负责公司支付业务全链路风险封控的数据挖掘与策略优化，聚焦黑产团伙识别、异常交易检测及封控规则迭代，通过多源数据融合建模驱动风险决策精准化，支撑年交易规模超800亿的业务线风险防控。

• 主导搭建基于图神经网络的团伙欺诈识别体系：整合支付流水、设备指纹、IP地址、联系人关系等12类异构数据，构建包含5000万+节点的用户-设备-交易知识图谱；针对传统规则引擎漏判的隐蔽性洗钱团伙（单团伙涉案金额50-200万），采用GraphSAGE算法提取节点邻接特征与社区属性，结合时间序列异常检测（STL分解+孤立森林），将团伙识别召回率从68%提升至89%，误报率控制在3%以内，年拦截可疑交易超12亿元。
• 优化封控策略动态调优机制：基于PSI（群体稳定性指标）监控发现客群风险分布偏移（月均PSI从0.12升至0.25），牵头设计分层抽样验证方案，通过XGBoost特征重要性回溯定位‘近30天跨区域交易频次’等5个失效特征，替换为‘设备蓝牙MAC变更频率’‘夜间小额高频转账占比’等新型风险指标，推动策略AUC从0.78提升至0.85，季度资损率下降0.17个百分点。
• 解决样本不平衡下的模型训练难题：针对黑产样本仅占全量交易0.03%的极端情况，采用SMOTE-ENN过采样结合代价敏感学习（调整正负样本权重至1:20），并引入迁移学习（基于历史黑产库预训练Embedding层），使模型对新型欺诈（如AI换脸仿冒登录）的识别F1-score从0.41提升至0.68，上线3个月内阻断首例千万级仿冒盗刷案件。
• 推动数据挖掘成果向业务端落地：设计‘风险等级-封控强度’动态映射矩阵，将模型输出的1-10分风险分转化为‘观察-限制交易-冻结账户’三级策略，配合A/B测试验证不同分箱下的用户投诉率与资损成本，最终策略上线后用户误封投诉减少42%，年度风险运营成本降低280万元。

支撑消费信贷业务贷前-贷中风险封控，负责反欺诈模型开发、可疑账户聚类分析及封控规则验证，保障千万级用户信贷资产质量，目标将首逾率控制在4%以内。

• 构建多维度反欺诈特征工程：从用户基本信息、行为日志、第三方征信等8个数据源提取400+原始特征，通过IV值筛选（筛选IV>0.1的特征237个）、WOE分箱（消除异常值影响）及共线性剔除（VIF<5），保留89个有效预测特征；针对‘多头借贷’隐蔽性问题，创新设计‘近6个月征信查询机构类型分布熵’特征，模型对多头用户的识别准确率提升19%。
• 落地基于LightGBM的实时反欺诈模型：优化特征计算时效性（将特征生成耗时从200ms压缩至50ms），采用量子化压缩技术降低模型推理内存占用35%；模型上线后，在日处理120万笔借款申请中，拦截欺诈用户占比从2.1%提升至3.8%，首逾率从4.3%降至3.5%，达到业务目标。
• 开展存量账户风险回溯分析：使用DBSCAN聚类算法对历史逾期用户进行行为聚类，识别出‘注册-试借-养号-大额套现’四阶段黑产路径，提取‘首次借款金额集中在3000-5000元’‘还款日前3天集中小额还款’等6类异常模式，输出32条封控规则，推动贷中监控系统拦截潜在风险账户1.2万个，挽回损失约1800万元。
• 搭建模型效果监控看板：基于Prometheus+Grafana开发风险模型监控平台，实时跟踪PSI、KS、AUC等核心指标（阈值告警延迟<10分钟），设计‘特征漂移-模型衰减-策略调整’联动机制，全年触发模型重训12次，确保模型稳定性维持在业务要求阈值内。

参与互联网金融平台基础风险数据建设，负责欺诈案例库搭建、简单风险模型探索及封控规则辅助验证，支撑业务初期风险防控体系从0到1落地。

• 完成千万级历史风险数据清洗与标签体系构建：梳理逾期、盗刷、多头借贷等6类风险事件定义，通过规则匹配（如‘30天内逾期超3次’）与人工复核（抽样比例5%）结合，标注有效风险样本42万条；设计风险等级标签（高/中/低）及关联维度（设备/IP/联系人），形成可复用的风险案例库，后续模型训练样本获取效率提升60%。
• 探索基于逻辑回归的基础反欺诈模型：选取‘注册IP是否为虚拟运营商’‘手机号归属地与常驻地是否一致’等15个基础特征，通过WOE编码与L1正则化降低过拟合，模型对已知欺诈样本的识别率从55%提升至72%，为初期业务提供了首个可解释的风险预测工具。
• 辅助优化封控规则阈值：通过卡方分箱分析‘近1个月登录设备数’与逾期率的相关性，发现当设备数>5时逾期率较均值高2.3倍，推动将原规则‘设备数>3’调整为‘设备数>5’，误封率下降18%，同时保持对高风险用户的拦截能力。
• 参与风险数据看板开发：基于SQL与Tableau搭建风险指标可视化平台，监控‘每日新增风险用户数’‘各渠道欺诈占比’等10+核心指标，支持业务团队快速定位风险高发场景（如某推广渠道欺诈率达行业均值2倍），推动渠道合作策略调整，该渠道后续欺诈率下降41%。

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。