负责小微客群数字信贷全生命周期策略设计与落地，聚焦贷前准入优化、贷中风险监控及贷后策略迭代，通过大数据建模与科技手段提升信贷可得性（覆盖率+15%）与资产质量（不良率-2BP），联动技术团队完成3项核心策略系统化改造。

• 主导小微制造业客群贷前准入模型迭代，基于XGBoost与逻辑回归融合建模，整合企业税务数据（增值税开票额波动）、支付流水（近12月收支比）、司法涉诉（失信被执行记录）等12维特征，替换原有单一财务指标体系；针对客群轻资产特性，新增设备物联网数据（产能利用率）作为补充变量，模型KS值从0.41提升至0.48，首逾率下降3.2BP，样本外验证通过率提高8%，覆盖超2000家年营收500万以下制造企业。
• 牵头贷中风险预警策略升级，识别到客群因供应链账期延长导致的临时性资金周转风险，引入设备指纹（异常登录频次）、收单POS交易流水的地域偏离度（跨区收款占比）等实时监控指标；联合技术部开发动态阈值算法，当单户日收款偏离历史均值±30%时触发人工复核，试点3个月内拦截疑似资金挪用案例47起，涉及金额1200万元，贷中风险预警准确率从65%提升至82%。
• 优化贷后差异化催收策略，基于客户画像（经营稳定性、历史还款记录）划分高/中/低风险层级，对高风险客群（DPD15+）应用AI语音机器人（定制化话术库含12类还款障碍应答）+人工跟进组合模式；通过A/B测试验证，机器人触达率较人工外呼提升40%，30天内回款率从18%提升至25%，整体催收成本下降15%。
• 推动信贷流程数字化改造，梳理贷前尽调环节17项纸质材料，联合IT部门接入工商信息直连接口（企查查API）、电子营业执照验证系统，实现企业基础信息自动核验；材料提交耗时从平均2小时压缩至20分钟，客户经理人均日处理量从15户提升至28户，业务响应效率获分行创新奖。

辅助构建小微零售客群数字信贷风控体系，参与信用评分模型开发、反欺诈规则梳理及策略效果跟踪，支撑信贷产品从0到1上线，协助将客群通过率从18%提升至25%，首年资产不良率控制在1.8%以内。

• 参与小微个体工商户信用评分模型搭建，负责数据清洗与特征工程，从银联收单流水（近6月笔均金额）、支付宝经营版收款码（绑定时长）、水电缴费连续性等200+原始字段中筛选45个有效变量；使用随机森林算法训练模型，KS值达0.39，较外部采购模型提升0.07，支撑产品准入通过率从18%提升至25%。
• 协助梳理反欺诈规则库，基于历史欺诈案例（身份冒用、虚假经营地址）提炼127条风险特征，包括身份证地址与经营地址跨市偏差>50公里、联系人手机号归属地与经营地不一致等；规则上线后拦截可疑申请321笔，占当月新增申请的4.1%，欺诈损失率从0.23%降至0.15%。
• 跟踪策略落地效果，建立贷前-贷中-贷后关键指标看板（通过率、首逾率、M3+回收率），每周输出策略优化建议；发现客群中电商卖家因平台结算周期长导致DPD7+逾期偏高，提出延长宽限期至10天+自动扣款日调整至平台打款后3日，试点期间该客群逾期率下降2.1BP。
• 支持信贷产品合规备案，整理贷前告知书、风险提示函等法律文本，核对央行征信报送字段（共58项）与合同条款一致性；协助完成监管检查材料准备，产品备案周期从45天缩短至30天。

负责小微客户信贷业务基础运营与数据支持，聚焦还款行为分析、额度管理及客户教育，通过精细化运营降低早期逾期率，试点客群DPD30+逾期率从4.2%降至3.5%，客户满意度提升12%。

• 分析小微客户还款行为数据，按行业（餐饮/零售/批发）、经营年限（1-3年/3年以上）划分客群，发现餐饮行业新客户（经营<1年）因现金流季节性波动导致DPD30+逾期率达6.8%；提出额度动态调整方案（首年额度为月均流水50%，次年根据还款记录上调至70%），试点3个月内该客群逾期率下降3.3BP。
• 优化还款提醒机制，针对短信触达率低（仅62%）问题，增加微信公众号模板消息+智能语音外呼组合渠道；测试不同触达时间（还款日前3天/前1天），确定前3天微信提醒+前1天语音外呼的组合使还款及时率从85%提升至91%，客户投诉量下降20%。
• 编制《小微客户信贷服务手册》，梳理常见问题（提前还款违约金计算、征信查询次数影响）解答口径，组织客户经理培训12场；手册上线后客户咨询响应时长从平均8分钟缩短至3分钟，客户满意度调查得分从82分提升至94分。
• 协助贷后档案电子化，扫描并分类存储2018-2020年小微贷款合同、还款凭证等纸质材料，对接公司档案管理系统（泛微OA），实现电子档案调阅时效从24小时缩短至即时，支撑审计检查效率提升50%。

