- 金融
作为京东金融与ZestFinance落地中国的合资公司，天生不凡的ZRobot将京东金融数据、场景资源与美国领先建模分析技术相结合，通过打造标准化产品积累实战经验，并在此基础上深耕垂直场景，以定制化服务解决客户业务痛点。未来，ZRobot将持续在各领域探索尝试，力图成为跨场景、跨行业、跨国界的数据分析服务知名品牌。
提起美国的信用评分，多数人第一个想到的都是FICO。美国主流信贷人群被三大征信公司覆盖，征信体系完善，因此FICO评分对于评估征信数据覆盖人群十分有效，但其风险预测能力在金融危机之后受到质疑。
硅谷大数据分析公司ZestFinance应用机器学习分析模型，处理上万维风险变量，比FICO在风险预判方面挖掘更深，尤其是针对征信白户及传统征信未能覆盖的人群，能够做出更为准确的判断。
京东金融从2013年起独立运营，为寻求大数据风控解决之道与ZestFinance开始接触，2015年京东对其进行了战略投资，京东金融进而在2016年与ZestFinance合资在中国成立金融科技公司ZRobot，结合ZestFinance技术能力，以及京东体系独特的数据和场景，落地中国大数据风控。
经过两年的发展，ZRobot已经形成服务信贷风控全流程的系列标准化产品，并针对细分场景推出定制化解决方案，服务于银行、持牌消金、互联网金融、汽车金融、小额信贷等各类场景。
结合中外优势，数据场景资源得天独厚
ZestFinance模型技术得到业内肯定，但在中国本土市场提供大数据风控服务，面临着产业环境、业务流程、人群特征、数据源等方面的巨大差异，仅有前沿技术并不能在激烈的竞争中脱颖而出。背靠京东金融的ZRobot资源丰富，将美国技术与中国经验相结合，自然当仁不让。
首先，京东集团拥有数据产生及使用场景，为ZRobot研究本土客群提供了宝贵的数据资源。
据京东2018年一季度财报披露，其活跃用户已突破3亿，其中京东商城场景中围绕用户产生了大量订单信息、浏览、交易等数据；京东金融板块则涵盖了财富管理、消费金融、支付、保险等业务，提供强金融属性数据。
由于京东商城主打正品优质和高效物流，并不以低价为核心策略，用户群整体偏优质，这使ZRobot在前期探索过程中发现体系内自有数据难以覆盖更多下沉人群，因此进一步与互联网金融平台及其他拥有丰富数据源的机构开展合作，对自有模型进行持续迭代优化。至2017年底，ZRobot的信用评估体系已覆盖6亿客群，满足场景应用中超过80%的信用评估需求。
其次，京东金融品牌不仅为ZRobot带来外部合作资源，自身体系内的场景也足够丰富，为ZRobot打磨产品提供了便利。
据了解，ZRobot为京东金融投资的汽车新零售平台花生好车打造风控系统，积累了贷前反欺诈、信用评估、贷中监控、贷后管理为一体的风控整体解决方案落地经验。基于服务汽车金融的经验，ZRobot还开发了ABS大数据资产评估算法，能够实现底层资产校验，为ABS资产包精准定价。
最后，京东金融也整体输出营销、风控、运营等全套金融科技解决方案，尤其是面向股份制银行、城商行、农商行、信用卡中心等，ZRobot在其中贡献数据分析能力及模型类产品，并参与风控技术服务。
标准化产品结合定制化改造，解决业务痛点
成立初期，ZRobot以打造标准化产品为核心，包括反欺诈、信用评分、标签、黑灰名单等产品，均以API接口的形式为客户提供服务，集中优化产品，提升评分能力。
如今积累了底层规则和模型，在对标准化产品进行调整改造的基础上，ZRobot可根据客户实际情况，进行定制化建模评分、决策引擎、精准营销等，并提供系统开发和咨询服务，解决客户业务痛点，目前成熟落地的两大场景为汽车金融风控和银行信贷风控解决方案。
由于持牌金融机构需按规定进行本地化部署，且个性化需求较多，在服务该客群的过程中需要提供大量的定制化服务，来满足业务方自行调试的需要，使前端能够适应客户的需求变化，节约客户与售后人员的沟通成本。
平台连接资源，技术无界服务
虽然以数据挖据及风控能力见长，ZRobot并没有将自己局限为风控服务商，而是希望利用自身连接资源的能力，以及先进的技术分析能力，成为广泛服务于各个场景，各个领域，跨越国界的数据技术公司。
