2025年度风控建模工作总结暨贷前管理优化复盘_20252559.docx

PAGE

PAGE1

2025年度风控建模工作总结暨贷前管理优化复盘一、开篇引言

时间范围说明

本报告所涵盖的时间范围严格界定为2025年1月1日至2025年12月31日。在这一整年的周期内，金融科技行业经历了从后疫情时代的复苏到宏观经济波动的复杂转变，监管政策对于数据安全、算法伦理以及消费者权益保护的要求日益严苛。作为公司风控建模领域的核心骨干，我置身于这一充满变数的环境中，见证了信贷资产质量随经济周期起伏的动态过程，也亲身参与了风控策略从粗放式管理向精细化、智能化转型的关键阶段。这一年不仅是时间维度的简单流逝，更是公司风控体系在技术深度与业务广度上双重拓展的重要纪元。

总体工作概述

2025年度，我的工作重心紧紧围绕“稳健风控”与“业务增长”的双重目标展开。在保障存量资产质量稳定的前提下，通过引入前沿机器学习算法与深度学习技术，对全生命周期的风控模型体系进行了深度的重构与迭代。特别是在贷前管理环节，针对新客获取难、欺诈手段隐蔽化、信用风险周期性波动等痛点，主导并实施了多项重大建模项目。通过特征工程的精细化挖掘、模型算法的优化升级以及策略部署的精准调优，成功实现了风险识别能力的显著提升，在有效控制坏账率的同时，大幅提升了审批通过率，为公司信贷业务的规模化扩张奠定了坚实的技术基础。总体而言，这一年是风控建模工作从“支撑保障”向“价值创造”跨越的一年。

个人定位与职责说明

作为风控建模专家，我的核心职责不仅仅是构建高精度的统计模型，更在于通过数据洞察业务本质，将数学语言转化为业务决策逻辑。我主要负责公司信贷产品线全流程的风险评分卡开发与维护，包括但不限于申请评分卡（A卡）、行为评分卡（B卡）、催收评分卡（C卡）以及反欺诈模型的研发。此外，我还承担着模型全生命周期管理的职责，从数据提取、清洗、特征构造、模型训练、验证评估到上线部署及后期的监控监控，每一个环节都需要我进行严格的质量把控。同时，作为团队的技术带头人，我负责制定建模标准规范，指导初级分析师的成长，并跨部门与产品、运营、技术团队紧密协作，确保风控策略能够准确无误地嵌入业务流程中。

总结目的与意义

撰写本年度工作总结暨贷前管理优化复盘报告，其目的在于对过去一年繁杂的建模工作进行系统性的梳理与沉淀。通过对关键项目数据的复盘分析，客观评估模型表现与业务贡献，提炼出成功的经验与方法论，同时也深刻剖析工作中存在的不足与面临的挑战。这不仅是对个人年度绩效的全面呈现，更是为下一年的工作规划提供数据支撑与逻辑指引。通过深度的复盘，我们能够更清晰地识别风险敞口，洞察模型衰退的深层原因，从而在未来的工作中制定出更具前瞻性与针对性的风控策略，助力公司在激烈的市场竞争中保持资产质量的绝对优势。

二、年度工作回顾

2.1主要工作内容

核心职责履行情况

在2025年度，我严格履行了风控建模专家的核心职责，确保了公司风控模型体系的稳健运行。首先是常规的模型监控与维护工作，这是一项持续且繁琐的任务。我建立了一套自动化的模型监控报表系统，每日追踪核心评分卡的分布情况（PSI）及预测性能（KS/AUC）。针对模型性能出现的波动，我能够迅速响应，进行归因分析，判断是数据源异常、客群变化还是模型本身的衰退，并据此提出相应的策略调整建议。例如，在年中某次外部数据源接口升级导致特征缺失率突增的紧急情况中，我迅速制定了降级策略，启用了备用特征，确保了业务流程的零中断。其次，我负责了特征仓库的更新与扩充，引入了多头借贷图谱、消费行为序列等新型数据维度，极大地丰富了模型的特征变量池，为模型精度的提升提供了源头活水。

重点项目/任务完成情况

本年度我主导了三个至关重要的建模项目，分别是“新一代A卡模型重构项目”、“贷前反欺诈深度学习模型升级”以及“贷前准入策略自动化调优项目”。在“新一代A卡模型重构项目”中，我摒弃了传统的逻辑回归算法，尝试使用了XGBoost与LightGBM的融合模型，并引入了可解释性算法（SHAP）来解决黑盒模型的业务落地难题。该项目历时四个月，最终将新客A卡的KS值提升了15个百分点。“贷前反欺诈深度学习模型升级”项目则针对团伙欺诈和中介代办风险，利用图神经网络（GNN）技术构建了关系网络模型，成功识别出多起此前规则无法拦截的复杂欺诈案件。而“贷前准入策略自动化调优项目”则是基于模拟仿真技术，对现有的准入规则进行了数千次的组合测试，寻找到了风险与收益的最佳平衡点，直接带动了核准率的提升。

日常工作执行情况

除了上述重点项目，我的日常工作还涵盖了大量的临时性数据提取与分析需求。业务部门经常需要针对特定客群或特定产品进行风险评估，这就需要我编写复杂的SQL查询语句，从海量数据中提取有价值的信息，并制作可视化的分析报告。例如，针对某次营销活动的客群质量分析，我通过对用户画