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%

小微企业多模态智能信用评估系统建设项目

• 项目背景：公司普惠贷款业务长期受限于小微企业信用评估有效性——传统模型依赖财务报表与央行征信，覆盖仅30%客群且准确率仅72%，导致业务拓展慢、不良率高达3.5%。我的核心目标是牵头构建一套整合多源数据、支持实时决策的智能信用系统，破解“不敢贷、不会贷”痛点，对项目的产品设计、技术落地及跨机构协同负全责。
• 关键难题：一是多源数据整合的合规与孤岛问题——需联动工商、税务、电商、物流等6类机构数据，但机构间数据壁垒高，且需满足《个人信息保护法》“数据最小化”要求；二是行业异质性导致的模型泛化差——零售、制造、服务类小微企业的经营特征差异显著，单一模型对细分行业的准确率偏差超15%；三是实时性瓶颈——业务端要求200ms内返回评估结果，传统批量计算无法满足。
• 核心行动与创新：① 主导设计“联邦学习+隐私计算”协同框架，与合作方建立“数据不动模型动”的联合建模机制，既整合了税务的“进项销项波动率”、电商的“复购率”等23个维度数据，又确保原始数据不离开机构本地；② 提出“行业分层迁移学习”方案——先基于全量数据训练基础模型，再用各行业TOP1000家企业的标注数据微调，将零售行业评估准确率从70%提升至88%；③ 技术架构上，采用微服务拆分+Apache Flink实时计算引擎，将评估流程从“批量处理”改为“流式计算”，支撑峰值1000笔/秒的并发请求。
• 成果与影响：系统上线后，小微企业信用评估准确率提升至89%，覆盖客群扩大至每月2000家，不良率降至1.8%；直接支撑公司普惠贷款余额6个月内增长40%（达12亿元）；项目入选当地银保监局“数字普惠金融创新试点”，我个人获公司年度“业务突破一等奖”，并成为监管部门“小微企业信用评估标准组”成员。

小微企业非结构化经营数据融合预测模型优化项目

• 项目背景：公司早期贷前预测模型仅用资产负债表、征信等结构化数据，遗漏了电商交易流水、物流轨迹、社交媒体舆情等非结构化经营信号，导致误拒优质企业15%、逾期率高达5.6%。目标是优化模型，整合多源非结构化数据提升预测精度，降低误拒率与风险。
• 关键难题：非结构化数据价值挖掘难——电商评论中的“客户吐槽物流慢”隐含供应链问题，但传统词频分析无法识别；多模态数据融合冲突——结构化的“月流水”与文本的“客户满意度”特征空间差异大，直接拼接会让模型AUC从0.72降到0.65；计算效率低——处理百万级企业的电商评论需小时级时间，无法支撑实时预测。
• 核心行动与创新：① 搭建NLP文本挖掘 pipeline，用BERT预训练模型做语义理解，提取“退换货率隐含信号”“企业扩张舆情”等8类经营特征，将文本数据的特征贡献度从10%提升至35%；② 设计“Stacking融合模型”——底层用LSTM处理时序流水、BERT处理文本，顶层用逻辑回归加权融合，解决多模态数据冲突问题；③ 用Spark分布式计算优化非结构化数据处理，将单企业数据预处理时间从4小时缩至15分钟。
• 成果与影响：模型预测准确率提升21%（从68%到89%），误拒率下降15%，逾期率降至3.5%；支撑公司调整贷前策略，每月新增300+优质客群，其中首贷户占比从28%升至45%；项目形成的“非结构化经营数据特征提取方法”被纳入公司普惠算法标准库，我也因此晋升为算法团队负责人，开启了从模型优化到系统设计的能力跃迁。

• 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。