负责消费金融业务全生命周期异常行为监测与风险封控，聚焦交易欺诈、账户盗用、团伙骗贷等场景，通过数据挖掘技术构建风险识别模型、优化特征体系及落地实时封控策略，协同风控运营团队实现风险早发现、低误报、高拦截的目标。

• 主导设计基于图神经网络的团伙欺诈识别模型，针对传统规则引擎漏判的跨账户关联风险，整合用户设备信息、通讯录关系、地理位置轨迹等12类弱关联数据，通过GraphSAGE算法挖掘隐藏风险社群，模型上线后团伙欺诈识别率提升41%，误报率控制在3.2%以内（较原规则下降18%）；过程中解决高维稀疏图数据的计算效率问题，采用邻域采样与稀疏张量优化，将单批次数据处理耗时从2.1小时压缩至28分钟。
• 优化贷前反欺诈特征工程，基于SHAP值分析与IV值筛选，从300+原始变量中提炼出‘近30天跨区登录频次-设备指纹一致性’‘多头借贷机构类型分布’等15个高区分度特征，接入实时决策引擎后，首逾率下降9.7%，新客风险成本降低1200万元/年；同步搭建特征监控平台，通过PSI指标动态追踪特征稳定性，提前3周预警某运营商通话时长特征漂移，避免模型效果衰减导致的客诉增加。
• 设计‘分层拦截+人工复核’的闭环封控策略，根据风险评分将交易分为高、中、低危三级，高风险交易实时阻断（拦截率92%）、中风险推送人工复核（复核通过率提升至68%）、低风险放行并持续观察；结合业务峰值动态调整阈值，大促期间将误拦截率从1.8%压降至0.9%，保障用户体验同时未新增重大风险事件。
• 主导编写《消费金融反欺诈数据挖掘实践手册》，沉淀图特征挖掘、时序异常检测等6类方法论，覆盖从数据清洗到策略落地的全流程，被纳入公司风控培训体系，新入职分析师培养周期缩短20%。

协助构建零售信贷业务反欺诈数据集市，参与异常交易检测模型开发与策略验证，支持风险策略团队完成规则迭代与效果评估，保障业务端风险可控性与用户体验平衡。

• 搭建多源数据融合的反欺诈宽表，整合用户基本信息、行为日志、第三方征信等8类数据源，通过Spark SQL完成日均200GB数据的清洗与关联，解决字段缺失（如设备IMEI缺失率15%）问题，采用KNN插值法补全后数据可用率提升至98%，支撑后续模型训练。
• 参与开发基于孤立森林的异常交易检测模型，针对早期模型对‘小额高频测试’类欺诈识别不足的问题，引入交易时间间隔、金额波动系数等时序特征，模型F1-score从0.72提升至0.85；配合完成A/B测试，验证模型上线后可疑交易标记准确率提升35%，助力贷中监控环节人力投入减少25%。
• 优化风险规则库的可解释性，针对业务部门对‘黑箱模型’的质疑，运用LIME算法生成单笔交易风险归因报告（如‘本次交易触发风险因设备曾登录过5个不同账号’），规则调整采纳率从40%提升至70%，推动风控策略从‘机器决策’向‘人机协同’转型。

负责个人信贷业务基础风险数据统计与监控，参与贷前准入规则验证及贷后风险回溯分析，为风险策略优化提供数据支持。

• 构建贷后风险预警指标体系，基于逻辑回归模型输出用户1-30天逾期概率，结合还款行为、负债水平等维度设计‘红-黄-绿’三级预警标签，推动贷后团队对红色用户提前介入催收，逾期30天以上回收率提升11%，年度坏账损失减少800万元。
• 完成第三方数据效果回溯分析，针对合作的运营商、电商数据，通过PSI与KS指标评估其对欺诈识别的贡献度，结论显示某电商收货地址稳定性特征KS值达0.35（高于整体平均0.22），推动采购预算向该数据源倾斜30%，后续模型中该特征入模后首逾率下降5%。
• 优化风险报表自动化流程，使用Python的Pandas与Matplotlib开发风险日报生成工具，替代人工取数与绘图，报表产出时效从4小时缩短至30分钟，错误率从2%降至0.1%，释放团队20%的日常数据处理精力用于深度分析。

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。

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。