申请反欺诈模型： 负责信贷申请环节的反欺诈模型迭代，从设备、行为、关联网络等维度做特征工程，构造了 200+ 个风控特征

用 XGBoost 重构了原有欺诈模型并引入图关联特征，上线后（经 AB 与灰度验证）团伙欺诈的识别率明显提升，首月欺诈损失率下降约 20%

信用评分模型： 独立负责了一版信用评分卡到机器学习评分模型的升级，在同等通过率下把首逾（首期逾期）率降低了约 1.5 个百分点

做了模型的可解释性工作（SHAP + 分箱），让策略和业务能看懂每个分数背后的驱动因素

特征与监控： 用 Spark 搭了风控特征的离线加工流程，并做了特征稳定性（PSI）监控，及时发现特征漂移

建了模型上线后的效果监控看板，KS、通过率、逾期率异常能及时预警

策略配合： 和策略团队一起把模型分数落到审批策略里，参与了拒绝/通过阈值的设定和复盘

负责消费信贷场景的特征加工，用 Python + Hive SQL 完成 80+ 个用户画像和行为特征的开发与上线

参与信用评分卡模型开发，独立完成变量筛选和 WOE/IV 分箱，模型 KS 值达 0.35

搭建了特征质量巡检脚本，每日自动检测缺失率和分布异常，将特征问题发现时效从 T+3 缩短至 T+1