负责小微客群数字信贷产品的全生命周期设计、迭代与落地，联动风控、技术研发、运营团队打通“需求-开发-验证”闭环，聚焦小微融资“短频急、缺抵押、数据散”痛点，推动产品覆盖率、用户生命周期价值及资产质量协同提升

• 主导设计“多源经营数据归集+动态授信”产品模块，针对小微商户流水分散（微信/支付宝/银行/电商平台）的痛点，牵头制定第三方数据接入标准，使用ETL工具整合12类经营数据，结合XGBoost机器学习模型优化授信特征（如“近3个月夜间交易频次”“跨平台流水稳定性”），将授信通过率从18%提升至40%，首贷户规模季度环比增长35%
• 为解决小微“随借随还”需求与固定还款方式的矛盾，重点优化“弹性计息+阶梯利率”功能：通过敏捷开发迭代3版原型，用用户旅程地图梳理“借款-计息-还款”全链路痛点，引入实时定价引擎（基于RAROC模型动态调整利率），最终实现“按天计息、随借随还”，产品复贷率从45%提升至73%，客户NPS从32分升至58分
• 打造“小微经营场景化风控体系”，整合商户POS流水、供应链订单、税务数据等多维度信息，用知识图谱构建“商户-关联方-交易对手”关联网络，结合设备指纹、反欺诈算法识别多头借贷（拦截率达89%），推动产品不良率稳定在1.7%（低于行业平均0.6pct）
• 推动产品下沉县域小微市场，主导“县域特色产业定制化项目”：调研15个县域（纺织/农机/生鲜等产业），用PEST+用户访谈法提炼“产业周期适配”“本地化贴息”核心需求，设计“产业专属额度（最高50万）+地方政府利息补贴”方案，上线6个月县域市场覆盖率从12%提升至36%，新增用户中县域占比达42%

协助小微信贷产品的需求挖掘、原型设计与落地支持，参与用户需求分析、竞品对标及功能迭代验证，推动产品从0到1落地与用户体验优化

• 全程参与“个体工商户信用贷”产品落地：用问卷星发放800份调研问卷，深度访谈120家商户，归纳“无抵押、快审批、随借随还”三大核心需求，输出《个体工商户需求分析报告》，支撑产品定位为“纯线上、3分钟审批、额度循环使用”，上线3个月用户量突破1.2万
• 负责产品原型设计与交互优化：使用Axure RP制作11版流程原型，联动UI团队简化申请步骤（从5步压缩至3步），突出“额度预览”“审批进度实时查”核心信息，将申请转化率从28%提升至46%
• 搭建产品数据监测体系：用SQL提取用户行为数据（如“身份认证流失率”“额度查看率”），构建漏斗分析模型，发现“人脸识别认证”环节流失率达35%，推动优化为“身份证OCR+活体检测”双验证，流失率降至18%，审批时效从24小时缩短至1.5小时

协助小微金融产品的基础数据整理、用户反馈收集与竞品监测，参与功能测试与迭代建议输出，熟悉小微信贷产品设计全流程

• 整理小微客群征信与交易数据：用Python编写自动化清洗脚本，处理10万条格式混乱数据（如缺失值填充、异常值剔除），输出《小微客群数据质量报告》，为后续授信模型训练提供准确数据基础
• 用户反馈分析与痛点挖掘：收集线上问卷（500份）、客服记录（200条）反馈，用标签体系分类归纳出“审批慢”“额度低”“操作复杂”Top3痛点，提交《用户反馈优化建议》，其中“审批慢”问题推动技术团队优化模型，审批时间缩短87.5%
• 竞品动态监测与洞察：定期爬取网商银行“百灵计划”、微众银行“微业贷”等产品信息，用SWOT分析输出《小微信贷竞品监测报告》，其中“场景化嵌入”建议被采纳，推动产品接入本地生活服务平台（如美团商户版），新增获客占比25%

