负责封控场景下金融业务的风险数据挖掘与策略支撑，聚焦资金流向穿透追踪、封控客群违约概率预测及异常交易网络识别，联动信贷、合规部门落地风险防控闭环

• 主导构建封控客群违约预测模型：整合客群征信数据、封控区域经济指标（如GDP下滑幅度、失业率）、涉疫消费行为（线上支付占比、生活缴费逾期次数）等12类数据，针对样本不平衡问题采用SMOTE过采样+加权Logistic回归优化，模型KS值从0.58提升至0.65，违约预测准确率较原有模型提高22%，支撑信贷部门将封控区域新客授信通过率从45%精准压降至32%，同期不良率下降18%
• 牵头资金流向反欺诈挖掘项目：针对封控期间“多层嵌套转账规避监测”问题，使用图神经网络（GNN）构建资金转移网络，引入工商注册、IP地址归属地等外部数据补充节点属性，识别出3个以“农产品采购”为幌子的涉案资金池，涉及流转金额1.2亿元，协助警方冻结关联账户832个，阻断欺诈资金流出6500万元
• 搭建封控区域商户风险画像体系：融合商户POS交易频次、客单价波动（疫情期间下降超30%的商户占比）、周边封控时长、12315投诉量等维度，用DBSCAN聚类算法划分出“高风险周转困难商户”“疑似套现商户”等4类客群，推动业务部门对高风险商户收紧账期至T+1，对套现商户直接终止合作，季度内商户不良率从7.1%降至5.6%
• 优化封控场景实时风险预警系统：基于Flink搭建毫秒级实时数据处理管道，整合征信查询记录、支付流水突变（单日转账超月均5倍）、舆情关键词（如“破产”“跑路”）等实时信号，通过规则引擎+机器学习模型双触发机制，将预警延迟从5分钟压缩至12秒，上线3个月内拦截可疑交易1.7万笔，涉及金额2.3亿元

参与消费金融业务全生命周期风险数据挖掘，支持信用评分模型迭代、异常交易规则优化及风险报表体系搭建，为业务部门提供可落地的风险决策依据

• 负责信用评分模型特征工程优化：通过随机森林分析150+原始特征的重要性，提取“手机通讯录逾期联系人占比”“近3个月APP登录设备变更次数”等8个弱特征，模型AUC从0.78提升至0.83，新增客户30天违约率下降14%，支撑公司将客群拓展至“征信白户但有稳定社交行为”的年轻用户
• 主导异常交易规则引擎迭代：基于Apriori算法挖掘历史欺诈案例的关联模式，发现“夜间22点后高频小额转账（单笔50-200元）+异地登录+绑定新银行卡”的欺诈组合，将规则阈值从“单日5次”调整为“单日8次且跨3个地区”，误报率从18%降至12%，欺诈交易拦截率提升21%
• 搭建风险数据可视化看板：用Tableau整合违约率、欺诈率、客群年龄分布等20+指标，设计“区域风险热力图”“渠道风险排名”等模块，支持业务部门快速定位风险聚集区（如某省会城市线下推广渠道欺诈率达行业均值2倍），推动暂停该渠道投放，节省营销成本120万元，新客违约率下降9%

负责金融产品基础数据统计与风险初筛，搭建核心风险指标体系，支持运营团队识别早期风险信号

• 构建风险指标基准体系：定义“30天逾期率”“客群逾期集中度”“渠道违约变异系数”等15个核心指标，用SQL从Oracle数据库提取数据，每周生成《风险运营周报》，推动运营团队将“逾期率超5%的客群”纳入重点监控，早期风险识别率从35%提升至50%，对应客群最终违约率下降7%
• 挖掘投诉数据中的风险隐患：用文本挖掘的TF-IDF算法分析10万+条客户投诉记录，提取“还款提醒未收到”“额度调整未通知”等高频痛点，推动产品部门优化短信提醒模板（增加“还款日期+金额”突出显示）和额度调整弹窗确认功能，投诉率从4.2%降至3.3%，间接降低因客户遗忘导致的违约率3%
• 回溯营销活动风险效果：对过往3年的拉新活动（如“首借免息”）进行风险复盘，用卡方检验分析不同渠道（抖音、微信、线下网点）的客户违约率差异，发现“线下社区推广”渠道的30天违约率较线上渠道高8个百分点，推动停止该渠道投放，减少无效获客成本180万元，新客整体违约率下降5%

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。

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。