京東、谷歌、硅谷教父三重加持，這個大數據技術公司覆蓋6億人，反欺詐還能精準營銷

- 文｜小飯桌新媒體記者 王豔 -

- 編輯丨關雪菁 -

在不到一年的時間裡，京東金融高層找了喬楊兩次，希望他能出任ZRobot的CEO。

第一次，喬楊拒絕了，因為他那時剛開啟了一段創業征程，做消費信貸。

結果，轉了一大圈，京東金融發現，還得回頭找喬楊。

因為他們要找的這個人，既要有海外風控建模經驗、又要懂中國業務，同時還要有創業經驗。喬楊在美國通用電氣公司、美國發現銀行（Discover）都曾任職，還正在創業。

為了打動喬楊，京東金融來了番車輪戰，其HR負責人甚至專程飛到上海，與喬楊及家人單獨聊了一次。

2016年10月，喬楊正式出任ZRobot的CEO，帶領7人團隊開始了開拓中國數據技術疆土的征程。ZRobot是一家大數據技術公司，根據高維度的變量,利用數據挖掘、機器學習等技術,為各類金融及非金機構提供信用評分模型、反欺詐系統、資產定價、精準營銷等服務，銀行、汽車金融、消費金融、小貸公司等都是其客戶。

▲ ZRobot CEO喬楊

ZRobot由京東金融和美國公司ZestFinance聯合創辦。ZestFinance由谷歌前CIO道格拉斯·梅瑞爾創辦，是一家將機器學習應用在信貸領域的大數據公司,曾拿到創辦了貝寶（PayPal）的“硅谷教父”彼得·蒂爾（Peter Thiel）領投的2000萬美元融資。

◆ 為什麼京東金融找上ZestFinance？

在美國，大名鼎鼎的FICO評分系統通過強相關的金融變量建立信貸模型，已經能夠覆蓋85%的人群，而ZestFinance瞄準的則是剩下15%徵信覆蓋不到的人群。ZestFinance通過弱相關的變量模型成為FICO的極大補充，使缺少徵信記錄的人也能夠得到透明公正的金融服務。

然而，ZestFinance的問題在於，儘管跟FICO幾百維的變量相比ZestFinance已經可以在互聯網、第三方近7萬維的弱相關變量上建模，但是15%的比例讓其在美國本土最多隻有5000萬的潛在用戶，天花板顯而易見。

大洋的另一端，京東金融在內部成立了一個創新模型組，邀請ZestFinance模型團隊和內部團隊進行了深度溝通，京東金融想知道，美國的這套技術能否在國內落地？

結果證明，在數據相同的情況下，ZestFinance搭建出的模型在反欺詐、授信、精準營銷領域的效果非常明顯。2015年6月，京東金融宣佈了對ZestFinance的投資。

注資只是第一步，按照京東金融的設想，用ZestFinance的技術加上中國海量高維的互聯網數據，可以最大程度釋放國內的信貸市場。

在國內，個人徵信體系覆蓋率僅為28%，具有完備信貸記錄的人群只有3億，餘下的11億人中除去老人、小孩等，至少也有5億的適貸人群。但是各家銀行之間底層數據不共享，導致內部評分卡只適用某一家銀行的特定客群，打出來的分數不具備通用性。

但是京東擁有超2億活躍用戶，能夠最大化彌補數據不共享的痛點。

2016年11月，京東金融將金融場景積累的實戰經驗及數據結合ZestFinance先進的數據挖掘及模型技術，再加上數百萬美金的天使輪投資，ZRobot正式成立，目前風險評估能夠覆蓋近6億人群。

◆ 是“數據技術”而不是“大數據”

“ZRobot不是大數據公司，也不是徵信公司，而是一家數據技術公司。”喬楊說。在他看來，要想在國內做數據技術必須具備三個基本條件：

第一，要擁有優質豐富的數據源，數據要滿足“大”、“厚”、“動”三個特點。大是指數據要有沉澱，量大；厚是指數據維度要足夠高，“比如京東有客戶瀏覽商品、下單、理財、信用支付等多維度的數據。”動是指數據要具備及時性，實時更新。

第二，要有能夠處理海量高維數據的團隊，技術要過硬。

第三，要具備深入的業務場景經驗和數據解讀能力。

喬楊認為技術本身並不是壁壘，任何算法和模型，如果脫離了場景就失去了意義。ZRobot是業內第一家提出“Network Learning”即“漫網”技術概念的公司。將機器學習與複雜網絡技術相結合，通過多維人際關係網絡構建與用戶個體畫像的融合，落地應用於信用評估，關係授信，黑名單拓展，精準營銷等豐富的場景。