县域小微企业信用评估与普惠贷款全流程数字化平台搭建

• 项目背景是县域小微企业面临“融资难、融资慢”痛点——传统金融机构依赖抵押担保，而小微企业缺乏规范财务报表，数据分散在工商、税务、水电、供应链等多端且质量参差不齐。项目目标是从0到1搭建全流程数字化平台，通过多源数据融合与智能模型，实现“无抵押、秒级批、低利率”的普惠贷款服务，覆盖当地10个县域的小微企业。我作为负责人，需统筹业务需求调研、技术架构设计、跨机构数据协同及落地推广。
• 关键难题有两点：一是跨机构数据整合与隐私保护——政府、税务、电力等6家机构的数据存在“孤岛”，且涉及企业敏感信息；二是传统信用模型不适用——小微企业财务数据缺失率高（约38%），常规财务指标无法准确反映偿债能力。技术上需解决“隐私计算下的数据可用不可见”与“非财务数据的特征化建模”问题。
• 我的核心行动包括：1）数据层：牵头与当地大数据局、税务局等机构签订《联邦学习合作协议》，采用FATE开源框架搭建联邦学习平台，实现“原始数据不出域、模型参数跨机构流转”，整合了12类、超800万条非结构化/半结构化数据；2）模型层：构建“三维特征体系”——经营稳定性（水电用量波动、物流订单频次）、履约能力（税务申报及时性、增值税发票开票量）、供应链关联（上下游企业交易账期），基于LightGBM+Attention机制优化特征权重，解决了传统模型对非财务数据利用不足的问题；3）工程化：推动平台与银行核心系统对接，实现“数据采集-评估-审批-放款”全流程自动化。
• 项目成果：平台上线6个月内，服务1236家县域小微企业，累计发放贷款18.7亿元；贷款审批时间从5个工作日缩短至8小时内，不良率稳定在1.8%（低于行业平均2.5%）；申请2项发明专利（《基于联邦学习的小微企业信用评估方法》《多源非财务数据的特征融合技术》），获当地金融监管局“2023年度普惠金融创新示范项目”。我主导了从需求到落地的全链路，突破了数据隐私与模型适配的核心瓶颈，推动公司成为当地县域普惠金融的标杆服务商。

农村客群小额信贷精准营销与风险防控系统优化

• 项目背景是农村客群因征信覆盖不足（仅约21%有正规征信记录）、行为数据分散，导致营销转化率低（不足3%）、坏账率高（约4.5%）。项目目标是优化“营销-风险”双模型，提升农村客群的触达效率与资产质量。我负责算法迭代与策略落地，衔接数据团队与业务运营。
• 关键难题：一是农村客群数据稀疏——标签缺失严重，传统监督学习模型泛化能力差；二是营销触达方式单一——仅依赖APP推送，转化率低。技术上需解决“小样本下的模型训练”与“多渠道协同的精准触达”问题。
• 我的核心行动：1）数据增强：采用迁移学习（Domain Adaptation）将城市客群的征信、消费数据特征迁移至农村客群，补充样本量；同时用半监督学习（Label Propagation）结合“村域社交关系”（如同一行政村的用户违约关联），标注了22万+无标签农村客群；2）模型优化：构建“基础属性+行为数据+社交关系”三维特征集，将营销模型从逻辑回归升级为XGBoost+协同过滤的混合模型，风险模型引入“农业周期波动”特征（如种植/养殖季节的资金需求变化）；3）触达策略：联动线下渠道（村支书推荐、助农服务点），将线上模型评分与线下信任背书结合，优化触达路径。
• 项目成果：营销转化率从3.2%提升至8.1%，单客获客成本下降35%；坏账率从4.5%降至2.9%，农村客群贷款余额增长120%（从15亿元到33亿元）。模型被纳入公司农村金融核心系统，服务82万+农村用户。我解决了农村客群数据稀疏的核心问题，打通了“算法-渠道-业务”的闭环，推动公司农村金融业务的规模化落地。

• 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。