林晓 · 风控专员

• 负责零售信贷业务日常信用评估，累计审批个人贷款申请超5000笔，通过强化收入交叉验证与负债比对，将高风险申请拒绝率从12%提升至18%，不良率控制在0.6%以下。

• 主导贷后监控数据分析，搭建逾期预警模型，提前识别潜在违约客户120余例，协同催收团队挽回不良损失约300万元，逾期30天以上占比下降2.3个百分点。

• 执行合规审查工作，核查贷款申请材料、征信授权及合同签署共2000余份，发现并纠正信息缺失、签字不合规等问题37项，确保业务零监管处罚。

• 运用SQL与Python抽取历史信贷数据，建立风险特征库，输出月度风险报告，为授信策略调整提供依据，推动审批通过率提升5%的同时保持资产质量稳定。

• 针对电商支付场景的实时交易欺诈，主导设计并部署了一套包含45+特征的反欺诈规则引擎，上线后日均拦截欺诈交易2300笔，累计减少欺诈损失约680万元。

• 基于用户行为时序与设备指纹数据，构建信用评分模型（KS=0.38），将高风险账户早期识别率提升32%，同时将坏账率从1.6%压降至1.1%。

• 通过每月策略复盘与A/B测试迭代，优化规则触发逻辑，在欺诈识别率保持92%的前提下，将正常用户误拦率降低4.2个百分点，推动用户转化率提升约6%。

• 搭建基于实时流计算的风险预警看板，实现5分钟内自动标记异常账户并推送处置工单，预警覆盖率达95%，平均处置时效缩短至2小时以内。

• 在银行零售信贷审批流程优化项目中，面对审批通过率低、人工审核耗时长的问题，通过Python对近两年6万笔订单进行特征工程，衍生出逾期天数、多头借贷等27个风险特征，并建立逻辑回归与XGBoost混合模型，将坏账识别准确率从76%提升至89%，审批耗时缩短40%。

• 针对原有规则引擎误拦率高的问题，利用SQL从贷后数据库抽取逾期标签与还款行为数据，结合用户画像特征进行模型验证与回测，优化准入规则阈值，使误拦率降低22%的同时保持逾期率不高于1.8%。

• 在特征工程阶段，通过Python实现WOE编码与IV筛选，从300+原始变量中提取26个有效特征，并采用交叉验证对比5种算法，最终选择LightGBM模型，将AUC提升至0.91，相比原模型提高0.07。

• 为验证模型稳定性，设计分时段回测方案，按季度拆分训练集与测试集，对比不同窗口期的KS值（稳定在0.35-0.39），并撰写验证报告推动模型上线，上线后信贷审批决策自动化率从55%提升至78%，单笔审批时间由8分钟降至2分钟。

在某股份制银行年度评选中，因风控创新成果而获得的奖项。