风控算法简历中项目经验别再只写“跑LR”，要写出KS值与坏账下降

风控算法工程师负责信贷、交易、反欺诈等风险识别模型。简历应突出模型区分度（KS/AUC）、实时性、拦截率及业务降损效果。本文通过案例，教您用数据证明风控模型的商业价值。

项目经验案例一：信贷申请反欺诈模型

2017.03 - 2019.06 某金融科技公司 风控算法工程师

项目背景：线上信贷申请欺诈率攀升，传统规则引擎误报率高。

核心贡献：基于XGBoost构建反欺诈评分卡，引入设备指纹、关系网络等特征，KS从0.32提升至0.48。部署实时API，单笔评分<30ms，拦截率提高25%，坏账率下降18%。

项目成果：年避免损失超5000万元，模型通过监管审计，成为公司核心风控组件。

项目经验案例二：交易反欺诈实时识别系统

2019.08 - 2021.12 某互联网支付公司 风控算法工程师

项目背景：盗刷交易频发，传统离线模型无法实时拦截。

核心贡献：基于LightGBM和Flink搭建实时特征计算引擎，毫秒级输出风险分。引入图神经网络挖掘团伙欺诈，召回率提升30%，误报率降低40%。

项目成果：日均拦截可疑交易千余笔，挽回损失超2000万元，获公司技术创新奖。

总结

风控算法项目经验应围绕“KS/AUC”“拦截率”“坏账下降”“实时性”展开。用XGBoost、LightGBM、图神经网络等数据证明模型价值。让风控算法成为业务的安全盾牌，成为您最好的名片。