調研了上百家從事風控數據業務的公司，有行業大牛也有各種低調開展業務的，在不會泄露各公司太敏感信息的前提，本著客觀的角度及學習的態度，逐一揭秘各家公司的征信風控產品及數據源特色。

本期的目標將是京東金融系的【ZRobot】

一、京東大數據布局情況

在調研ZRobot之前，我們先把其主要控股權股東-京東金融的大數據布局先扒下，這樣有利于從上往下加深京東金融大數據布局對ZRobot數據層級及產品層的理解。

1. 京東金融的大數據領域

京東金融于2015年6月戰略投資了1.5億元美國互聯網金融公司ZestFinance.據了解，ZestFinance?原名?ZestCash，2009?年9月成立于洛杉磯，創始人?DouglasMerrill?和?ShawnBudde分別曾是谷歌（Google）的前信息總監和?CapitalOne的前信貸部高級主管（曾管理過收益超過10億美元的次級信貸業務）。

2013年7月，ZestFinance獲?PeterThiel領投的2000萬美元C輪融資，至此，該公司總融資額達1.12億美元。ZestFinance?的核心競爭力在于數據挖掘能力和模型開發能力。在其模型中，往往要用到?3500個數據項，從中提取?70,000個變量，利用10個預測分析模型，如欺詐模型、身份驗證模型、預付能力模型、還款能力模型、還款意愿模型以及穩定性模型，進行集成學習或者多角度學習，并得到最終的消費者信用評分。

ZestFinance主要面向兩類人群：一類是（?FICO評分接近或低于500）無法獲得基本的信貸需求的人群，解決他們的無信用評分借貸問題，另一類是信用分數不高而借貸成本高的人群，利用大數據征信降低他們的信貸成本。

【獵人說】ZestFinance于2013年左右受國內關注，源于當年獲得當時全球第三方支付平臺PayPal聯合創始人、美國知名投資人皮的蒂爾領投的2000萬融資事件。ZestFinance在2014年開始推出基于大數據分析的收債評分，實為場景類評分系統，覆蓋汽車金融、學生貸款、醫療貸款、信用卡及房屋貸款等方面。

這兩年，京東也是崛起時期，對標阿里這個巨頭。京東當時也積累了豐富的消費數據，但如何使用，如何擴展金融場景方面的運用，特別是信貸產品的布局，應該是推動京東投資ZestFinance，快速獲取其相對成熟的風控模型及數據應用模型的主要動力。

ZestFinance當時覆蓋的人數也只有10萬人，體量無法有更大突破，與京東合作，可以直接獲得1億左右的數據進行模型優化，是個雙贏的選擇。

在規劃金融大數據布局的過程，京東算很有效率的了?；蛟S也是因為2015年1月阿里、騰訊都列入8家備案征信公司試點，刺激了京東。因此2015年4月，在投資ZestFinance，前2個月就投資了誠數信息（以下按品牌名簡稱“聚信立”），一家與Zestfinance類似的公司——利用機器學習和大數據分析的方式，采用社會網絡、電子商務等大量消費者在互聯網上的信息來評估個人信用資質。

（京東布局大數據時間分布）

在投資ZestFinance的京東，緊接就籌劃著建立屬于自己的大數據應用公司-ZRobot,盤活旗下1.4億的用戶數據，開發相關數據應用產品進行變現。

下圖屬于京東大數據版塊的布局，京東萬象作為批發導流平臺也于2015年底上線。全方位布局數據來源體系，包括體系內的數據、體系外的數據及行業內的數據行情。

（京東金融布局大數據股權架構）

民間征信行業的核心是數據，特別是細分場景后的數據。

須知京東早在2014年就上線了京東白條這款分期類產品，其積累的分期用戶還款數據+京東體系內的消費數據，均屬于特有數據，屬于數據壁壘，需要有專門的公司進行運作及應用。因此通過投資ZestFinance獲得成熟的模型，在與體系內數據進行磨合的時間段，也需要引入體系外的數據（也就是別人家的數據），擁有社交數據分析經驗及準備布局用戶授權爬取的聚信立也順理成章被納入投資版塊。

剛起步的大數據產品布局規劃，如何獲得行業內各類數據接口的類型及商戶需求，利用自身的用戶基數建立起了數據接口導流平臺-京東萬象。

京東萬象成為其流量變現，數據需求調研，數據價格調研、同業競爭公司調研四維一體的使命。

（京東大數據三大版塊業務布局）

?二、ZRobot公司背景

ZRobot為京東金融與ZestFinance合資成立。

早在2015年，京東金融曾宣布投資ZestFinance，投資金額未披露。ZestFinance創立于2009年，創始人為兩位谷歌前高管。

此次雙方合資成立的ZRobot，其官網顯示的運營主體為北京至上澤思信息技術有限公司（以下簡稱至上澤思），后者工商備案信息顯示，至上澤思2016年4月15日成立，為外資企業（盛譽光年信息科技有限公司）獨資公司。至上澤思最初法人代表為劉強東，2016年7月7日變更為劉強東助理張雱。

