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%

零售信贷业务实时反欺诈体系升级项目

• 项目背景：随着公司零售信贷业务规模扩张至年放款量80亿元，原有基于规则引擎的反欺诈系统暴露两大痛点——对跨渠道团伙欺诈的实时识别率不足35%，同时对新型诈骗模式（如AI仿冒身份、设备农场批量作案）的误拒率攀升至18%，导致客户体验下降与欺诈损失年增约2000万元。我的核心目标是主导构建“实时数据融合+智能风险感知”的反欺诈体系，覆盖贷前申请、贷中交易、贷后监控全流程。
• 解决的难题与技术：项目面临两大技术壁垒：一是多源异构数据（包括央行征信、第三方支付流水、设备指纹、IP地理围栏、社交关系链等8类数据）的毫秒级实时关联与清洗；二是欺诈团伙的动态演化特征难以被传统规则捕获。我选择Apache Flink作为实时计算引擎，解决数据流的高并发处理问题；引入图神经网络（GNN）构建“设备-账号-IP-联系人”的关系图谱，挖掘隐性关联风险；同时用无监督学习算法（Isolation Forest+AutoEncoder）识别未被标注的未知欺诈模式。
• 核心行动与创新：我牵头梳理了12个高频业务场景的数据链路，推动IT部门搭建了从数据接入到风险决策的实时管道（延迟控制在50ms内）；针对团伙欺诈，创新性地将GNN的节点嵌入与业务规则结合——比如当图谱中出现“同一设备注册3个以上账号+跨地域同时交易”的模式时，自动触发二级预警；为解决新欺诈模式的适应性，设计了“每周模型增量训练+异常模式人工标注”的闭环机制，确保模型能快速迭代。
• 项目成果：升级后的体系将实时欺诈拦截率从35%提升至75%，误拒率降至12%以下，年减少欺诈损失约1200万元；同时通过实时决策引擎将高风险客户的审核时间从4小时压缩至5分钟，客户转化率提升8%。我个人主导的GNN关联模型被纳入公司反欺诈核心组件，后续推广至消费金融子公司。

小微商户信用评分模型迭代项目

• 项目背景：公司当时针对小微商户的信用贷款产品不良率达2.1%，核心原因是依赖传统财务数据（如营业执照年限、纳税额）的评分模型无法覆盖商户的真实经营状况——80%的商户缺乏规范财务报表，而收单流水、电商平台交易、线下客流量等行为数据未被有效利用。我的任务是从数据挖掘与模型优化入手，构建更贴合小微商户风险特征信用评分体系。
• 解决的难题与技术：项目难点在于两点：一是小微商户数据的碎片化——来自收单机构、电商平台、POS机厂商的 data 格式差异大，且存在大量缺失值；二是样本不平衡问题——违约商户占比仅3%，传统模型易偏向多数类。我采用LightGBM算法进行特征重要性排序，筛选出“交易稳定性（近6个月流水波动系数）”“客户粘性（月复购客户占比）”“线上互动行为（小程序登录频次）”等300+有效特征；针对样本不平衡，使用SMOTE过采样结合类别权重调整，提升模型对违约样本的敏感性。
• 核心行动与创新：我推动跨部门协作，整合了10+数据源的商户行为数据，搭建了统一的特征工程平台；创新性地将迁移学习应用于模型训练——从公司C端用户的消费行为数据中迁移“支付习惯稳定性”特征，弥补小微商户数据的不足；同时设计“分群评分”策略——对餐饮、零售、服务类商户分别训练子模型，提升行业适配性。
• 项目成果：新模型KS值从0.65提升至0.78，违约预测准确率提升30%；基于该模型的贷款通过率从45%提升至63%，但不良率降至1.2%以下，实现了风险与收益的平衡。该项目获得公司年度“风控创新奖”，模型至今仍是小微贷款业务的核心评分工具。

• 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。