负责公司支付业务全链路风险事件的封控数据挖掘，通过用户行为、交易特征及外部多源数据的关联分析，定位异常资金流动与欺诈模式，搭建可落地的封控规则与数据模型，降低资损率并提升风险识别的精准性与效率

• 主导支付业务‘小额高频跨地域欺诈’专项封控挖掘，基于Spark分布式计算框架处理日均10亿+交易流水、设备指纹、IP地理围栏等多源数据，针对传统规则无法识别的‘同一账户1小时内发起5笔以上、单笔金额200-500元、跨3个及以上省份’的隐性异常模式，采用DBSCAN无监督聚类算法识别出15个异常簇群，关联用户后续逾期率达45%，推动将该模式纳入实时封控规则，上线后此类欺诈资损率下降35%，误报率控制在1%以内
• 构建‘关联交易网络挖掘模型’，基于Neo4j图数据库整合用户手机号、身份证、银行卡、收款账户的资金流向与社交关系，采用GraphSAGE图神经网络算法挖掘隐性关联团伙，识别出12个批量注册的欺诈团伙（涉及2.3万个账户、1.2亿资金），模型对团伙成员的召回率达82%，较传统规则提升28%，支撑运营团队冻结高风险账户并挽回损失
• 联动风控运营团队完成‘异常交易特征落地’，将挖掘出的‘设备IMEI变更频率≥3次/月+夜间22点至凌晨5点交易占比≥40%’等18个高价值特征，转化为规则引擎的可执行条件，优化后规则命中率从15%提升至42%，同时通过特征重要性分析剔除12个低效规则，使整体误报率下降25%
• 搭建支付风险特征自动化工程体系，用Python开发特征提取、清洗、存储的流水线，整合百行征信、运营商、电商等外部数据，每月新增20+有效风险特征（如‘近6个月征信查询次数≥15次+电商退货率≥30%’），特征覆盖度提升40%，支撑后续XGBoost逾期预测模型的迭代，模型KS值从0.45提升至0.58

负责消费金融业务贷前、贷中环节的风险数据挖掘，通过用户行为、信用数据及第三方信息的分析，识别欺诈用户与高风险借款人，优化风险模型与策略，提升贷前审批的精准性与贷中风险预警能力

• 核心参与消费金融贷前欺诈识别项目，用Hive SQL处理5亿+用户注册、申请、行为数据，通过Apriori关联规则算法挖掘‘手机号归属地与收货地址跨2个省份+通讯录联系人中有3个以上逾期用户’的高关联欺诈模式，将该规则嵌入贷前审批流程，拦截了8%的欺诈申请，对应坏账损失减少约2000万元，规则有效性持续3个月以上
• 优化逾期预测模型特征工程，基于随机森林算法对用户APP行为（如停留时长、页面跳转次数、按钮点击频率）、还款行为（如提前还款占比、最低还款次数）等200+特征进行筛选，保留15个高区分度特征，模型AUC从0.78提升至0.85，逾期预测准确率提升18%
• 搭建实时风险预警数据层，用Flink流处理框架对接支付网关的实时交易数据，实现‘同一账户5分钟内连续3次输错密码+交易金额超过最近3次平均交易额2倍’等异常场景的实时识别，延迟从5分钟缩短至15秒，支撑前端弹窗提醒与人工审核的及时介入
• 协助搭建风险数据仓库，设计‘用户风险画像表’‘交易异常统计表’‘外部数据关联表’等10+张主题表，用Hive分区与索引优化查询性能，使风控团队日常风险分析的查询时间从30分钟缩短至10分钟，提升工作效率30%

协助金融业务线的风险数据挖掘与模型辅助工作，通过数据处理、特征分析及简单模型应用，支撑风险策略的制定与优化

• 协助分析P2P平台逾期用户特征，用SQL查询1亿+用户注册、借款、还款数据，发现‘近3个月借款频率≥10次+未上传收入证明+手机号使用时长≤6个月’的用户逾期率是平台平均的2.5倍，将该特征反馈给贷前审核团队，纳入必填审核项，后续此类用户逾期率下降18%
• 参与逾期预测模型的数据预处理，用Python的Pandas库处理缺失值（采用中位数填充数值特征、众数填充分类特征），用One-Hot编码转换‘职业类型’‘教育程度’等 categorical 特征，解决了原始数据缺失率高（约15%）的问题，模型训练的收敛速度提升25%
• 协助整理风险分析报告，用Tableau将挖掘结果转化为‘逾期率趋势图’‘特征重要性雷达图’‘高风险用户地域分布热力图’，直观呈现风险分布与关键驱动因素，支撑管理层调整贷前审核策略，使整体逾期率下降5%
• 跟踪外部数据（如运营商通话行为、电商购物记录）的效果，用SAS进行单变量分析，发现‘近1个月通话时长≤100分钟+电商订单取消率≥20%’的用户逾期风险较高，建议纳入贷前筛选条件，后续该类用户拒贷率提升12%，逾期率下降10%

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。

• 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。