资金方，尤其是银行等传统机构，缺少创新业务经验，急需补足风控技术能力，并对接线上场景，以支撑业务扩展；场景方，有获客能力，有产品能力，但缺少资金支持，无法铺开业务。依托于京东大平台，ZRobot可以撮合场景、流量、资金进行匹配，在其中以数据技术为纽带，串联起多方合作，将服务范围延伸至完整的信贷业务链条。
例如，ZRobot联手京东金融， 与3C租赁、租房、汽车金融等新零售模式场景合作，整体解决从流量入口到贷后管理全周期的运营问题。通过全流程服务，ZRobot对用户表现也有了更深的认识，同时形成了数据闭环，并最终搭建数据生态圈。
ZRobot相信，同样是研究终端消费者，利用好数据与分析技术，B2B2C的模式能够跨越场景和行业。例如，信贷风险分析能力同样可迁移至员工雇佣风险识别；推荐算法使用在精准营销领域可提高营销响应率；通过积累大数据和分析经验，ZRobot还在保险、商圈选址及其他非金融场景开拓创新型业务合作。
出海布局方面，据CEO乔杨透露，ZRobot已具备对海外金融机构输出赋能的能力，会在合适的时机上线产品。
爱分析从获客、场景、产品、数据等维度对ZRobot进行评价。
获客：京东集团品牌效应明显，有流量、场景资源助力获客，销售团队精简，成本较低。
场景：京东金融及其客户场景丰富，为打磨产品提供资源，场景理解能力较好。
技术：技术团队50人左右，有硅谷领先的数据技术助力，以标准化产品为主打，主要以 SaaS模式提供数据及风控平台服务，少量本地化部署，产品效率高。
数据：拥有海量线上数据，数据使用场景覆盖率高。
先优化再输出，产品迁移能力强
爱分析：京东金融与ZestFinance合资成立ZRobot有怎样的考虑？
乔杨：京东金融从2013年底开始开展金融业务，当时面临着一些挑战。有很多在商城上有购物行为的客户，京东对他们并不是非常了解。因为这些在互联网上比较活跃的用户其实并没有央行征信记录，也没有有效的金融行为数据，所以如何对这些人进行授信对风控提出了很大的挑战。
所以当时管理层在世界各地，尤其是征信比较发达的国家去考察了很多大数据模型类的公司，当时看到美国有一家公司叫ZestFinance，创始人是前谷歌的CIO。
当时他们觉得美国三大征信局覆盖了85%的人群，但有15%是没有被覆盖的，而且覆盖的85%里面有很多人其实没有得到传统金融机构，尤其是银行的服务。所以他们就想用谷歌的机器学习技术，通过互联网的碎片化数据，对个人信用做出判断，让更多人能够享受到公平公正的信贷服务。
他们当时的模式是自己放贷，同时基于放贷过程积累数据，打磨自己的模型，但是当时京东金融觉得这个市场在美国太小了。因为征信覆盖人群太大，这个技术在中国是很有发挥空间的，因为央行征信覆盖的，真正有信贷记录的人群也就3亿左右。
所以当时京东金融先投了ZestFinance，然后内部成立了模型创新组，两个团队进行了一些技术PK，看谁做出来的风控效果更好，确实发现这家公司技术能力还是蛮强的，所以在2016年又决定双方出资成立一家合资公司，通过京东金融积累的海量数据和丰富场景，加上ZestFinance先进的数据挖掘技术和建模技术，对国内金融机构进行技术输出和赋能，这是我们成立的初衷。
爱分析：国内风控环境更为复杂，国外技术是否适用？
乔杨：我们不是纯粹地把ZestFinance的东西搬过来，而是用京东金融生态内的场景不停地去打磨，不停地去优化，然后再对外输出给金融机构，就不需要他们再经历从0到1的过程了，这是一个非常高效的将海外先进技术在国内落地的途径。
分析整个大数据市场，从数据源和规模角度讲，我们对标更接近芝麻和腾讯。因为我们有场景，有获取数据，更新数据的能力。京东每天产生的数据量级都是TB级的，除了在信贷领域包括京东白条、金条、还有支付、众筹、保险、财富管理等，用户在整个金融板块的维度全面，属性明确。在数据源这个角度，我们是非常有优势的。
通过这些场景不断训练模型，对用户维度进行优化和全面整理，然后再对外输出，强于只有技术，没有场景的模式。
