负责公司消费金融与小微贷业务全链路风险数据挖掘，主导封控策略模型构建与迭代，识别高危交易及用户关联风险，支撑风险决策落地与策略效能优化

• 主导构建基于图神经网络（GNN）的关联交易风险挖掘模型，整合用户设备指纹、社交关系链、交易对手方图谱等12类维度数据——通过Neo4j搭建用户-交易-设备关联图，用GraphSAGE算法学习节点嵌入特征，解决传统规则无法识别的“隐蔽团伙欺诈”问题，将团伙欺诈识别率从18%提升至45%，单季度拦截欺诈金额超8000万元
• 核心优化实时风险封控时效性瓶颈，针对原有批量处理响应慢的痛点，牵头搭建Flink+Kafka实时数据栈，将交易风险特征计算延迟从60分钟压缩至15分钟内，并联动决策引擎实现“秒级拦截”，使高风险交易误报率从32%降至10%，支撑小微贷业务日均放款量提升25%
• 针对逾期用户风险溯源需求，运用DBSCAN聚类与SHAP值归因分析，挖掘逾期群体“共债风险”“收入波动特征”等隐性模式，输出《逾期用户风险画像报告》，推动业务调整授信策略，新客逾期率从4.8%下降至3.1%
• 跨部门推动模型落地闭环，将GNN与LightGBM融合后的封控策略集成至风险决策平台，制定策略迭代SOP，使策略更新周期从2周缩短至3天；同时编写《封控数据挖掘操作手册》，赋能风险运营团队自主验证规则有效性，运营效率提升40%

聚焦信用卡业务欺诈风险挖掘，参与模型搭建与特征工程，优化风险规则区分度与覆盖度，支撑反欺诈策略精细化运营

• 独立完成信用卡欺诈检测模型基础搭建，基于LightGBM整合用户交易频率、设备地理位置漂移、IP代理特征等20+维度数据，通过网格搜索调参优化，模型AUC从0.85提升至0.92，召回率达82%，有效识别批量伪卡盗刷，单月拦截欺诈交易超1200笔
• 运用统计分析与聚类算法优化风险规则库，针对“异地大额消费”规则误报问题，通过卡方检验筛选“交易时间+商户类型”组合特征，将规则误报率从28%降至15%，同时保留90%以上盗刷行为覆盖能力
• 参与开发风险预警可视化看板，用Tableau整合实时交易与模型输出，搭建“欺诈风险热力图”“规则命中分布”模块，帮助运营团队将风险响应时间从45分钟缩短至20分钟，支撑信用卡中心季度欺诈损失率下降1.2个百分点
• 协助回溯历史风险数据，用Python Scikit-learn构建“风险用户相似度模型”，识别3个隐性欺诈团伙（涉及120人），推动冻结相关账户，避免潜在损失超300万元

负责风险数据清洗与基础特征构建，协助验证风险规则有效性，参与反欺诈模型测试与优化

• 独立完成100万+条用户交易数据清洗与特征工程，用Pandas解决缺失值（均值/中位数插补）、异常值（3σ原则）问题，构建“交易频次”“金额波动”“商户重复度”等15个基础风险特征，支撑上层模型训练
• 协助分析师验证风险规则区分度，用SPSS进行卡方检验与KS值计算，筛选“单日交易超5次且金额均大于5000元”等8条高区分度规则，规则整体误报率从40%降至25%
• 参与新反欺诈模型测试，用交叉验证法评估不同客群性能，输出《模型测试报告》指出“年轻用户小额高频交易”误判问题，推动调整特征权重，使年轻客群误报率下降18%
• 定期整理风险数据报告，汇报“夜间大额转账”“境外IP登录”等高频风险场景，其中“夜间转账风险占比22%”推动业务上线“夜间交易二次验证”，降低15%夜间欺诈损失

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。

支教时发现乡村小学因缺乏实验器材，科学课多停留在课本讲解。返校后联合实验室开发出百元级科学实验背包，内含20个基础实验器材。为确保可持续运营，设计配套视频课程与城乡结对系统，并培训132名大学生担任远程助教。项目覆盖9省47所学校后，学生科学兴趣评分提升35%。这段经历教会我用产品思维解决社会问题，当看到孩子们用自制望远镜发现土星光环时，我理解了教育的真谛是点燃可能性。