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。

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。

• 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。