负责公司支付业务全链路风险封控的数据挖掘与策略优化，聚焦黑产团伙识别、异常交易检测及封控规则迭代，通过多源数据融合建模驱动风险决策精准化，支撑年交易规模超800亿的业务线风险防控。

• 主导搭建基于图神经网络的团伙欺诈识别体系：整合支付流水、设备指纹、IP地址、联系人关系等12类异构数据，构建包含5000万+节点的用户-设备-交易知识图谱；针对传统规则引擎漏判的隐蔽性洗钱团伙（单团伙涉案金额50-200万），采用GraphSAGE算法提取节点邻接特征与社区属性，结合时间序列异常检测（STL分解+孤立森林），将团伙识别召回率从68%提升至89%，误报率控制在3%以内，年拦截可疑交易超12亿元。
• 优化封控策略动态调优机制：基于PSI（群体稳定性指标）监控发现客群风险分布偏移（月均PSI从0.12升至0.25），牵头设计分层抽样验证方案，通过XGBoost特征重要性回溯定位‘近30天跨区域交易频次’等5个失效特征，替换为‘设备蓝牙MAC变更频率’‘夜间小额高频转账占比’等新型风险指标，推动策略AUC从0.78提升至0.85，季度资损率下降0.17个百分点。
• 解决样本不平衡下的模型训练难题：针对黑产样本仅占全量交易0.03%的极端情况，采用SMOTE-ENN过采样结合代价敏感学习（调整正负样本权重至1:20），并引入迁移学习（基于历史黑产库预训练Embedding层），使模型对新型欺诈（如AI换脸仿冒登录）的识别F1-score从0.41提升至0.68，上线3个月内阻断首例千万级仿冒盗刷案件。
• 推动数据挖掘成果向业务端落地：设计‘风险等级-封控强度’动态映射矩阵，将模型输出的1-10分风险分转化为‘观察-限制交易-冻结账户’三级策略，配合A/B测试验证不同分箱下的用户投诉率与资损成本，最终策略上线后用户误封投诉减少42%，年度风险运营成本降低280万元。

支撑消费信贷业务贷前-贷中风险封控，负责反欺诈模型开发、可疑账户聚类分析及封控规则验证，保障千万级用户信贷资产质量，目标将首逾率控制在4%以内。

• 构建多维度反欺诈特征工程：从用户基本信息、行为日志、第三方征信等8个数据源提取400+原始特征，通过IV值筛选（筛选IV>0.1的特征237个）、WOE分箱（消除异常值影响）及共线性剔除（VIF<5），保留89个有效预测特征；针对‘多头借贷’隐蔽性问题，创新设计‘近6个月征信查询机构类型分布熵’特征，模型对多头用户的识别准确率提升19%。
• 落地基于LightGBM的实时反欺诈模型：优化特征计算时效性（将特征生成耗时从200ms压缩至50ms），采用量子化压缩技术降低模型推理内存占用35%；模型上线后，在日处理120万笔借款申请中，拦截欺诈用户占比从2.1%提升至3.8%，首逾率从4.3%降至3.5%，达到业务目标。
• 开展存量账户风险回溯分析：使用DBSCAN聚类算法对历史逾期用户进行行为聚类，识别出‘注册-试借-养号-大额套现’四阶段黑产路径，提取‘首次借款金额集中在3000-5000元’‘还款日前3天集中小额还款’等6类异常模式，输出32条封控规则，推动贷中监控系统拦截潜在风险账户1.2万个，挽回损失约1800万元。
• 搭建模型效果监控看板：基于Prometheus+Grafana开发风险模型监控平台，实时跟踪PSI、KS、AUC等核心指标（阈值告警延迟<10分钟），设计‘特征漂移-模型衰减-策略调整’联动机制，全年触发模型重训12次，确保模型稳定性维持在业务要求阈值内。