▲ ZRobot北京團隊

而國內眾多大數據公司的痛點在於：沒有數據生產能力，爬蟲技術成為數據主要獲取手段。使用爬蟲的場景存在嚴重的逆向選擇問題，使得覆蓋度偏向高風險人群，同時業內缺乏數據挖掘能力、解讀能力的專業團隊，數據處理能力也參差不齊，因此諸多所謂大數據公司只能做底層數據的淺加工和輸出。如此一來，不僅產品質量不能保證，還會導致產品同質化嚴重，往往陷入價格戰。

ZRobot的數據源包括用戶授權並脫敏後的電商數據，線上線下交易支付數據以及運營商數據。在汽車金融、現金貸、旅遊分期等垂直細分領域，通過聯合建模的方式對其信用評分得以迭代及優化。

同時，在數據安全方面，ZRobot通過標準MD5加密方式進行數據對接，保證數據安全傳輸的同時也不會留存客戶的數據。

◆ 美國模型的中國本土化

目前ZRobot有三條業務線：

第一條業務線是信用評估類產品，類似FICO，通過公共信息、資產價值、購物信息、通訊記錄、人脈關係等維度對用戶進行信用評分。

在信貸用戶群體的信用風險判斷上，ZRobot的評分模型有更強的排序能力和區分度，能夠將高風險人群和優質人群更清晰地區分，便於金融機構在最大程度增加授信範圍的同時，保持或降低授信人群的逾期率。

另外信用評估產品還包括反欺詐系統，ZRobot將其“漫網”技術在反欺詐領域做了大量的應用及驗證。通過ZRobot的技術，可以最大程度的防止“錯殺”優質客戶，提高黑名單的使用效率及授信效率。

“業內對黑名單應用的誤區是，只要申請人命中黑名單內就拒絕放貸，但其實涉黑的來源、判別標準和深度是不同的，黑名單中其實有一批適合放貸的安全用戶。”喬楊說。

此外，在借貸領域的“薅羊毛黨”，經常會對互金平臺尤其是新推出平臺的風險漏洞進行集中性的挖掘並公佈，然後在平臺風控並不完善的情況下，對平臺發起攻擊。ZRobot的輿情分析及預警平臺能夠對全網進行24/7監控，通過網絡爬蟲、文本挖掘、自然語言處理等方式，在平臺風險敞口被攻擊之前提前對平臺發出預警並提出防控指導建議，幫助平臺提前採取防範，避免損失。

第二條業務線是決策引擎。ZRobot的決策引擎及風控系統，能夠幫助傳統線下金融機構向線上信貸業務轉型，同時解決了新開展線上信貸業務平臺冷啟動的問題，實現無人工干預的線上自動化秒級審批及授信。

第三條業務線包括精準營銷及資產評估及定價。這條業務線也是數據應用驅動的，利用數據技術在傳統領域做出創新，提高生產力。

ZRobot的精準營銷是通過模型試驗室的方式實現的，通過設計營銷試驗，以最小的成本進行市場測試，獲得量化反饋。依據試驗結果進行建模，利用機器學習等技術挖掘目標客戶特徵，刻畫目標用戶，預估營銷轉化率。

比如，通常為了擴大新增用戶，互金平臺經常會通過一定激勵手段比如贈品的方式激勵潛在用戶下載並註冊APP。但有一類用戶往往在下載註冊完成後就成了“殭屍”用戶，下載註冊只是為了拿贈品。同時另一類真正有需求的用戶即使沒有贈品激勵也會使用產品，而對互金平臺來說，最重要的是刺激出產品需求的群體，找到投入營銷費用後才能轉化成真正用戶的潛在用戶。換句話說，就是把錢用在刀刃上。

ZRobot的精準營銷體系可以幫助有營銷需求的企業對目標群體進行優先排序，通過模型精準預測用戶的轉化效果，鎖定最有可能轉化的真實用戶，大幅提高營銷效率，以最小的投入達到最好的效果。

除了精準營銷之外，ZRobot還提供ABS（資產證券化）資產評估及定價服務。目前很多優質資產沒有辦法在證券化市場得到認可，因為缺少長期穩定的資產表現，現金流預測及定價很難做，ZRobot的技術填補了這一空白。

在喬楊看來，京東金融在多場景積累的實戰經驗和經過充分優化後的ZestFinance的模型技術是ZRobot最核心的壁壘，並且核心技術團隊擁有豐富的業務經驗和深厚的數據解讀能力。

“同樣的數據，不同的團隊做出來的模型效果差異會很大，這和建模人員的業務理解力及經驗有很大關係，但這也是很多創業公司容易忽視的地方。”

在獲客方面，ZRobot主要是通過在每個垂直領域中和一家大型平臺合作，打造成功案例，在以此迭代更多客戶。目前ZRobot觸達的B端客戶已經超過200家，合作金融機構及平臺涉及多個領域。目前ZRobot團隊有30人左右，在北京、上海兩地辦公，總部在北京。