金融科技科技金融专员实习生实习报告

金融科技科技金融专员实习生实习报告一、摘要

2023年7月1日至2023年8月31日，我在XX金融科技公司担任科技金融专员实习生。期间，我参与搭建了2个自动化信贷风控模型，通过Python处理并分析约5万条用户数据，模型准确率达82%，将审批效率提升30%。核心工作包括优化数据清洗流程，运用SQL执行日均10万次查询，支持业务部门决策。专业技能方面，我熟练应用Tableau完成10份可视化报表，涵盖用户行为分析及市场趋势预测，其中3份报告被纳入公司季度报告库。提炼出的“数据分层清洗法”及“动态阈值调整策略”成为后续项目可复用方法论。

二、实习内容及过程

实习目的主要是想把书本上学到的金融风控理论跟实际业务挂上钩，了解科技金融里数据怎么跑，模型怎么搭。

实习单位是家做消费信贷科技金融的公司，核心业务是利用大数据和AI给用户做信用评估，挺看重数据驱动决策那套逻辑的。

实习内容跟科技金融专员对得上。前两周跟着导师熟悉业务流程，主要是看他们怎么处理用户申请数据，从数据采集到清洗，最后到模型输入。第三周开始独立负责一个小项目，搭个自动化风控模型。过程里用Python写脚本处理过5万条用户历史数据，用SQL调取过日均10万次数据库查询，还用Tableau做过10份可视化报表。

搭模型那会儿遇到大挑战，原始数据缺失值占比超过30%，直接用均值填充肯定不行，影响模型准度。琢磨了两天，最后决定用KNN算法填充，再结合随机森林调整特征权重，最后模型AUC值到0.82，比之前直接用传统方法提升明显。这个经历让我知道，面对脏数据不能硬套公式，得灵活变通。

实习成果最直观的是那个风控模型，跑起来后业务部门审批效率真的快了30%，以前半天处理的单子现在一两个小时内出结果。还整理了用户行为分析报告，有几个结论被业务部门采纳，用来优化了营销策略。

收获挺多的，以前觉得模型就是调参数，现在明白数据治理和特征工程同样关键。也体会到科技金融里数据合规和隐私保护有多重要，不是光有技术就行。

遇到的问题主要是单位培训机制吧，理论培训多，但实际操作指导少，有时候搞不清某个指标怎么算，或者某个流程为什么要这么走，得自己偷偷找资料研究。另外岗位匹配度上，我偏技术那块多，但金融业务理解还不够深，有时候需求沟通上会卡壳。

改进建议的话，希望单位能给新人多安排点导师带教时间，特别是实操层面，比如带做几遍完整的数据处理流程。还有可以搞点金融业务知识的内部培训，或者给些业务部门轮岗的机会，让我们更懂需求。

三、总结与体会

这8周，从2023年7月1号到8月31号，在XX金融科技公司的经历，让实习的价值形成一个闭环。刚去的时候，主要是想看看科技金融到底是个啥样，书本上的知识能不能用到实际里。现在回头看，这趟实习确实把我的理解往前推了一大步。

最直接的感受是，做金融科技真的不是光会写几行代码就行，数据背后那点经济逻辑、用户行为门道，都得搞懂。我参与的那个风控模型项目，5万条数据，82%的准确率，这个数字背后是每天处理大量用户行为数据，不断调整参数的过程。这让我明白，技术要服务业务，得实实在在解决点问题，比如那个模型直接帮业务部门提效30%，这就是实实在在的成果。

这次经历也让我对自己未来的职业规划有了更清晰的认识。我发现自己对数据分析和模型搭建还挺感兴趣，也愿意往这个方向深耕。实习回来后，我打算接着学，先把Python的数据处理库再啃一啃，顺便琢磨琢磨机器学习那几个热门算法，看看能不能考个CFA或者FRM，把金融知识补一补。感觉这次实习给了我一个不错的起点，以后找相关工作，这段经历肯定会是加分项。

从学生到职场人的转变，感受最深的是那份责任感。以前做项目，完成就行，现在明白每个数据，每个模型的输出都可能影响用户，甚至公司的收益和声誉，这心里头就沉甸甸的。抗压能力也锻炼了点，以前遇到问题容易慌，现在会先冷静分析，找资料，或者跟导师沟通，感觉成熟了不少。

看着国内科技金融行业一天天发展，数据驱动、AI赋能是越来越明显。这次实习也让我意识到，行业变化这么快，不持续学习真的会被淘汰。后续学习，我会更关注这块领域的新技术、新法规，比如那个数据合规，现在特别重要，以后肯定得好好学学。总的来说，这次实习没白来，收获挺大的，也看到了自己的不足，接下来就是怎么一步步把这些都落实在学习和未来的工作里。

四、致谢

在XX金融科技公司的这8周实习，收获很多，谢谢公司给我这个机会。

特别感谢我的导师，耐心指导我那个风控模型项目，从数据清洗到模型选择，每一步都给了关键建议。

也谢谢那些一起工作的