负责消费金融业务全链路风险封控的数据挖掘与策略落地，聚焦高信用风险及违规行为客群的精准识别、特征工程构建与模型迭代，支撑封控规则优化及风险损失降低

• 主导构建高违约风险客群的深度特征体系：基于XGBoost特征重要性分析筛选基础特征（如还款延迟天数、额度使用波动率），结合图神经网络挖掘设备指纹、共同借款人等关联风险特征；针对特征时效性不足问题，引入滑动窗口特征工程（将特征更新频率从周级提升至天级），最终模型KS值从0.62提升至0.75，高风险客群召回率提高20%，直接支撑封控规则拦截逾期超90天的客群规模增长35%
• 优化封控策略动态调整机制：采用DQN强化学习结合实时风险指标（近30天征信查询次数、多头借贷占比），解决静态规则应对“以贷养贷”新型风险的滞后问题；推动策略迭代周期从每月1次缩短至每周1次，欺诈交易拦截率提升18%，误拒率稳定控制在3%以内，季度内减少因规则滞后导致的损失约600万元
• 搭建跨部门风险特征库：整合信贷审批、贷后管理、反欺诈三方数据源，用Spark分布式计算框架完成特征清洗与计算，制定“IV值>0.1+PSI<0.1”的特征准入标准；特征复用率从40%提升至75%，新策略开发周期缩短30%，支撑团队快速响应监管对“共债风险”的管控要求
• 识别团伙欺诈场景：用Louvain社区发现算法分析设备、IP、联系人网络的异常聚类，结合随机森林分类模型识别出3个大型欺诈团伙（涉及用户1200人、金额1200万元）；推动封控规则拦截该类客群，后续同类风险事件下降65%，获公司年度“风险防控突出贡献奖”

负责普惠金融小额贷款业务的贷前风险挖掘，聚焦客群违约概率预测及异常行为识别，支撑封控策略的初步构建与优化

• 开发贷前违约概率模型：采用逻辑回归结合WOE编码处理样本不平衡问题（正样本占比8%），引入运营商缴费记录、电商消费行为等外部数据；模型AUC从0.78提升至0.83，帮助准入客群的风险调整后收益提升15%，年度减少坏账损失约450万元
• 识别异常借款行为：用孤立森林算法检测高维行为数据中的离群点（如短时间多次修改收款账户、异地登录后立即申请），拦截可疑申请2.1万笔，避免损失约800万元；该模型后来被纳入公司“异常行为识别标准流程”
• 回溯优化封控规则：用混淆矩阵分析现有规则的误判情况，调整“逾期30天以上客群拦截阈值”从70%降至60%；误拒率下降5%，同时保持拦截率稳定在85%以上，支撑业务团队扩大客群覆盖度
• 搭建贷前风险监控看板：用Tableau整合模型KS值、规则拦截率、每日高风险客群占比等指标，支持业务团队实时掌握风险态势；响应时间从24小时缩短至4小时内，助力快速调整授信策略

协助风控团队进行基础数据清洗、风险特征统计及简单模型验证，支撑封控策略的初步落地

• 清洗贷后逾期数据：用多重插补法处理缺失值、3σ原则剔除异常值，构建包含收入负债比、历史逾期次数等12个基础特征的逾期客群特征集；数据准确率从97%提升至99.5%，为后续模型开发奠定基础
• 输出客群风险画像：统计不同地区、年龄段的逾期率差异，发现某省逾期率高出均值2倍；推动团队调整该地区授信额度（从5万降至3万），半年内该地区逾期率下降12%
• 验证模型稳定性：用PSI计算逻辑回归模型特征稳定性，发现“近6个月征信查询次数”PSI达0.15（超过阈值0.1）；建议替换为“近3个月查询次数”，模型稳定性提升，后续迭代中该特征始终处于重要性Top5
• 协助搭建风险预警机制：用移动平均法预测未来30天逾期客群数量，预测误差率控制在8%以内；支持团队提前部署封控资源（如增加电话催收人员），逾期回收率提升7%

基于联邦学习的小微企业信贷全链路风险防控体系搭建

• 项目背景：小微企业因财务数据碎片化、跨机构数据共享存在隐私壁垒，传统风控模型逾期率高达8%，且无法满足《个人信息保护法》下的数据合规要求。我的核心目标是主导搭建“隐私保护+精准风控”的联邦学习体系，打通跨机构数据价值，支撑小微企业信贷业务规模化。
• 关键难题：一是跨银行、税务、舆情平台的数据联合建模需规避原始数据泄露；二是小微企业多源异构数据（税务发票、银行流水、供应链舆情）的特征融合难度大；三是模型需同时满足监管可解释性与业务实时性要求。我针对性选择“分层联邦学习”架构，结合XGBoost与LightGBM模型融合，用NLP处理非结构化舆情数据，并参考《金融数据安全 数据安全分级指南》设计全流程合规机制。
• 核心行动：1. 主导设计“机构端-联邦中心-业务端”三层架构，机构间仅交换加密梯度，确保原始数据不出域；2. 构建小微企业特征中台，整合12类外部数据与内部交易数据，开发“近3个月开票波动系数”“舆情负面关键词实时预警”等30+维度特征，覆盖经营稳定性与外部风险；3. 优化模型训练流程，引入增量学习解决数据时效性问题，用SHAP值生成可视化决策报告，让业务人员可追溯风险来源。
• 项目成果：体系上线后，合作金融机构的小微企业信贷逾期率从8%降至4.2%，模型AUC从0.78提升至0.85；支持10+机构累计放款超50亿元，合规审计通过率100%。我个人主导了联邦框架落地与特征中台搭建，突破了隐私与效果的矛盾，推动业务从“不敢贷”转向“精准贷”。

零售信贷客户生命周期风险预警系统迭代升级

• 项目背景：原有零售信贷预警系统依赖静态规则，滞后性强，误报率达35%，导致客户投诉率高且风险漏判。我的目标是迭代系统为“动态感知、提前预警、精准干预”的全生命周期体系，提升风险识别的前瞻性。
• 关键难题：一是客户全渠道行为数据（APP点击、交易、地理位置）高维稀疏，难以提取有效特征；二是需提前7-15天捕捉“正常→逾期”的中间状态；三是模型在线更新效率低，无法应对实时数据变化。我采用Spark Streaming构建实时数据 pipeline，结合LSTM+Attention模型处理时序行为数据，参考FICO评分卡方法论设计风险分层指标。
• 核心行动：1. 重构数据链路，整合客户APP、交易、客服等6类实时数据，搭建秒级更新的实时特征仓库，支持“登录时长变化”“交易频率骤降”等动态特征计算；2. 开发“风险信号分层模型”，用LSTM捕捉行为序列的细微变化，Attention机制定位关键风险因子（如“连续3天登录时间推迟2小时以上”），将风险识别提前期从7天延长至15天；3. 设计在线学习机制，每天用新数据更新模型参数，同时优化TensorFlow Serving推理速度，将响应时间从500ms降至100ms。
• 项目成果：系统迭代后，误报率从35%降至12%，每年减少坏账损失约8000万元；客户因误拦截的投诉率下降20%，支撑零售信贷余额年增长40%。我个人主导了数据 pipeline重构与模型迭代，让预警系统从“被动响应”转向“主动防御”，成为业务的核心风险管控工具。

• 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。