ZRobot定位于數據技術公司，專注于提供包括數據建模、信用評分、資產定價、欺詐識別、精準營銷等能力在內的數據增值與技術應用服務，幫助企業提升商業決策效率是京東在中國市場面向銀行、汽車金融、消費金融、小貸公司等金融及非金機構，提供信用評分、風險定價、欺詐識別、精準營銷等服務的布局成果，也是是打通京東體系內外數據和各類應用場景的橋梁。

三、ZRobot主打產品及數據底層組成

據了解ZRobot有5類產品

• A類：ZRobot信用分、涉黑分數、黑名單、客戶畫像標簽、貸后管理模型
• B類：漫網體系、反欺詐系統、平臺輿情風險監控、風控云平臺
• C類：債務標的量化評估、逾期轉移預測、ABS資產定價
• D類：用戶洞察系統、模型試驗室、推薦系統、客戶生命周期管理
• E類：大數據模型定制、部署策略指導

產品規劃覆蓋了風控全流程，包括：

• 客戶引流：通過識別分期借貸意愿進行精準營銷
• 貸前審核：通過反欺詐（多維黑名單、關系驗證、身份識別等）、信用評估、客戶風險&價值洞察標簽識別及結合已有數據進行的風險定價實現貸前風險識別及防控
• 貸中監控：將通過貸前審核的用戶群進行實時行為監控，實現異常預警，并形成相應的行為評分
• 貸后催收：通過還款意愿預測，合理設計催收策略，配合失聯修復提高觸達幾率，以提高催收成功率為第一準則

【獵人說】

獲客引流?重點在于用戶基數及標簽維度是否豐富，這樣有利于細分行業定位客群；獲客引流的方式是將定位好的用戶數據通過選擇好的渠道媒介觸達用戶，一般有短信、電呼、網絡定制廣告、移動廣告等方式。但由于政策原因導致短信及電呼業務緊縮，效果原因+成本原因短信和電呼在做精準營銷的性價比逐漸減弱。

貸前?審核的數據底層需要大量的黑名單、風險名單（公檢法公布名單）等，如果能進行關系圖譜識別相對更有效。貸前審核審核方式一般包括人機驗證、身份驗證、個人信息校驗、黑名單匹配，驗證都通過后就是進行貸前額度測算評估及風險利率確認。

貸中考驗的是一家公司是否擁有實時數據來源的，如果無實時來源，監控無從說起。監控需要做到實時動態監控、異常行為預警（多頭借貸行為監控、還款能足指標異常預警及還款意愿交叉識別）及回訪監控。

貸后?主要針對有逾期行為征兆或已經發生逾期行為的客戶，進行催收聯系，一般有催收行為的用戶都容易失聯，因此需要進行失聯修復，通過數據交叉匹配手段修復用戶實名下的其他聯系方式，然后是進行催收方案計劃，制定自動回收策略、逾期損失模型及催收渠道選擇。為了提高效率，可設置智能客服進行前期催收，后期針對逾期嚴重的可以選擇委外催收。當然貸后除了催收還有一個非常重要的工作不能忽視，就是老客戶的再次激活，針對信譽良好的用戶進行激活營銷，提高復貸率。

以下主要講講ZRobot主推的幾個產品

ZRobot信用分

ZRobot信用分，和市面上各類分值產品（包括芝麻分、91征信分、騰訊信用分）一樣，表現形式沒什么特別的，比較值得了解和參考的是這個分值背后的數據維度及顆粒細度。據了解，ZRobot信用分主要包括線上線下交易（交易數據）、瀏覽數據（用戶行為軌跡）、通信(運營商數據)等，擁有豐富的數據維度，且數據可以細分精準定位到信貸需求旺盛的客群。主要應用在京東白條、金條、鋼蹦等業務中，運用于貸前預審批、風險定價、黑白名單判斷及用戶標簽解讀，貸中評分異常預警。在保持授信人數不變的情況下，幫助京東金融業務線顯著降低授信人群逾期率，減少損失。

【獵人說】信用分在行業內其實算是用戶畫像分值表現，用戶畫像需要將相對全面數據、相對豐富維度及相當精準的數據顆粒來刻畫，一般包括一個用戶的人脈關系、瀏覽數據、公共信息、資產價值、購物信息、通訊記錄、購物信息、社交言論、行為軌跡、職業信息、支付信息、信用記錄及歷史等等。至于這些數據的來源有很多，但大部分是掌握在少數幾家大企業中，例如京東、淘寶、百度、三大運營商等。

（信用分可選指標，根據所選指標進行運算得出分值）

ZRobot黑名單

這是做信貸風控類產品必備的基礎名單庫。ZRobot黑名單數據維度包括自有黑名單（京東金融體系）、惡意行為（薅羊毛）、失信行為（公檢法）、疑似欺詐（通過規則及算法判斷）、多頭申請（共享名單或渠道監控）、不良信貸（逾期嚴重名單）。

【獵人說】黑名單，其實正規來說是針對各機構逾期超半年的老賴，及公安部公布的在逃犯罪人員及法院公布的被執法老賴等。但現在維度細分、渠道數據相對越多后，行業各機構對黑名單的定義及數據組成也不一樣。因此商戶接入使用黑名單這類產品時，需要提前知道內部的細分類型。

