负责公司消费金融与小微贷业务闭环封控数据挖掘体系搭建，聚焦用户全生命周期风险画像、跨产品团伙欺诈识别及实时交易风险拦截，边界涵盖多模态数据特征融合、图神经网络模型落地及风险策略A/B测试迭代

• 主导设计“用户行为-设备环境-社交关系”三维异常检测模型，针对消费分期“养号套现”欺诈场景，使用Spark完成APP日志、设备指纹、通讯录多源数据ETL，通过LightGBM融合时序特征（近7天登录频次波动）与图特征（社交节点风险传播系数），破解传统规则引擎35%漏判率问题；上线后欺诈识别率提升至92%，单月拦截疑似欺诈订单1.2万笔，减少损失约800万元
• 核心优化跨产品团伙欺诈识别能力，针对小微贷与联名信用卡欺诈溢出问题，搭建Neo4j社交关系图谱，引入PageRank算法评估节点风险权重，结合XGBoost构建“关联度-风险值”双维度评分卡；通过自监督学习补充弱关联边，解决图数据稀疏导致的泛化差问题，将团伙欺诈召回率从48%提升至75%，误报率控制在1.8%以内，支撑打击3个涉案超500万元的欺诈团伙
• 推动实时风险预警流数据处理升级，将原有Hadoop批量处理迁移至Flink框架，优化滑动窗口+会话窗口参数调优，实现交易风险毫秒级响应；引入Evidently AI特征漂移检测工具，每周监控特征分布变化并动态调整模型阈值，使实时交易误拦截率从5.2%降至2.1%，客户投诉率下降60%
• 主导风险策略三维度（模型性能-业务影响-成本投入）评估体系搭建，使用Python StatsModels进行双重差分法（DID）因果推断，验证小微贷客群“经营流水稳定性”特征边际效益最高，将其权重提升30%后，客群坏账率从3.8%降至2.9%，审批时效缩短15%，转化率提升8%

负责公司现金贷业务风险数据挖掘，聚焦信用评分模型优化、多头借贷识别及贷后逾期预测，边界包括结构化数据特征工程、传统机器学习模型训练及风险报告输出

• 优化信用评分模型特征工程，针对客群下沉导致特征有效性下降问题，使用Python Pandas与Scikit-learn衍生“近3个月查询机构类型分布”“收入负债比周波动”等非线性特征，结合IV值与PSI筛选高区分度特征；将模型KS值从0.42提升至0.51，坏账预测准确率提高12%，支撑业务将客群年化利率从24%降至21%，兼顾风险与竞争力
• 搭建多头借贷识别模型，整合内部12个月申请记录与还款行为数据，使用L1正则化逻辑回归筛选特征，识别“7天内申请3家以上机构”隐性多头客群；模型上线后多头客群逾期率从11%降至7%，减少外部数据依赖，每年节省采购成本约300万元
• 输出贷后风险预警报告，基于Cox比例风险模型预测逾期用户还款概率，结合APP行为轨迹（打开频次、还款页面停留时间）分层运营；针对高风险客群设计“短信+人工”差异化策略，使M1回收率从75%提升至82%，单月回收金额增加450万元

负责公司小额贷款业务基础风险数据处理与简单模型应用，聚焦数据清洗、风险指标监控及初步欺诈筛查，边界包括SQL数据提取、Excel可视化及基础分类模型使用

• 搭建风险数据仓库基础层，使用SQL从Oracle数据库提取15张表字段，通过Kettle工具ETL清洗缺失值与异常值，形成每日更新风险宽表；解决数据分散、口径不一致问题，使风险指标统计时效从T+1缩短至T+0，支撑实时风险查看
• 设计初步欺诈筛查规则，基于用户IMEI码与IP地址，用Excel VLOOKUP与条件格式识别“同一设备多账号”“异地高频登录”异常；每月筛查疑似欺诈用户约500人，拦截欺诈订单约200笔，减少损失约120万元
• 监控风险指标趋势，用Tableau制作Dashboard跟踪“逾期率”“坏账率”等核心指标，每周输出分析报告；发现某地区逾期率连续3周上升，钻取数据定位合作渠道用户质量下降，建议暂停合作后该地区逾期率从6%降至3%

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。

• 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。