参与互联网金融平台基础风险数据建设，负责欺诈案例库搭建、简单风险模型探索及封控规则辅助验证，支撑业务初期风险防控体系从0到1落地。

• 完成千万级历史风险数据清洗与标签体系构建：梳理逾期、盗刷、多头借贷等6类风险事件定义，通过规则匹配（如‘30天内逾期超3次’）与人工复核（抽样比例5%）结合，标注有效风险样本42万条；设计风险等级标签（高/中/低）及关联维度（设备/IP/联系人），形成可复用的风险案例库，后续模型训练样本获取效率提升60%。
• 探索基于逻辑回归的基础反欺诈模型：选取‘注册IP是否为虚拟运营商’‘手机号归属地与常驻地是否一致’等15个基础特征，通过WOE编码与L1正则化降低过拟合，模型对已知欺诈样本的识别率从55%提升至72%，为初期业务提供了首个可解释的风险预测工具。
• 辅助优化封控规则阈值：通过卡方分箱分析‘近1个月登录设备数’与逾期率的相关性，发现当设备数>5时逾期率较均值高2.3倍，推动将原规则‘设备数>3’调整为‘设备数>5’，误封率下降18%，同时保持对高风险用户的拦截能力。
• 参与风险数据看板开发：基于SQL与Tableau搭建风险指标可视化平台，监控‘每日新增风险用户数’‘各渠道欺诈占比’等10+核心指标，支持业务团队快速定位风险高发场景（如某推广渠道欺诈率达行业均值2倍），推动渠道合作策略调整，该渠道后续欺诈率下降41%。

零售信贷全生命周期智能风控体系重构项目

• 项目背景：公司为扩大零售信贷业务规模，需解决传统风控体系依赖静态规则、团伙欺诈识别滞后、误拒率偏高（约20%）的问题。我的核心目标是对齐业务增长需求，主导重构覆盖贷前、贷中、贷后的全生命周期智能风控体系，实现风险精准防控与业务效率的平衡。
• 关键难题：1）传统规则引擎无法识别隐蔽团伙欺诈（如跨平台多头借贷）；2）多源异构数据（央行征信、第三方支付流水、电商消费行为、门店IoT数据）融合困难，特征提取维度单一；3）贷中决策延迟高（约500ms），无法支撑实时风险拦截。
• 核心行动：1）技术选型上，引入图神经网络（GNN）构建商户-用户关联图谱，通过节点嵌入识别团伙欺诈模式；2）搭建统一数据中台，用Flink实时处理三方数据流，提取“电商消费商户集中度”“支付流水日内波动方差”等12个高区分度特征；3）设计“规则兜底+GNN反欺诈+LightGBM信用评分”的三层架构，用SHAP值优化模型可解释性，解决业务团队对“黑箱”的顾虑。
• 项目成果：1）团伙欺诈识别准确率从75%提升至92%，漏判率从12%降至4%；2）贷中决策延迟压缩至100ms内，支撑业务峰值日处理量提升40%；3）误拒率降至8%，帮助业务线新增放款规模35亿元，减少坏账损失约1.2亿元。我个人主导的模型架构获公司“年度最佳风控创新奖”，并推广至消费金融子公司复用。

小微商户贷专属信用评估模型构建项目

• 项目背景：公司小微商户贷业务面临“缺乏商户专属风险评估工具”的痛点——传统模型依赖个人征信，未覆盖商户经营场景，导致30%的优质商户因个人征信瑕疵被误拒，违约率较预期高15%。我的任务是从0到1构建商户专属信用模型，填补场景化风险评估空白。
• 关键难题：1）商户数据分散（收单流水、门店 POS 数据、税务申报记录），缺失值率达25%；2）传统逻辑回归模型无法捕捉“流水波动与违约”的非线性关系；3）模型上线后性能衰减快（3个月内KS值下降0.08），难以适配商户经营周期变化。
• 核心行动：1）数据层：整合10万+商户的多源数据，用多重插补法填充缺失值，设计“经营韧性”（月均交易笔数变异系数）、“资金健康度”（营收账款比）等8个场景化特征；2）模型层：选用XGBoost算法替代逻辑回归，通过贝叶斯优化调参，提升非线性关系捕捉能力；3）稳定性层：建立“月度特征监控+季度模型重训”机制，用PSI指标跟踪特征分布漂移。
• 项目成果：1）模型KS值从0.45提升至0.62，违约率下降18%；2）覆盖了30%此前无法评估的“征信白户”商户，业务触达量增长25%；3）模型上线18个月内性能稳定，KS值保持在0.58以上。我因此获得部门“数据建模能手”称号，该模型成为公司小微业务的核心风险评估工具，至今仍支撑着年放款量超20亿元的业务规模。

• 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。