负责封控场景下金融业务的风险数据挖掘与策略支撑，聚焦资金流向穿透追踪、封控客群违约概率预测及异常交易网络识别，联动信贷、合规部门落地风险防控闭环

• 主导构建封控客群违约预测模型：整合客群征信数据、封控区域经济指标（如GDP下滑幅度、失业率）、涉疫消费行为（线上支付占比、生活缴费逾期次数）等12类数据，针对样本不平衡问题采用SMOTE过采样+加权Logistic回归优化，模型KS值从0.58提升至0.65，违约预测准确率较原有模型提高22%，支撑信贷部门将封控区域新客授信通过率从45%精准压降至32%，同期不良率下降18%
• 牵头资金流向反欺诈挖掘项目：针对封控期间“多层嵌套转账规避监测”问题，使用图神经网络（GNN）构建资金转移网络，引入工商注册、IP地址归属地等外部数据补充节点属性，识别出3个以“农产品采购”为幌子的涉案资金池，涉及流转金额1.2亿元，协助警方冻结关联账户832个，阻断欺诈资金流出6500万元
• 搭建封控区域商户风险画像体系：融合商户POS交易频次、客单价波动（疫情期间下降超30%的商户占比）、周边封控时长、12315投诉量等维度，用DBSCAN聚类算法划分出“高风险周转困难商户”“疑似套现商户”等4类客群，推动业务部门对高风险商户收紧账期至T+1，对套现商户直接终止合作，季度内商户不良率从7.1%降至5.6%
• 优化封控场景实时风险预警系统：基于Flink搭建毫秒级实时数据处理管道，整合征信查询记录、支付流水突变（单日转账超月均5倍）、舆情关键词（如“破产”“跑路”）等实时信号，通过规则引擎+机器学习模型双触发机制，将预警延迟从5分钟压缩至12秒，上线3个月内拦截可疑交易1.7万笔，涉及金额2.3亿元

参与消费金融业务全生命周期风险数据挖掘，支持信用评分模型迭代、异常交易规则优化及风险报表体系搭建，为业务部门提供可落地的风险决策依据

• 负责信用评分模型特征工程优化：通过随机森林分析150+原始特征的重要性，提取“手机通讯录逾期联系人占比”“近3个月APP登录设备变更次数”等8个弱特征，模型AUC从0.78提升至0.83，新增客户30天违约率下降14%，支撑公司将客群拓展至“征信白户但有稳定社交行为”的年轻用户
• 主导异常交易规则引擎迭代：基于Apriori算法挖掘历史欺诈案例的关联模式，发现“夜间22点后高频小额转账（单笔50-200元）+异地登录+绑定新银行卡”的欺诈组合，将规则阈值从“单日5次”调整为“单日8次且跨3个地区”，误报率从18%降至12%，欺诈交易拦截率提升21%
• 搭建风险数据可视化看板：用Tableau整合违约率、欺诈率、客群年龄分布等20+指标，设计“区域风险热力图”“渠道风险排名”等模块，支持业务部门快速定位风险聚集区（如某省会城市线下推广渠道欺诈率达行业均值2倍），推动暂停该渠道投放，节省营销成本120万元，新客违约率下降9%

负责金融产品基础数据统计与风险初筛，搭建核心风险指标体系，支持运营团队识别早期风险信号

• 构建风险指标基准体系：定义“30天逾期率”“客群逾期集中度”“渠道违约变异系数”等15个核心指标，用SQL从Oracle数据库提取数据，每周生成《风险运营周报》，推动运营团队将“逾期率超5%的客群”纳入重点监控，早期风险识别率从35%提升至50%，对应客群最终违约率下降7%
• 挖掘投诉数据中的风险隐患：用文本挖掘的TF-IDF算法分析10万+条客户投诉记录，提取“还款提醒未收到”“额度调整未通知”等高频痛点，推动产品部门优化短信提醒模板（增加“还款日期+金额”突出显示）和额度调整弹窗确认功能，投诉率从4.2%降至3.3%，间接降低因客户遗忘导致的违约率3%
• 回溯营销活动风险效果：对过往3年的拉新活动（如“首借免息”）进行风险复盘，用卡方检验分析不同渠道（抖音、微信、线下网点）的客户违约率差异，发现“线下社区推广”渠道的30天违约率较线上渠道高8个百分点，推动停止该渠道投放，减少无效获客成本180万元，新客整体违约率下降5%

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。

• 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。