负责小微数字信贷产品全生命周期管理，聚焦制造、批发零售等细分客群，联动技术研发、风险建模、运营推广团队优化“需求洞察-产品设计-落地迭代-价值放大”链路，推动产品精准覆盖小微实体经营场景。

• 主导某制造型小微客群专项产品从0到1落地：通过SQL提取企业征信、税务、支付流水30万+维度数据，用K-means聚类划分“初创-成长-稳定”三阶段客群，结合用户访谈锁定“设备采购周转”“应收账款垫资”核心需求；用Axure输出原型并联动技术团队开发“订单贷+应收贷”组合产品，嵌入税务数据自动核额功能，上线前通过A/B测试验证应收贷模式通过率高12%，最终产品3个月内覆盖8个产业集群，首贷户1.2万户，人均授信较通用产品提升40%。
• 针对批发零售存量客群30天转化率仅15%的问题，用用户旅程地图定位“流程繁琐、额度不清晰、贷后滞后”痛点：将申请步骤从7步压至4步，引入“实时额度预评估”（基于交易数据动态更新可贷金额），通过Tableau搭建贷后预警看板联动运营推送续贷方案，优化后转化率提升至28%，客群LTV增长25%。
• 推动风险与产品协同降本增效：针对前期不良率1.8%超预期问题，联合风控团队建立“行为评分卡+电商物流/平台评分”补充模型，同时在产品端上线“额度动态调整”功能（当月均交易笔数降15%时触发复核），最终该客群不良率降至1.2%，续贷率保持85%以上。
• 搭建产品数据监测体系：基于Tableau和内部BI工具构建“获客-转化-资产质量-留存”四维看板，识别“夜间申请转化率仅8%”问题，联动技术上线7×24小时智能客服+快速审核通道，夜间转化率提升至19%，全年节省客服成本120万元。

辅助小微数字信贷产品需求落地与迭代，聚焦个体工商户、小微企业主客群，参与需求调研、功能设计及数据验证，支撑产品渗透下沉。

• 核心参与个体工商户经营贷优化：通过问卷星收集5000+个体调研数据，定位“无抵押、审批慢”痛点，协助设计“信用+场景”组合额度——基于支付宝/微信流水给信用贷，叠加美团外卖订单给场景贷；联动技术上线“秒批秒贷”功能，审批时效从48小时缩至15分钟，个体工商户客群占比从18%升至32%。
• 负责迭代效果追踪：用SQL分析用户行为发现“额度页跳出率40%”，建议将“可贷额度”移至页面顶部并加“计算逻辑弹窗”，优化后跳出率降至22%，申请完成率提升17%。
• 支持风险模型落地：协助收集小微客群微信社群活跃度、支付宝小微好友占比等社交数据，纳入风险评分模型，模型预测准确率提升8%，间接降低不良率0.3个百分点。

协助小微基础信贷产品需求调研、功能测试及初期迭代，支撑产品从0到1上线并适配小微客群基础需求。

• 协助首款小微信用贷需求调研：线下走访10家小微企业、5家个体工商户，整理“材料繁、利率不透明”诉求，输出《小微需求报告》，推动产品简化材料（8项减至3项）、增加“利率计算器”。
• 负责产品测试与问题跟踪：用Jira跟踪120+个bug，推动解决“额度计算错误”“还款提醒延迟”等问题，确保产品按时上线，首月注册量5000+，超目标20%。
• 参与用户反馈优化：通过问卷网收集2000+反馈，针对“还款方式单一”问题建议增加“自动扣款+主动还款”双渠道，优化后逾期率从2.5%降至1.8%。

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。

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。