中小微企业智能信用评估系统研发及规模化落地项目

• 项目背景：传统普惠金融依赖财务报表与抵押品，中小微企业因财务不规范、缺乏可抵押资产，面临“信用评估难、融资触达难”痛点——公司当时服务的5万家企业中，近60%因评估不通过无法获得贷款，且不良率高达3.5%。我的核心目标是主导构建一套基于多源异构数据的智能信用评估系统，实现“无抵押、弱担保”下的精准风险定价，提升中小微企业覆盖度与贷款可得性。
• 关键难题：一是多源数据融合障碍——税务、发票、水电、供应链等数据格式不一、标准缺失，且涉及跨机构隐私合规；二是传统模型对轻资产企业失效——零售、服务类企业无固定资产，传统财务指标预测力不足；三是实时性要求——银行要求评估结果在10分钟内反馈，原有离线模型无法满足。
• 核心行动：1. 牵头设计“联邦学习+图神经网络”技术框架——联合银行、税务、供应链平台等5家机构，通过联邦学习在不传输原始数据的前提下联合建模，解决隐私问题；用图神经网络构建企业关联图谱，整合工商、司法、上下游交易数据，识别隐性关联方风险。2. 攻克轻资产企业建模难点——引入迁移学习，将制造业的“产能利用率”指标迁移至零售企业，替换为“店铺坪效”“复购率”等行业特异性指标，构建动态特征工程。3. 优化实时决策链路——采用Spark Streaming搭建实时数据处理管道，将评估耗时从60分钟压缩至8分钟以内。
• 项目成果：系统上线后，覆盖企业数从5万增长至80万，信用评估准确率从72%提升至89%，不良率降至1.8%；支持银行发放普惠贷款120亿元，其中首贷户占比45%。我个人主导了3个核心模块（联邦学习框架、图谱模型、实时决策引擎），申请2项发明专利（“基于联邦学习的中小微企业信用评估方法”“多行业迁移的轻资产企业信用预测模型”），参与编写《数字普惠金融信用评估技术规范》行业标准草案。

普惠金融智能风控中台迭代及场景化落地项目

• 项目背景：随着业务扩张，公司服务的客群从“头部中小微”下沉至“个体工商户”，同时拓展了电商贷、供应链贷、农贷等3个新场景——原有风控中台为通用模型，对场景化需求适配不足，且实时风控覆盖率仅60%，无法满足“秒级审批”的用户体验要求。我的核心目标是迭代风控中台，实现“场景化、实时化、可配置化”，支撑业务向更下沉客群与多元场景渗透。
• 关键难题：一是场景泛化问题——电商贷的“订单履约率”“物流时效”与供应链贷的“应收款账期”“核心企业信用”特征差异大，通用模型AUC仅0.72；二是实时性瓶颈——原有批处理模式无法应对每秒10万+的并发请求；三是合规动态性——反洗钱、征信规则每月更新，人工调整效率低，易出现合规漏洞。
• 核心行动：1. 构建“基础层+场景层”多任务学习模型——基础层提取企业资质、经营者信用等通用特征，场景层针对电商、供应链等场景适配专属特征，模型AUC提升至0.89，电商贷不良率从2.2%降至1.1%。2. 升级实时风控引擎——采用Flink替换Spark Streaming，搭建“数据采集-特征计算-决策输出”全链路实时 pipeline，将单笔贷款审批时间从5分钟压缩至10秒以内，实时风控覆盖率提升至100%。3. 开发合规规则引擎——对接监管机构API，自动同步反洗钱、征信规则，支持“热更新”，每月减少人工干预80%，合规违规事件下降90%。
• 项目成果：中台支撑公司拓展3个新场景，新增贷款规模50亿元，个体工商户贷款占比从15%提升至35%；单笔贷款运营成本从200元降至50元，效率提升75%。我个人主导了中台架构从“通用型”到“场景化”的升级，编写《普惠金融实时风控最佳实践》内部手册，成为团队技术标准；推动风控模型与业务场景的深度绑定，使公司在“下沉客群+多元场景”的数字普惠赛道中建立了技术壁垒。

• 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。