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。

基于联邦学习的小微企业信贷全链路风险防控体系搭建

• 项目背景：小微企业因财务数据碎片化、跨机构数据共享存在隐私壁垒，传统风控模型逾期率高达8%，且无法满足《个人信息保护法》下的数据合规要求。我的核心目标是主导搭建“隐私保护+精准风控”的联邦学习体系，打通跨机构数据价值，支撑小微企业信贷业务规模化。
• 关键难题：一是跨银行、税务、舆情平台的数据联合建模需规避原始数据泄露；二是小微企业多源异构数据（税务发票、银行流水、供应链舆情）的特征融合难度大；三是模型需同时满足监管可解释性与业务实时性要求。我针对性选择“分层联邦学习”架构，结合XGBoost与LightGBM模型融合，用NLP处理非结构化舆情数据，并参考《金融数据安全 数据安全分级指南》设计全流程合规机制。
• 核心行动：1. 主导设计“机构端-联邦中心-业务端”三层架构，机构间仅交换加密梯度，确保原始数据不出域；2. 构建小微企业特征中台，整合12类外部数据与内部交易数据，开发“近3个月开票波动系数”“舆情负面关键词实时预警”等30+维度特征，覆盖经营稳定性与外部风险；3. 优化模型训练流程，引入增量学习解决数据时效性问题，用SHAP值生成可视化决策报告，让业务人员可追溯风险来源。
• 项目成果：体系上线后，合作金融机构的小微企业信贷逾期率从8%降至4.2%，模型AUC从0.78提升至0.85；支持10+机构累计放款超50亿元，合规审计通过率100%。我个人主导了联邦框架落地与特征中台搭建，突破了隐私与效果的矛盾，推动业务从“不敢贷”转向“精准贷”。

零售信贷客户生命周期风险预警系统迭代升级

• 项目背景：原有零售信贷预警系统依赖静态规则，滞后性强，误报率达35%，导致客户投诉率高且风险漏判。我的目标是迭代系统为“动态感知、提前预警、精准干预”的全生命周期体系，提升风险识别的前瞻性。
• 关键难题：一是客户全渠道行为数据（APP点击、交易、地理位置）高维稀疏，难以提取有效特征；二是需提前7-15天捕捉“正常→逾期”的中间状态；三是模型在线更新效率低，无法应对实时数据变化。我采用Spark Streaming构建实时数据 pipeline，结合LSTM+Attention模型处理时序行为数据，参考FICO评分卡方法论设计风险分层指标。
• 核心行动：1. 重构数据链路，整合客户APP、交易、客服等6类实时数据，搭建秒级更新的实时特征仓库，支持“登录时长变化”“交易频率骤降”等动态特征计算；2. 开发“风险信号分层模型”，用LSTM捕捉行为序列的细微变化，Attention机制定位关键风险因子（如“连续3天登录时间推迟2小时以上”），将风险识别提前期从7天延长至15天；3. 设计在线学习机制，每天用新数据更新模型参数，同时优化TensorFlow Serving推理速度，将响应时间从500ms降至100ms。
• 项目成果：系统迭代后，误报率从35%降至12%，每年减少坏账损失约8000万元；客户因误拦截的投诉率下降20%，支撑零售信贷余额年增长40%。我个人主导了数据 pipeline重构与模型迭代，让预警系统从“被动响应”转向“主动防御”，成为业务的核心风险管控工具。

• 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。