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%

零售信贷业务实时反欺诈体系升级项目

• 项目背景：随着公司零售信贷业务规模扩张至年放款量80亿元，原有基于规则引擎的反欺诈系统暴露两大痛点——对跨渠道团伙欺诈的实时识别率不足35%，同时对新型诈骗模式（如AI仿冒身份、设备农场批量作案）的误拒率攀升至18%，导致客户体验下降与欺诈损失年增约2000万元。我的核心目标是主导构建“实时数据融合+智能风险感知”的反欺诈体系，覆盖贷前申请、贷中交易、贷后监控全流程。
• 解决的难题与技术：项目面临两大技术壁垒：一是多源异构数据（包括央行征信、第三方支付流水、设备指纹、IP地理围栏、社交关系链等8类数据）的毫秒级实时关联与清洗；二是欺诈团伙的动态演化特征难以被传统规则捕获。我选择Apache Flink作为实时计算引擎，解决数据流的高并发处理问题；引入图神经网络（GNN）构建“设备-账号-IP-联系人”的关系图谱，挖掘隐性关联风险；同时用无监督学习算法（Isolation Forest+AutoEncoder）识别未被标注的未知欺诈模式。
• 核心行动与创新：我牵头梳理了12个高频业务场景的数据链路，推动IT部门搭建了从数据接入到风险决策的实时管道（延迟控制在50ms内）；针对团伙欺诈，创新性地将GNN的节点嵌入与业务规则结合——比如当图谱中出现“同一设备注册3个以上账号+跨地域同时交易”的模式时，自动触发二级预警；为解决新欺诈模式的适应性，设计了“每周模型增量训练+异常模式人工标注”的闭环机制，确保模型能快速迭代。
• 项目成果：升级后的体系将实时欺诈拦截率从35%提升至75%，误拒率降至12%以下，年减少欺诈损失约1200万元；同时通过实时决策引擎将高风险客户的审核时间从4小时压缩至5分钟，客户转化率提升8%。我个人主导的GNN关联模型被纳入公司反欺诈核心组件，后续推广至消费金融子公司。

小微商户信用评分模型迭代项目

• 项目背景：公司当时针对小微商户的信用贷款产品不良率达2.1%，核心原因是依赖传统财务数据（如营业执照年限、纳税额）的评分模型无法覆盖商户的真实经营状况——80%的商户缺乏规范财务报表，而收单流水、电商平台交易、线下客流量等行为数据未被有效利用。我的任务是从数据挖掘与模型优化入手，构建更贴合小微商户风险特征信用评分体系。
• 解决的难题与技术：项目难点在于两点：一是小微商户数据的碎片化——来自收单机构、电商平台、POS机厂商的 data 格式差异大，且存在大量缺失值；二是样本不平衡问题——违约商户占比仅3%，传统模型易偏向多数类。我采用LightGBM算法进行特征重要性排序，筛选出“交易稳定性（近6个月流水波动系数）”“客户粘性（月复购客户占比）”“线上互动行为（小程序登录频次）”等300+有效特征；针对样本不平衡，使用SMOTE过采样结合类别权重调整，提升模型对违约样本的敏感性。
• 核心行动与创新：我推动跨部门协作，整合了10+数据源的商户行为数据，搭建了统一的特征工程平台；创新性地将迁移学习应用于模型训练——从公司C端用户的消费行为数据中迁移“支付习惯稳定性”特征，弥补小微商户数据的不足；同时设计“分群评分”策略——对餐饮、零售、服务类商户分别训练子模型，提升行业适配性。
• 项目成果：新模型KS值从0.65提升至0.78，违约预测准确率提升30%；基于该模型的贷款通过率从45%提升至63%，但不良率降至1.2%以下，实现了风险与收益的平衡。该项目获得公司年度“风控创新奖”，模型至今仍是小微贷款业务的核心评分工具。

• 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。