负责消费金融业务全链路风险封控的数据挖掘与策略落地，聚焦高信用风险及违规行为客群的精准识别、特征工程构建与模型迭代，支撑封控规则优化及风险损失降低

• 主导构建高违约风险客群的深度特征体系：基于XGBoost特征重要性分析筛选基础特征（如还款延迟天数、额度使用波动率），结合图神经网络挖掘设备指纹、共同借款人等关联风险特征；针对特征时效性不足问题，引入滑动窗口特征工程（将特征更新频率从周级提升至天级），最终模型KS值从0.62提升至0.75，高风险客群召回率提高20%，直接支撑封控规则拦截逾期超90天的客群规模增长35%
• 优化封控策略动态调整机制：采用DQN强化学习结合实时风险指标（近30天征信查询次数、多头借贷占比），解决静态规则应对“以贷养贷”新型风险的滞后问题；推动策略迭代周期从每月1次缩短至每周1次，欺诈交易拦截率提升18%，误拒率稳定控制在3%以内，季度内减少因规则滞后导致的损失约600万元
• 搭建跨部门风险特征库：整合信贷审批、贷后管理、反欺诈三方数据源，用Spark分布式计算框架完成特征清洗与计算，制定“IV值>0.1+PSI<0.1”的特征准入标准；特征复用率从40%提升至75%，新策略开发周期缩短30%，支撑团队快速响应监管对“共债风险”的管控要求
• 识别团伙欺诈场景：用Louvain社区发现算法分析设备、IP、联系人网络的异常聚类，结合随机森林分类模型识别出3个大型欺诈团伙（涉及用户1200人、金额1200万元）；推动封控规则拦截该类客群，后续同类风险事件下降65%，获公司年度“风险防控突出贡献奖”

负责普惠金融小额贷款业务的贷前风险挖掘，聚焦客群违约概率预测及异常行为识别，支撑封控策略的初步构建与优化

• 开发贷前违约概率模型：采用逻辑回归结合WOE编码处理样本不平衡问题（正样本占比8%），引入运营商缴费记录、电商消费行为等外部数据；模型AUC从0.78提升至0.83，帮助准入客群的风险调整后收益提升15%，年度减少坏账损失约450万元
• 识别异常借款行为：用孤立森林算法检测高维行为数据中的离群点（如短时间多次修改收款账户、异地登录后立即申请），拦截可疑申请2.1万笔，避免损失约800万元；该模型后来被纳入公司“异常行为识别标准流程”
• 回溯优化封控规则：用混淆矩阵分析现有规则的误判情况，调整“逾期30天以上客群拦截阈值”从70%降至60%；误拒率下降5%，同时保持拦截率稳定在85%以上，支撑业务团队扩大客群覆盖度
• 搭建贷前风险监控看板：用Tableau整合模型KS值、规则拦截率、每日高风险客群占比等指标，支持业务团队实时掌握风险态势；响应时间从24小时缩短至4小时内，助力快速调整授信策略

协助风控团队进行基础数据清洗、风险特征统计及简单模型验证，支撑封控策略的初步落地

• 清洗贷后逾期数据：用多重插补法处理缺失值、3σ原则剔除异常值，构建包含收入负债比、历史逾期次数等12个基础特征的逾期客群特征集；数据准确率从97%提升至99.5%，为后续模型开发奠定基础
• 输出客群风险画像：统计不同地区、年龄段的逾期率差异，发现某省逾期率高出均值2倍；推动团队调整该地区授信额度（从5万降至3万），半年内该地区逾期率下降12%
• 验证模型稳定性：用PSI计算逻辑回归模型特征稳定性，发现“近6个月征信查询次数”PSI达0.15（超过阈值0.1）；建议替换为“近3个月查询次数”，模型稳定性提升，后续迭代中该特征始终处于重要性Top5
• 协助搭建风险预警机制：用移动平均法预测未来30天逾期客群数量，预测误差率控制在8%以内；支持团队提前部署封控资源（如增加电话催收人员），逾期回收率提升7%

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。

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。