爱分析：相比其他第三方风控服务商，ZRobot在产品方面有哪些优势？
乔杨：我们所有的平台类的产品、决策引擎、反欺诈系统、智能风控管理工具，都可以在内部场景先做打磨。我们推出的业内第一款智能汽车金融解决方案，能够把非人工参与的全部流程做到自动化，从前端的数据采集、进件、审批决策到放款流程，除了必须人工干预的环节，已经做到高效自动化。
京东内部也有小白用车这样的场景，有很多合作的公司，如花生好车等，可以通过这样的方式在它的场景先做铺垫，做试点，模式跑成功了以后，迭代优化后再做产品化对外输出，所以优势还是非常明显。
以前很多风控和研发团队是独立的，风控团队开发出一套规则，把它部署到决策引擎里面，然后研发团队基于它的规则写成代码，部署到系统里面。我们这个系统最大的优势就是风控团队和研发团队解耦，风控团队可以自己通过拖拽的方式，在一个非常友好的界面上，可以实现一键部署，AB测试、策略版本的一键回滚等等。
比如说策略上线以后发现效果没有预想的好，需要恢复到上个版本，业务方都可以自己操作，不需要二次研发，效率高很多。
而且这套工具也不只是为汽车金融设计，可以在金融领域去拓展。工具有通用性，可以做一些调整，输出到其他行业。
比如说现在一些银行和信托公司应对最新监管要求，必须要做主动风险管理，必须做二道风控，就急缺一套这样的系统。这套系统尽管最初设定是用于汽车金融风控，但我们对它进行了大量优化和改动，也可以帮助信托公司、银行做主动式风险管理。
场景覆盖率高，强调创新落地应用
爱分析：ZRobot的信用评分是否区分场景？
乔杨： 我们现在跟场景合作，推出的还是通用型的评分——盘古信用分，但是我们的客户发现它不分任何场景，覆盖度和准确度都很高，因为我们是集成学习的模式，子模型最后融合成一个综合的评分。所以我不会针对细分场景专门提供评分产品，最终融合出来的评分其实可以覆盖多个场景的客户。
这是我们跟FICO最大的区别，因为FICO的评分里面实际用到的变量就是几十维的，而我们的评分光子模型就十几个，然后最终融合出来的评分就覆盖了各个信贷环节和各个场景的客群，这也是ZestFinance集成学习的模式。
爱分析：目前ZRobot如何区分子模型？
乔杨：比如信贷类的子模型按照信用类型分抵押类和信用类，按场景类型分房贷、车贷、有场景、无场景，按贷款类型分按揭、非按揭、交易、抵押、场景分期、现金贷等，细致到个人有还款能力、还款意愿，以及欺诈、催收等贷款环节的区分。
爱分析：ZRobot合作了哪几类场景？
乔杨：信贷类场景大类分为现金贷和消费分期，现金里面又分大额、小额，有抵押、无抵押等，我们都有合作。
我们目前可以覆盖度所有金融类场景及产品，通用型评分输出都是先数据测试，再根据效果去合作，如果客户觉得效果不能达到要求，比如覆盖度有了，评分效果不够，那就根据客户的场景再做联合建模，现在是这样合作模式。
爱分析：所以ZRobot倾向于先推标准化产品？
乔杨：对，先做标准评分，如果标准评分能解决客户的问题，肯定是用标准评分。但是如果不行，我们再进行联合建模。所以我们第一个阶段都是在打造打磨标准化产品，到了一定程度，标准化产品使用的用户已经比较多了，会发现光做标准化产品不能解决全部行业痛点。
我们其实有几个理念，第一个理念就是任何脱离场景的技术都是空谈，必须得有落地应用，不追求所谓的数据技术炫技。
比如我们做过测试，银行系的模型，即使用逻辑回归，做出来的效果可能都不比机器学习做出来的差，因为它的数据质量太好，都是金融强相关的数据，有用户过去五年的信贷历史，所有的借还款数据，支出、收入情况都了解，真的没有必要做机器学习。
所以我们不是非要强调用机器学习、深度学习等人工智能的方式做，只要在客户的场景中，我们提供的技术服务能够达到客户的要求，能够在现有基础上得到显著提升，我们就成功了。我们所有的技术创新，包括技术落地，都是与场景结合的。
第二就是我们任何的技术突破，还有所谓创新，都是基于解决一个行业或者某类公司的问题，针对痛点来的。我们开发的汽车金融决策引擎就是基于汽车金融公司想快速提升效率的痛点，实现了自动化流程和高效跨部门人工协作。
