负责公司消费金融与小微贷业务全链路风险数据挖掘，主导封控策略模型构建与迭代，识别高危交易及用户关联风险，支撑风险决策落地与策略效能优化

• 主导构建基于图神经网络（GNN）的关联交易风险挖掘模型，整合用户设备指纹、社交关系链、交易对手方图谱等12类维度数据——通过Neo4j搭建用户-交易-设备关联图，用GraphSAGE算法学习节点嵌入特征，解决传统规则无法识别的“隐蔽团伙欺诈”问题，将团伙欺诈识别率从18%提升至45%，单季度拦截欺诈金额超8000万元
• 核心优化实时风险封控时效性瓶颈，针对原有批量处理响应慢的痛点，牵头搭建Flink+Kafka实时数据栈，将交易风险特征计算延迟从60分钟压缩至15分钟内，并联动决策引擎实现“秒级拦截”，使高风险交易误报率从32%降至10%，支撑小微贷业务日均放款量提升25%
• 针对逾期用户风险溯源需求，运用DBSCAN聚类与SHAP值归因分析，挖掘逾期群体“共债风险”“收入波动特征”等隐性模式，输出《逾期用户风险画像报告》，推动业务调整授信策略，新客逾期率从4.8%下降至3.1%
• 跨部门推动模型落地闭环，将GNN与LightGBM融合后的封控策略集成至风险决策平台，制定策略迭代SOP，使策略更新周期从2周缩短至3天；同时编写《封控数据挖掘操作手册》，赋能风险运营团队自主验证规则有效性，运营效率提升40%

聚焦信用卡业务欺诈风险挖掘，参与模型搭建与特征工程，优化风险规则区分度与覆盖度，支撑反欺诈策略精细化运营

• 独立完成信用卡欺诈检测模型基础搭建，基于LightGBM整合用户交易频率、设备地理位置漂移、IP代理特征等20+维度数据，通过网格搜索调参优化，模型AUC从0.85提升至0.92，召回率达82%，有效识别批量伪卡盗刷，单月拦截欺诈交易超1200笔
• 运用统计分析与聚类算法优化风险规则库，针对“异地大额消费”规则误报问题，通过卡方检验筛选“交易时间+商户类型”组合特征，将规则误报率从28%降至15%，同时保留90%以上盗刷行为覆盖能力
• 参与开发风险预警可视化看板，用Tableau整合实时交易与模型输出，搭建“欺诈风险热力图”“规则命中分布”模块，帮助运营团队将风险响应时间从45分钟缩短至20分钟，支撑信用卡中心季度欺诈损失率下降1.2个百分点
• 协助回溯历史风险数据，用Python Scikit-learn构建“风险用户相似度模型”，识别3个隐性欺诈团伙（涉及120人），推动冻结相关账户，避免潜在损失超300万元

负责风险数据清洗与基础特征构建，协助验证风险规则有效性，参与反欺诈模型测试与优化

• 独立完成100万+条用户交易数据清洗与特征工程，用Pandas解决缺失值（均值/中位数插补）、异常值（3σ原则）问题，构建“交易频次”“金额波动”“商户重复度”等15个基础风险特征，支撑上层模型训练
• 协助分析师验证风险规则区分度，用SPSS进行卡方检验与KS值计算，筛选“单日交易超5次且金额均大于5000元”等8条高区分度规则，规则整体误报率从40%降至25%
• 参与新反欺诈模型测试，用交叉验证法评估不同客群性能，输出《模型测试报告》指出“年轻用户小额高频交易”误判问题，推动调整特征权重，使年轻客群误报率下降18%
• 定期整理风险数据报告，汇报“夜间大额转账”“境外IP登录”等高频风险场景，其中“夜间转账风险占比22%”推动业务上线“夜间交易二次验证”，降低15%夜间欺诈损失

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。

• 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。