负责公司消费金融与小微贷业务闭环封控数据挖掘体系搭建，聚焦用户全生命周期风险画像、跨产品团伙欺诈识别及实时交易风险拦截，边界涵盖多模态数据特征融合、图神经网络模型落地及风险策略A/B测试迭代

• 主导设计“用户行为-设备环境-社交关系”三维异常检测模型，针对消费分期“养号套现”欺诈场景，使用Spark完成APP日志、设备指纹、通讯录多源数据ETL，通过LightGBM融合时序特征（近7天登录频次波动）与图特征（社交节点风险传播系数），破解传统规则引擎35%漏判率问题；上线后欺诈识别率提升至92%，单月拦截疑似欺诈订单1.2万笔，减少损失约800万元
• 核心优化跨产品团伙欺诈识别能力，针对小微贷与联名信用卡欺诈溢出问题，搭建Neo4j社交关系图谱，引入PageRank算法评估节点风险权重，结合XGBoost构建“关联度-风险值”双维度评分卡；通过自监督学习补充弱关联边，解决图数据稀疏导致的泛化差问题，将团伙欺诈召回率从48%提升至75%，误报率控制在1.8%以内，支撑打击3个涉案超500万元的欺诈团伙
• 推动实时风险预警流数据处理升级，将原有Hadoop批量处理迁移至Flink框架，优化滑动窗口+会话窗口参数调优，实现交易风险毫秒级响应；引入Evidently AI特征漂移检测工具，每周监控特征分布变化并动态调整模型阈值，使实时交易误拦截率从5.2%降至2.1%，客户投诉率下降60%
• 主导风险策略三维度（模型性能-业务影响-成本投入）评估体系搭建，使用Python StatsModels进行双重差分法（DID）因果推断，验证小微贷客群“经营流水稳定性”特征边际效益最高，将其权重提升30%后，客群坏账率从3.8%降至2.9%，审批时效缩短15%，转化率提升8%

负责公司现金贷业务风险数据挖掘，聚焦信用评分模型优化、多头借贷识别及贷后逾期预测，边界包括结构化数据特征工程、传统机器学习模型训练及风险报告输出

• 优化信用评分模型特征工程，针对客群下沉导致特征有效性下降问题，使用Python Pandas与Scikit-learn衍生“近3个月查询机构类型分布”“收入负债比周波动”等非线性特征，结合IV值与PSI筛选高区分度特征；将模型KS值从0.42提升至0.51，坏账预测准确率提高12%，支撑业务将客群年化利率从24%降至21%，兼顾风险与竞争力
• 搭建多头借贷识别模型，整合内部12个月申请记录与还款行为数据，使用L1正则化逻辑回归筛选特征，识别“7天内申请3家以上机构”隐性多头客群；模型上线后多头客群逾期率从11%降至7%，减少外部数据依赖，每年节省采购成本约300万元
• 输出贷后风险预警报告，基于Cox比例风险模型预测逾期用户还款概率，结合APP行为轨迹（打开频次、还款页面停留时间）分层运营；针对高风险客群设计“短信+人工”差异化策略，使M1回收率从75%提升至82%，单月回收金额增加450万元

负责公司小额贷款业务基础风险数据处理与简单模型应用，聚焦数据清洗、风险指标监控及初步欺诈筛查，边界包括SQL数据提取、Excel可视化及基础分类模型使用

• 搭建风险数据仓库基础层，使用SQL从Oracle数据库提取15张表字段，通过Kettle工具ETL清洗缺失值与异常值，形成每日更新风险宽表；解决数据分散、口径不一致问题，使风险指标统计时效从T+1缩短至T+0，支撑实时风险查看
• 设计初步欺诈筛查规则，基于用户IMEI码与IP地址，用Excel VLOOKUP与条件格式识别“同一设备多账号”“异地高频登录”异常；每月筛查疑似欺诈用户约500人，拦截欺诈订单约200笔，减少损失约120万元
• 监控风险指标趋势，用Tableau制作Dashboard跟踪“逾期率”“坏账率”等核心指标，每周输出分析报告；发现某地区逾期率连续3周上升，钻取数据定位合作渠道用户质量下降，建议暂停合作后该地区逾期率从6%降至3%

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。