还有现在很多城商行、农商行也想扩大自己的规模，但是缺乏线上获客能力，也没有线上风控能力，还是传统信审模式，而且都只能做本地用户。
最早找到我们的华融湘江银行痛点也很明确，想通过我们做手机银行线上信贷，所以我们开发了第二套决策引擎，帮助城商行、农商行这些传统金融机构转型，用大数据的方式做到自动化全线上实时审批，没有任何人工干预。这个比较适用于小额贷款，所以跟这些城商行合作的都是3万以下额度的产品。
京东金融成立信用卡代运营公司其实也是一样的概念。京东金融有流量，然后有我们的风控技术，可以帮助银行获客，做风控以及整体的账户管理。所以我们也跟这家公司合作，帮助城商行、农商行拓展业务，提升风控及用户精细化运营的能力和效率。
技术推动发展，形成数据生态
爱分析：算法方面ZRobot有哪些投入？
乔杨：算法这块我们投入的力量也很大，主要涉及两个部分。
第一，模型算法，包括整个建模流程的优化、特征工程的不断深化以及训练算法的更新和迭代。具体而言，比如在特征工程方面，我们投入了网状特征，将关系网络的因子以标准化特征的方式融入；另外我们也应用深度学习等方法去构建特征，这些特征基于传统模型经验无法提炼。最后，训练模型方面，我们一直鼓励团队去尝试应用业界和学术界的最新成果，也为我们的技术迭代提供了新的思路。
第二，算力提升。ZRobot的模型融合来自多方的数据，离不开在线实时打分计算，一个最大的子模型，入参的模型变量要超过2万个，在特征并行计算以及模型融合并行计算等环节，我们投入大量研发力量去部署和实施。
爱分析：目前除了金融行业，是否还涉及电商等其他行业？
乔杨：电商也做，比如羊毛党、刷单团伙判断等等。我们提出了一个技术叫漫网技术，network learning。
尤其是电商这个领域，很多羊毛党、欺诈团伙都有上下游产业链，团伙作案性质特别明显。我们用的机器学习技术，基于个人海量高维的数据判断，不管是个人财富也好，身份特征也好，还是对这个人个体的判断，但单纯对个体判断是不够的。
所以我们通过机器学习结合复杂网络，对于个人单点和它周围的网络做判断，一系列能跟这个人产生关联的方式，都进行关联分析。我们做的这个关联，因为数据维度和数据量特别大，可以做的关联关系特别广，不只是简单的1度2度关联，甚至可能到9度10度的N度关联，但对于计算量和计算效率的压力就非常大。
业内像PayPal这样的公司也做过类似的工作，尝试N度关联，他们现在只能实现内部自用，还没有对外输出，我们是已经产品化可以对外输出的。现在京东内部判断刷单群体、羊毛党等，都是通过漫网技术做的，识别率在70%以上，还是非常有效的。
除了负面团体识别判断，漫网技术还可以用在正面，就是所谓白名单扩散。如果你本身信用非常良好，可能你的亲戚、跟你关系特别紧密的一批人，也是信用良好的人。通俗来讲，就是近朱者赤，近墨者黑的概念。白名单扩散可以用到扩大授信上面，内部的金融业务都在做尝试，所以我们想把这个技术打磨到比较精准的程度，再做对外输出，现在只是在负面反欺诈这块有输出。
搭建漫网要做一些定制化，目前是基于京东金融和合作方的数据实现的。如果另外一家公司找过来要搭建，一个是可以直接输出现有的这套模式，二是可能要把它内部积累的一些数据维度也放进来。
爱分析：今年有哪些业务规划？
乔杨：业务规划上，我们想在今年成为2B服务的知名品牌。今年想更深度地在每一个垂直场景有一个非常成功的案例，不管是银行、汽车金融、小贷、持牌消金公司等，与几个头部客户达成深度合作，形成完整的数据闭环，今年各个数据产品要完成落地。
在出行领域、租赁、二手交易各个垂直场景，我们携手京东金融，都已经形成了自己的信用生态，各个领域都能够找到我们合作的点。基于信用是一个很好的点，不光是能金融服务，但凡涉及个人风险识别，都可以用到我们的技术。
在每个垂直场景形成这种闭环，数据能够反馈到我这里，同时也会形成负面机制，一旦哪个环节出现问题，跟其他合作场景的权益都不能再享受。
这是我们今年在信用评估领域的布局，还有创新业务至少要落地一个项目，也是今年的目标。