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%。

基于联邦学习的供应链金融全链路风险防控体系搭建

• 项目背景：公司供应链金融业务依赖上下游企业多维数据，但传统集中式建模面临《个人信息保护法》下的数据隐私合规压力，且核心企业的供应商/经销商数据分散在ERP、物流、税务等多系统，导致逾期率高达7.8%、风险识别滞后。我的核心目标是对接10+家核心企业与金融机构，搭建“隐私保护+跨域协同”的全链路风控体系，实现风险早预警、合规可追溯。
• 关键难题与技术路径：一是跨机构数据“可用不可见”的联邦架构设计——需平衡不同主体的数据主权与模型效果；二是供应链“商流-物流-资金流”多模态数据的特征融合——传统模型难以捕捉隐性关联风险（如供应商资金链断裂对经销商的传导效应）；三是实时风险决策的低延迟要求——需支撑日均10万+笔融资申请的秒级审批。
• 核心行动与创新：1. 主导设计“中心节点+边缘计算”的分层联邦框架，将核心企业的交易流水、物流企业的运单轨迹、税务平台的开票数据分别部署在不同机构的联邦节点，通过FATE框架实现模型参数交换而非原始数据共享，确保合规；2. 构建“动态行为+关联网络+场景特征”的三维特征体系，引入图神经网络（GNN）挖掘企业间股权关联、账期传导等隐性关系，新增“供应商应付账款周转天数变化率”“经销商下游回款同步率”等15个供应链特有特征；3. 针对实时决策，用TensorRT优化联邦模型的推理引擎，将单请求延迟从600ms压缩至120ms以内，同时通过Redis缓存高频特征，支撑高并发场景。
• 成果与价值：项目上线后，供应链金融逾期率降至3.1%（同比下降60%），风险预警提前期从7天延长至15天；支持了与15家核心企业的深度合作，供应链融资放款规模增长42%；体系通过央行金融科技合规认证，成为公司供应链金融的“风险护城河”，我个人主导的联邦建模方案被纳入公司技术标准库。

消费金融新客冷启动风险画像与精准授信项目

• 项目背景：公司消费金融业务拓展至下沉市场，新客占比从25%提升至45%，但传统风控模型依赖历史借贷数据，新客因“数据空白”导致逾期率达11.2%（老客仅4.8%），且人工审核成本高。我的目标是解决新客“无历史、难评估”问题，搭建“迁移学习+场景特征”的冷启动风控体系，实现新客精准授信与风险可控。
• 关键难题与技术选择：一是新客特征稀疏——仅拥有基础属性（年龄、地域）、设备信息（IMEI、IP）、场景行为（APP浏览时长、点击路径）三类弱特征；二是跨域迁移的学习偏差——老客模型（依赖借贷数据）与新客场景的分布差异大，直接迁移会导致过拟合；三是业务可解释性——风控团队要求“能说清新客风险来源”，否则无法落地。
• 核心行动与突破：1. 构建“领域适配的迁移学习框架”：以老客的“消费频次-还款稳定性”“设备稳定性-地址一致性”等特征为源域，通过DANN算法对齐新客与老客的特征分布，将老客的“信用惯性”迁移到新客；2. 挖掘场景化弱特征：从APP行为中提取“近7天理财页面停留时长”“商品详情页滚动次数”等20个反映消费理性度的特征，用SHAP值验证其与逾期的相关性（如“理财页面停留越长，逾期率下降12%”）；3. 设计“分层审批策略”：低风险新客通过模型自动授信（额度5000元以内），高风险新客触发人工审核，平衡效率与风险。
• 成果与价值：项目上线6个月后，新客逾期率降至6.3%（同比下降44%），自动审批率从30%提升至75%，人工审核成本降低22%；支撑公司下沉市场用户增长38%，新客贡献的利息收入占比从18%提升至29%。我个人主导的“场景行为特征迁移方法”申请了1项发明专利，成为公司消费金融风控的核心技术之一。

• 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。