计算机科学与技术金融科技数据分析师实习报告

计算机科学与技术金融科技数据分析师实习报告一、摘要

2023年7月1日至2023年8月31日，我在XX金融科技公司担任金融科技数据分析师实习生。通过8周实践，我运用Python和SQL处理了约500万条金融交易数据，构建了2个实时风险预警模型，准确率达89%，并优化了3个关键业务报表的生成效率，将处理时间缩短了40%。具体工作包括：利用Pandas清洗数据，用Scikitlearn实现特征工程，结合Tableau完成可视化分析。期间，我总结了自动化数据处理的工作流，可复用于大规模金融数据场景，并验证了机器学习在反欺诈领域的有效性。

二、实习内容及过程

2023年7月1日到8月31日，我在一家做智能投顾的金融科技公司实习，岗位是数据分析师。来之前想学点行业实战经验，看看数据怎么真正服务业务。公司不大，但挺拼的，大部分人都用Python写脚本，环境是Linux系统，数据量挺大，每天跑的任务就有上百个。刚开始跟着导师熟悉系统，花了两周时间整理他们的交易数据库，原始数据是CSV格式，得用Pandas处理缺失值和异常值，最后合并成统一格式，这个过程中发现有些字段缺失率超30%，后来才知道是上游接口问题，跟后端提了优化建议，他们采纳了。

第4周参与了一个反欺诈项目，需要分析用户行为数据，我负责构建预警规则。他们之前用的是固定阈值，效果一般，我用了逻辑回归模型，把特征像设备ID、登录频率、交易金额波动这些列都跑了一遍，调了十几次参数，最终模型AUC达到了0.87，比旧方法强不少。但过程挺磨人的，有好几天都对着结果查资料，晚上宿舍楼下的咖啡店成了我的第二办公室。另一个挑战是可视化，有个报表要实时更新，用Tableau做太慢，导师教我用Python的Dash库，一行代码就能画个图，效率高多了，这个我学得挺快。

实习最后一个月，我开始独立负责几个监控大屏的数据对接，涉及API调用和ETL流程优化。之前对SQL优化了解不多，导师就给我留了几个慢查询，让我自己改，我把JOIN条件换了换，加了个索引，跑的时间从8秒降到1秒出头，老板还特意在周会上提了一下。虽然做得不算惊天动地，但确实把数据处理链路跑顺了，从采集到分析再到展示，每一步都踩过坑，也找到过最优解。这段经历让我意识到，做金融科技不能光会算法，还得懂业务逻辑，比如风控指标怎么设计，这背后需要跟业务方聊很久。

公司管理上有点乱，比如需求变更没人统一记录，我接任务时得反复确认，后来我自己建了个共享文档，大家写完直接@我，这样沟通清楚多了。培训机制也一般，没系统教过啥像Hadoop这种大数据工具，都是导师手把手传几篇文档让我自学。岗位匹配度上，我发现自己对写报表兴趣不大，更想搞模型，希望下一份工作能多接触机器学习这块。总的来说，这次实习没白来，至少知道了自己哪些地方还差点意思，比如时间管理得再强点，沟通时能更主动点。

三、总结与体会

这8周，从2023年7月1日到8月31日，在XX金融科技公司的经历，让我对数据分析师这个角色有了更实的认识。以前觉得做数据分析就是跑跑Python脚本，现在明白要做好，得懂业务、懂技术、还得会沟通。比如我做的那个反欺诈模型，光靠代码行数堆不出效果，关键是要理解金融机构怎么定义风险，用户行为数据里哪些信号真正有用。导师给我留的SQL优化任务，一开始对着执行计划看蒙，后来反复对比不同写法的执行路径，终于知道怎么加索引、怎么改JOIN顺序了，这个过程虽然累，但感觉自己真的进步了。

实习最大的收获是体会到数据工作不是闭门造车，得跟业务方、技术方来回磨。有一次做报表需求，业务说想要某个指标，我直接用现有数据算，结果发现口径对不上，得重新设计模型，折腾了两天才出结果，这让我明白做金融科技数据不能太理想化，得考虑实际落地。这段经历也让我更清楚自己的职业方向，未来想往机器学习风控方向发展，现在就开始琢磨着去补补深度学习这块，可能明年考个相关方向的证书，把实习里没学到的补上。

看着每天监控大屏上实时跳动的数据，突然觉得挺有成就感的。以前在学校做项目，数据量也就几万到几十万，现在接触的日活用户数据是千万级别，这种规模差异带来的挑战和压力，也让我更理解为什么一线数据分析师那么值钱。心态上最大的变化是责任感，以前写代码随便点，现在知道一个小的逻辑漏洞可能就影响成千上万的用户，这种想法挺重要的。行业趋势上，感觉现在大家都在搞AIGC，我实习时也接触到用大模型做文本分类，效率确实高，但数据清洗这块还是不能省，技术永远要靠扎实的底子支撑。总之，这段经历就像给我打了针疫苗，以后再遇到困难，心态上会稳很多。

四、致谢

感谢在实习期间给予我指导和帮助的导师，在遇到问题时总能耐心解答，让我对数据