯分析，为风险策略优化提供数据支持。

• 构建贷后风险预警指标体系，基于逻辑回归模型输出用户1-30天逾期概率，结合还款行为、负债水平等维度设计‘红-黄-绿’三级预警标签，推动贷后团队对红色用户提前介入催收，逾期30天以上回收率提升11%，年度坏账损失减少800万元。
• 完成第三方数据效果回溯分析，针对合作的运营商、电商数据，通过PSI与KS指标评估其对欺诈识别的贡献度，结论显示某电商收货地址稳定性特征KS值达0.35（高于整体平均0.22），推动采购预算向该数据源倾斜30%，后续模型中该特征入模后首逾率下降5%。
• 优化风险报表自动化流程，使用Python的Pandas与Matplotlib开发风险日报生成工具，替代人工取数与绘图，报表产出时效从4小时缩短至30分钟，错误率从2%降至0.1%，释放团队20%的日常数据处理精力用于深度分析。

基于联邦学习的供应链金融全链路风险防控体系搭建

• 项目背景：公司供应链金融业务依赖上下游企业多维数据，但传统集中式建模面临《个人信息保护法》下的数据隐私合规压力，且核心企业的供应商/经销商数据分散在ERP、物流、税务等多系统，导致逾期率高达7.8%、风险识别滞后。我的核心目标是对接10+家核心企业与金融机构，搭建“隐私保护+跨域协同”的全链路风控体系，实现风险早预警、合规可追溯。
• 关键难题与技术路径：一是跨机构数据“可用不可见”的联邦架构设计——需平衡不同主体的数据主权与模型效果；二是供应链“商流-物流-资金流”多模态数据的特征融合——传统模型难以捕捉隐性关联风险（如供应商资金链断裂对经销商的传导效应）；三是实时风险决策的低延迟要求——需支撑日均10万+笔融资申请的秒级审批。
• 核心行动与创新：1. 主导设计“中心节点+边缘计算”的分层联邦框架，将核心企业的交易流水、物流企业的运单轨迹、税务平台的开票数据分别部署在不同机构的联邦节点，通过FATE框架实现模型参数交换而非原始数据共享，确保合规；2. 构建“动态行为+关联网络+场景特征”的三维特征体系，引入图神经网络（GNN）挖掘企业间股权关联、账期传导等隐性关系，新增“供应商应付账款周转天数变化率”“经销商下游回款同步率”等15个供应链特有特征；3. 针对实时决策，用TensorRT优化联邦模型的推理引擎，将单请求延迟从600ms压缩至120ms以内，同时通过Redis缓存高频特征，支撑高并发场景。
• 成果与价值：项目上线后，供应链金融逾期率降至3.1%（同比下降60%），风险预警提前期从7天延长至15天；支持了与15家核心企业的深度合作，供应链融资放款规模增长42%；体系通过央行金融科技合规认证，成为公司供应链金融的“风险护城河”，我个人主导的联邦建模方案被纳入公司技术标准库。

消费金融新客冷启动风险画像与精准授信项目

• 项目背景：公司消费金融业务拓展至下沉市场，新客占比从25%提升至45%，但传统风控模型依赖历史借贷数据，新客因“数据空白”导致逾期率达11.2%（老客仅4.8%），且人工审核成本高。我的目标是解决新客“无历史、难评估”问题，搭建“迁移学习+场景特征”的冷启动风控体系，实现新客精准授信与风险可控。
• 关键难题与技术选择：一是新客特征稀疏——仅拥有基础属性（年龄、地域）、设备信息（IMEI、IP）、场景行为（APP浏览时长、点击路径）三类弱特征；二是跨域迁移的学习偏差——老客模型（依赖借贷数据）与新客场景的分布差异大，直接迁移会导致过拟合；三是业务可解释性——风控团队要求“能说清新客风险来源”，否则无法落地。
• 核心行动与突破：1. 构建“领域适配的迁移学习框架”：以老客的“消费频次-还款稳定性”“设备稳定性-地址一致性”等特征为源域，通过DANN算法对齐新客与老客的特征分布，将老客的“信用惯性”迁移到新客；2. 挖掘场景化弱特征：从APP行为中提取“近7天理财页面停留时长”“商品详情页滚动次数”等20个反映消费理性度的特征，用SHAP值验证其与逾期的相关性（如“理财页面停留越长，逾期率下降12%”）；3. 设计“分层审批策略”：低风险新客通过模型自动授信（额度5000元以内），高风险新客触发人工审核，平衡效率与风险。
• 成果与价值：项目上线6个月后，新客逾期率降至6.3%（同比下降44%），自动审批率从30%提升至75%，人工审核成本降低22%；支撑公司下沉市场用户增长38%，新客贡献的利息收入占比从18%提升至29%。我个人主导的“场景行为特征迁移方法”申请了1项发明专利，成为公司消费金融风控的核心技术之一。

• 大二观察到毕业生离校时大量教材被废弃，而新生购书支出占生活费12%，便发起校园书籍教材循环计划。为解决传统二手书交易效率低的问题，我们开发微信小程序实现扫码估价、预约取件功能，并说服快递中心以成本价承接物流。
• 通过建立翻新消毒标准打消卫生顾虑，项目年流通教材1.2万册，累计为同学节省书费38万元。这段经历让我从商业小白成长为能设计闭环模式的实践者，项目不仅获省级创业金奖，更被纳入学校官方服务体系延续至今。