负责集团金融科技板块全产品线封控数据挖掘战略规划与团队管理，聚焦跨板块风险数据整合、新型风险预研及封控效能最大化，边界覆盖战略制定、模型落地到团队赋能的全流程，支撑集团风险防控能力保持行业TOP10%

• 主导集团级风险数据整合项目，基于Apache Kafka搭建实时数据管道，整合信贷、支付、财富管理、保险4大板块的用户行为、交易流水、设备指纹等20+源系统数据，构建集团统一风险特征库（含200+核心特征），解决了以往各业务线数据孤岛问题，支撑信贷风控团队将团伙盗刷识别率从62%提升至88%
• 牵头新型风险——AI生成虚假身份注册的预研与模型开发：收集10万+条虚假身份样本（涵盖AI换脸、伪造身份证、虚拟手机号），采用CNN+RNN融合模型提取人脸图像纹理、身份证OCR一致性、手机号归属地与IP地理围栏匹配度等特征，开发“虚假身份预警模型”，将新型风险识别率从30%提升至75%，提前半年拦截了针对集团支付业务的AI虚假注册攻击，避免约1.2亿元资金损失
• 管理8人封控数据挖掘团队，制定“周技能培训+月项目复盘”机制，重点培养图算法、多模态数据挖掘等技能；推动团队从“被动支持业务需求”转向“主动预研风险”，年度落地5个重点项目，其中“跨境黑灰产资金链路挖掘项目”识别出3个跨境洗钱团伙（涉及账户超8万个），推动封控团队拦截资金约9000万元，团队获集团年度“风险防控卓越团队”奖
• 重构封控效能评估体系，将原有的“单一拦截率指标”升级为“风险-收益平衡平衡计分卡”，纳入“风险拦截率、误封率、业务交易成功率、策略迭代响应时间”4个维度；通过该体系推动封控策略优化，年度减少误封引发的客诉约3000件，同时保持风险交易漏判率低于10%

全面负责公司信贷、支付、理财全产品线封控数据挖掘与策略优化，聚焦跨产品风险传导识别、黑灰产团伙挖掘及策略智能化，边界覆盖数据治理、模型开发到策略落地的全闭环，支撑公司级风险防控体系迭代

• 核心参与公司级黑灰产团伙挖掘项目，基于Neo4j图数据库构建用户关系网络，整合注册手机号、设备ID、收款账户等10+维度关联数据，运用Louvain社区发现算法识别出3个大型养号团伙（涉及账户超5万个）；通过分析团伙行为模式（批量注册→低频交易养号→集中盗刷），推动风控团队对团伙核心账户批量封控，直接拦截潜在风险资金约8000万元
• 主导跨产品风险传导模型开发，针对“信贷违约→支付异常→理财挤兑”的风险链，构建多任务学习（MMoE）模型，融合信贷逾期天数、支付交易频次波动、理财持仓变动等特征，提前3天识别出因信贷违约引发支付异常的高风险用户，将跨产品风险扩散拦截率从55%提升至79%，避免了约3000万元的连锁损失
• 推动封控策略智能化升级，将原有规则引擎策略迁移至TensorFlow机器学习决策系统，开发“风险评分→策略匹配→动态调整”端到端模型；例如根据用户实时交易行为调整支付限额，使正常用户交易成功率提升25%，风险交易漏判率下降12%
• 搭建实时数据治理流水线，使用Apache Flink实现用户行为数据的分钟级处理，将特征迭代周期从每周1次缩短至每日1次；支撑团队快速响应新型风险——某新型盗刷手法出现后，24小时内上线针对性封控规则，拦截了约500万元的盗刷资金

负责消费金融业务高风险账户封控策略数据挖掘，聚焦异常行为识别、封控效果回溯及策略迭代，边界覆盖数据提取、模型落地到策略支撑的全流程，支撑风控团队应对恶意逃废债、账号盗用等场景

• 主导消费金融账户高风险行为挖掘项目，整合用户登录地理位置、设备指纹、交易时间/金额等维度数据，构建“异常行为特征库”——用孤立森林识别异地+新设备同时登录的异常行为，用GBDT模型捕捉单日交易超历史均值3倍且集中在凌晨的异常交易，累计提取12类核心风险特征，将恶意逃废债账户识别率从68%提升至83%
• 针对封控误判问题（原老年用户误封率15%），引入XGBoost模型融合用户年龄、历史操作习惯、亲属关联账户等软特征，调整决策阈值为0.72（原0.65），将误封率降至4%，同时保持对真实风险账户的捕获率稳定在80%以上，年度减少误封客诉约1200件
• 设计封控效果三维评估体系（实时拦截率、7日复犯率、用户投诉率），每周输出策略迭代报告；推动风控规则从“静态阈值”转向“动态自适应”——例如将交易限额从“固定单日5万”改为“基于用户历史行为的弹性限额”，使正常用户交易失败率下降22%，风险交易拦截效率提升18%
• 支撑反欺诈联合建模，与第三方数据机构合作引入设备可信度评分、IP黑灰产标签等外部数据，用LightGBM模型融合内外部特征，优化账号盗用封控策略，将盗刷交易提前预警时间从2小时缩短至30分钟，年度减少资金损失约1200万元

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。