负责小微客群数字信贷产品的全生命周期运营，聚焦客群分层策略优化、风险模型迭代及业务-风险-体验的三角平衡，推动单季度放款规模从8亿提升至25亿，同时将首逾率控制在1.8%以内。

• 主导设计‘小微经营贷3.0’产品的客群准入策略，基于行内结算流水、税务数据及第三方支付平台的经营场景数据（如收单频次、上下游交易稳定性），运用XGBoost构建多维度评分卡模型，结合A/B测试验证不同客群的额度梯度（5-50万），上线后客群通过率提升22%，30天逾期率较上一代产品下降0.9个百分点。
• 针对贷中资产质量波动问题（Q3首逾率环比上升0.7%），牵头完成客群风险画像重检，发现‘批发零售业新注册商户’逾期率高出均值1.5倍，通过引入工商变更频次、法人涉诉记录等动态数据补充至贷中监控规则，同步调整该类客群的支用限额（从30万压缩至20万），次月该客群逾期率回落至均值水平，整体资产质量达标率提升至99.2%。
• 协同技术团队完成‘310模式’（3分钟申请、1秒放款、0人工干预）的流程优化，梳理贷前自动核验节点12个，通过优化OCR识别准确率（从89%提升至95%）及对接央行征信二代接口缩短响应时长，将平均审批耗时从85秒压降至42秒，用户转化率提升18%。
• 搭建小微客群贷后预警指标体系，整合还款行为（连续3期最低还款）、经营数据（流水环比下降超30%）、外部舆情（司法执行信息）三类信号，设置红-黄-绿三级预警机制，推动贷后团队提前介入率提升40%，M3+回收率从78%提高至85%。

支持数字信贷产品的落地执行与风险策略迭代，重点参与小微客群贷前准入规则校准、贷中数据监控及客诉流程优化，协助团队将产品通过率从15%提升至28%，客诉解决时效缩短至2小时内。

• 协助完成‘小微税易贷’产品的初期客群测试，基于税务数据（纳税额、留抵退税情况）与工商数据（存续时长、股东结构）设计5类准入标签，通过SPSS进行变量重要性分析筛选出‘近12个月纳税连续性’‘增值税开票品目集中度’两个核心指标，支撑策略团队将目标客群精准度提升30%。
• 监控贷中放款数据时发现‘批发业商户’逾期率周环比上升1.2%，通过交叉分析客群的经营地址（集中在某商贸市场）、贷款用途（多为备货周转）及还款来源（下游账期延长），提出‘按市场集群动态调整额度’的建议，被策略团队采纳后该客群逾期率2个月内回落至基准线，相关经验被纳入《小微客群风险观察手册》。
• 处理线上信贷客诉时，梳理高频问题TOP3（额度突然冻结占比45%、还款提醒延迟占比30%、合同条款不清晰占比15%），联动产品团队优化额度冻结前的短信预警模板（增加具体冻结原因），并推动技术团队修复还款提醒接口延迟问题，客诉解决时效从4小时缩短至1.5小时，NPS评分提升12分。
• 参与贷后数据复盘，整理M1-M3各阶段客群的触达方式（电话、短信、APP推送）效果数据，发现‘M1阶段APP推送+智能语音外呼’的组合回款率比单一渠道高25%，该结论被应用于贷后策略调整，推动当月M1回收率提升7%。

负责数字信贷业务的基础数据支持与流程执行，重点参与客户资质初审、贷后资料归档及产品迭代需求收集，为后续信贷运营能力打下扎实基础。

• 协助完成日均200+笔小微贷款的初审工作，基于企业征信报告、法人身份证及营业执照信息，核对‘经营年限≥2年’‘无当前逾期’等基础准入条件，同时标注异常点（如联系方式与工商登记不一致），初审准确率达99.5%，保障后续风控环节效率。
• 搭建贷后档案电子化系统，梳理借款合同、还款记录、贷后检查报告等12类资料的归档标准，设计OCR识别模板（识别准确率92%），将纸质档案归档耗时从3天/百笔缩短至6小时/百笔，支持风险团队快速调取历史数据进行贷后分析。
• 定期收集一线信贷员反馈（每月20+条），整理‘客户对额度计算规则不理解’‘申请材料清单更新不及时’等共性问题，形成需求文档提交产品团队，推动优化额度试算工具（增加明细展示）及官网材料清单页（实时同步更新），客户咨询量下降40%。

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。

• 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。