漫網體系

ZRobot的拳頭產品，主要原因可能是因為其運用了現在比較火的關系圖譜機器學習等技術，深入挖掘客戶在各體系的信息，包括結構化和非結構化數據，來完成單點用戶畫像。漫網體系原理是基于互聯網，通信等各類關系交叉方式，構建個人的關系網絡圖譜，并結合個體畫像信息，刻畫全面完整的人物特征，有效補充單點畫像的不足，并識別團體標簽特征。

【獵人說】ZRobot漫網體系，在其他公司一般叫做關系圖譜，關聯網絡等產品。主要運用在

失聯修復（通過用戶個人手機號關聯自己名下其他手機號或親戚朋友的手機號、郵箱、QQ號等，一切可以聯系到用戶的通訊方式）；

同類客戶關聯觸達（通過用戶特征提取聚類，將單體用戶輻射到同類用戶上，簡單理解就是“朋友圈”）；

黑名單關聯（基于白名單用戶聯系方式，擴展到常聯系人，判斷常聯系人是否命中黑名單，命中則重點關注此用戶，提高風控準入標準及后期監控預警）；

高危區域及團體識別（通過手機號通訊錄關聯及常用區域關聯判斷，是否與欺詐集團有關聯或有犯罪多發區域出沒行為）

輿情風險監控平臺

輿情風險監控，主要運用的是爬蟲技術、文本挖掘及自然語言分析，爬取的是各類與風控規則相關能大概率提現用戶行為的公開類數據。輿情數據多用于平臺風險預警、發現漏洞紕漏及放控意見?？蛻糁饕猅O B。

【獵人說】輿情爬取數據，根據使用需求進行標的選擇，ZRobot的主要是給企業機構預防行業風險及內部風控規則補充使用。例如一般在一些涉黑論壇、地下黑產、內部風險及羊毛黨等地方，是充斥了大量風險熱議話題。爬取這類信息，可以及時知道相對較新的行業風險漏洞信息、薅羊毛方式、黑產工具及最新使用技術等內容，相關機構可以根據這些信息事后進行相關規則優化、查修補漏洞等，降低風險損失。

4.產品應用簡要建議

這里只談信用分、黑名單及漫網體系中的失聯修復使用比例相對較多的應用在一前一后的產品

ZRobot信用分

適用對象：信貸產品體系及目標客戶與京東白條體系高度重合的機構或無能力搭建風控平臺的機構

應用場景：信貸風控貸前、中、后，及監控

使用方式舉例：可以直接嫁接使用，ZRobot信用分達到高分值的用戶可以直接通過，中等分的可以調額通過后關注或者結合其他數據綜合判斷是否符合要求，低分值的直接拒絕。具體需要根據實際情況來使用。

ZRobot黑名單

應用場景：貸前

使用方式舉例：可只要命中ZRobot黑名單，可以直接執行拒絕策略，并將相關用戶記錄下來，形成自己的黑名單庫。

漫網體系

應用場景：失聯修復、同類客戶關聯觸達、黑名單關聯

失聯修復使用方式舉例：貸后需要催收時，聯系不到目標用戶，可以失聯修復，獲取更多的觸達方式，觸達用戶提高催收成功率。更多的使用方式可以直接與本獵人交流。

五、總結

總的來說，京東金融在大數據的布局屬于中規中矩，投資ZestFinance獲得相對成熟的數據應用模型，為體系內的幾億數據可以在各行業領域特別是金融板塊延展出更多的變現方式提供思路。同時共同成立ZRobot,在大數據+風控的行業中應付不斷創新的大數據產品及在實踐中印證產品的市場接受程度及效果。投資聚信立，看上的是聚信立沉淀的社交數據的處理及應用經驗，且聚信立算是京東金融體系外數據的一個主要入口（個人授權的敏感信息）。而京東萬象個人覺得更類似一個線上數據接口受眾程度及調用頻率調研平臺（雖然它外表是個流量平臺）。

ZRobot的成立，獵人總覺的有點像京東金融這個老爸娶了個外國媳婦，要試貨，硬生了小孩的感覺。其在行業至今其實默默無聞，或許因為京東金融要求其低調辦事。了其產品體系，也是中規中舉，無太多創新性的東西?；蛟S好東西全部在京東金融內部去使用了。

相關閱讀

百家風控公司揭秘系列｜91征信公司及產品調研報告

百家風控公司揭秘系列2｜華道征信&億美軟通公司及產品調研報告

從事大數據征信行業，你必須知道這些

最全互聯網金融6大板塊風控研究框架：監管政策、行業模式及合規要點

#專欄作家#

大數據獵人，微信公眾號：大數據獵人，人人都是產品經理專欄作家。多年金融科技行業相關戰略研究、行業分析、商業模式及產品體系研究經驗，擅長政府數據+企業數據+公開數據多源數據融合流通交易及應用

本文原創發布于人人都是產品經理。未經許可，禁止轉載。

題圖來自 Unsplash，基于 CC0 協議