负责公司支付业务场景下异常账户封控的全生命周期数据支撑，涵盖封控前风险预判模型构建、封控中策略动态迭代、封控后效果归因与合规审计，联动风控、产品团队落地数据驱动的精准封控决策

• 主导支付账户“低频高损”欺诈封控模型优化，针对传统规则引擎漏判的仿冒商户收款账户，引入图神经网络（GNN）融合设备指纹、交易拓扑关系、关联手机号域等12维弱特征，构建“账户-交易-关联网络”三维风险画像；解决样本不平衡问题时，采用SMOTE-ENN过采样结合加权交叉熵损失函数，将模型对隐性欺诈账户的召回率从38%提升至67%，上线后季度拦截可疑交易金额1.2亿元，误封率稳定控制在0.15%以内
• 核心参与封控策略动态迭代项目，基于Shapley值分解模型输出的特征重要性，识别“夜间高频跨地域交易”“新账户绑定老商户收款”两类高风险行为；联动产品团队将其嵌入实时封控规则引擎，通过A/B测试验证策略有效性——优化后策略响应时间从120ms缩短至45ms，封控准确率提升29%，月均减少无效封控投诉1500+件
• 搭建封控效果因果归因体系，采用Causal Forest模型拆解封控动作对业务指标的双向影响（拦截欺诈损失vs影响正常用户体验）；针对某季度封控后新用户复购率下降问题，归因发现是“低风险新用户被误触规则”，推动调整规则阈值区间，将新用户误封率从0.8%降至0.3%，当月复购率回升至历史峰值92%
• 支撑监管合规要求的封控数据留痕，主导设计“封控决策链路追溯系统”，用Spark SQL构建全量封控事件数据仓库，整合规则引擎输出、模型评分、人工审核日志三类数据；实现“每笔封控可回溯至原始特征、模型版本、决策人”，顺利通过年度央行反洗钱专项审计，节省合规整改时间40%

负责消费金融业务贷前风险数据挖掘，聚焦反欺诈与信用评估特征构建，为上层封控策略提供基础风险信号与特征输入

• 主导消费贷申请人欺诈风险特征挖掘，用随机森林筛选“通讯录异常联系人占比”“设备IMEI变更频率”等8个高区分度特征，构建欺诈风险评分卡；上线后将贷前欺诈拒绝率提升18%，同时保持信用良好用户通过率不变，助力消费贷不良率从4.2%降至3.5%
• 参与反欺诈模型特征工程优化，针对“黑产批量注册”问题，引入时间序列分析（ARIMA模型）识别“同一IP下1小时内注册超5个账户”异常模式，将此类黑产账号识别率从25%提升至52%，减少后续封控环节压力
• 支撑封控策略回溯分析，用Logistic Regression拆解历史封控事件原因，发现“异地登录后立即大额借款”账户封控率不足30%，推动纳入贷前预警规则，后续此类账户欺诈发生率下降41%

负责普惠金融业务基础数据整理与初步风险分析，搭建标签体系支撑上层风控与封控决策

• 搭建普惠贷款客户标签体系，整合基本信息、交易流水、征信报告等数据，生成“收入稳定性”“负债水平”“还款习惯”等20+基础风险标签，支撑后续风控模型特征输入
• 参与贷后风险初步排查，用SQL查询逾期客户交易记录，识别“逾期前3个月频繁信用卡套现”客户群体（占比15%），推动纳入贷中监控名单，后续此类客户逾期率升至28%，提前触发封控措施
• 优化数据提取流程，用Python编写自动化脚本，将贷后数据提取时间从每周8小时缩短至2小时，提升风险排查效率，节省人力成本约30%

基于联邦学习的供应链金融全链路风险防控体系搭建

• 项目背景：公司供应链金融业务依赖上下游企业多维数据，但传统集中式建模面临《个人信息保护法》下的数据隐私合规压力，且核心企业的供应商/经销商数据分散在ERP、物流、税务等多系统，导致逾期率高达7.8%、风险识别滞后。我的核心目标是对接10+家核心企业与金融机构，搭建“隐私保护+跨域协同”的全链路风控体系，实现风险早预警、合规可追溯。
• 关键难题与技术路径：一是跨机构数据“可用不可见”的联邦架构设计——需平衡不同主体的数据主权与模型效果；二是供应链“商流-物流-资金流”多模态数据的特征融合——传统模型难以捕捉隐性关联风险（如供应商资金链断裂对经销商的传导效应）；三是实时风险决策的低延迟要求——需支撑日均10万+笔融资申请的秒级审批。
• 核心行动与创新：1. 主导设计“中心节点+边缘计算”的分层联邦框架，将核心企业的交易流水、物流企业的运单轨迹、税务平台的开票数据分别部署在不同机构的联邦节点，通过FATE框架实现模型参数交换而非原始数据共享，确保合规；2. 构建“动态行为+关联网络+场景特征”的三维特征体系，引入图神经网络（GNN）挖掘企业间股权关联、账期传导等隐性关系，新增“供应商应付账款周转天数变化率”“经销商下游回款同步率”等15个供应链特有特征；3. 针对实时决策，用TensorRT优化联邦模型的推理引擎，将单请求延迟从600ms压缩至120ms以内，同时通过Redis缓存高频特征，支撑高并发场景。
• 成果与价值：项目上线后，供应链金融逾期率降至3.1%（同比下降60%），风险预警提前期从7天延长至15天；支持了与15家核心企业的深度合作，供应链融资放款规模增长42%；体系通过央行金融科技合规认证，成为公司供应链金融的“风险护城河”，我个人主导的联邦建模方案被纳入公司技术标准库。

消费金融新客冷启动风险画像与精准授信项目

• 项目背景：公司消费金融业务拓展至下沉市场，新客占比从25%提升至45%，但传统风控模型依赖历史借贷数据，新客因“数据空白”导致逾期率达11.2%（老客仅4.8%），且人工审核成本高。我的目标是解决新客“无历史、难评估”问题，搭建“迁移学习+场景特征”的冷启动风控体系，实现新客精准授信与风险可控。
• 关键难题与技术选择：一是新客特征稀疏——仅拥有基础属性（年龄、地域）、设备信息（IMEI、IP）、场景行为（APP浏览时长、点击路径）三类弱特征；二是跨域迁移的学习偏差——老客模型（依赖借贷数据）与新客场景的分布差异大，直接迁移会导致过拟合；三是业务可解释性——风控团队要求“能说清新客风险来源”，否则无法落地。
• 核心行动与突破：1. 构建“领域适配的迁移学习框架”：以老客的“消费频次-还款稳定性”“设备稳定性-地址一致性”等特征为源域，通过DANN算法对齐新客与老客的特征分布，将老客的“信用惯性”迁移到新客；2. 挖掘场景化弱特征：从APP行为中提取“近7天理财页面停留时长”“商品详情页滚动次数”等20个反映消费理性度的特征，用SHAP值验证其与逾期的相关性（如“理财页面停留越长，逾期率下降12%”）；3. 设计“分层审批策略”：低风险新客通过模型自动授信（额度5000元以内），高风险新客触发人工审核，平衡效率与风险。
• 成果与价值：项目上线6个月后，新客逾期率降至6.3%（同比下降44%），自动审批率从30%提升至75%，人工审核成本降低22%；支撑公司下沉市场用户增长38%，新客贡献的利息收入占比从18%提升至29%。我个人主导的“场景行为特征迁移方法”申请了1项发明专利，成为公司消费金融风控的核心技术之一。

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。