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

基于联邦学习的普惠金融全链路风险防控体系构建

• 项目背景：普惠金融赛道小微企业信贷因数据分散（涉及工商、税务、供应链等多源异构数据）、隐私监管趋严，传统集中式建模面临“数据孤岛”与合规风险，公司需一套兼顾隐私保护与风险识别效率的体系，支撑100亿+小微企业信贷投放。我的核心职责是主导联邦学习框架设计、跨机构数据协同及全链路风险模型搭建，对齐业务目标与合规要求。
• 关键难题与技术：一是不同合作机构（银行、税务平台、供应链服务商）数据schema不一致，联邦学习异构数据融合困难；二是小微企业缺乏抵押品，传统信用特征有效性低，欺诈风险隐蔽。针对前者，采用“横向联邦（同类型机构数据）+纵向联邦（跨维度机构数据）”混合架构解决异构问题；针对后者，引入图神经网络（GNN）挖掘企业间关联关系（如上下游交易、实际控制人交叉任职），生成补充风险特征。
• 核心行动与创新：牵头与合作机构签署《联邦学习数据协同协议》，制定“数据可用不可见”的脱敏与权限管理规范；搭建基于TensorFlow Federated的联邦学习平台，通过梯度量化压缩技术将通信耗时降低35%；设计“基础信用分+关联风险指数+行为异常标签”三层模型架构，用SHAP值实现决策路径可解释，解决业务对“黑盒模型”的信任问题。
• 项目成果与价值：风险识别准确率较传统集中式模型提升28%，欺诈损失金额同比下降41%；支撑公司当年小微企业信贷投放126亿元，同比增长67%；形成的《联邦学习在普惠风控中的应用指南》成为公司核心技术文档，后续推广至消费金融场景，降低合规审计成本约200万元。

零售信贷智能预警系统升级与自动化决策引擎落地

• 项目背景：原有零售信贷预警系统依赖300+条静态规则，对新型风险（如直播电商商户现金流波动、年轻客群超前消费逾期）响应滞后，自动化处置率仅40%，不良贷款率（1.6%）高于行业均值2个百分点。我的职责是主导系统模型迭代、实时数据处理 pipeline 搭建及自动化决策策略设计，推动风险管控从“被动应对”转向“主动干预”。
• 关键难题与技术：一是规则引擎灵活性不足，无法快速适配新客群风险特征；二是实时数据来源分散（支付流水、舆情、设备信息），处理延迟达6小时，错过最佳干预时机；三是客群分层粗糙，“一刀切”预警导致误判率高。解决：用LightGBM模型替代70%静态规则，实现风险特征动态学习；搭建基于Flink的实时数据处理平台，整合多源数据并做特征工程（如计算商户日流水变异系数、舆情负面词频热度）；采用K-means++聚类实现客群分层（年轻白领、个体工商户、老年客群），设计“红橙黄”三级预警策略。
• 核心行动与创新：主导模型训练，整合12个维度的实时特征（如近7日支付退款率、社交平台投诉量），将模型AUC从0.78提升至0.89；优化Flink作业并行度，解决峰值时段（如双11）数据积压问题，数据处理延迟压缩至15分钟内；推动与贷后系统对接，实现高风险客户自动触发降额、智能催收流程，减少人工介入环节。
• 项目成果与价值：预警响应时间从6小时缩短至15分钟，自动化处置率提升至75%；不良贷款率降至1.2%，低于行业均值0.8个百分点；系统支撑公司零售信贷规模从300亿增长至500亿，成为业务扩张的核心保障；个人因此获得公司“年度风控创新奖”，经验被纳入新人培养课程。

• 因痛心于年轻人对历史的疏离，我在B站创立「古人脱口秀」栏目，用职场梗解构历史事件（如《雍正皇帝的KPI保卫战》）。通过设计「颠覆认知-史料佐证-现代共鸣」三幕剧本模板，单期视频最高收获1.7万条弹幕互动。
• 两年间栏目播放量突破180万，作品被多地中学选为教学素材。这段经历磨砺出将学术内容转化为大众语言的能力，也让我理解到真实用户反馈才是创作者的指南针。