- 文｜小饭桌新媒体记者 王艳 -
- 编辑丨关雪菁 -
在不到一年的时间里，京东金融高层找了乔杨两次，希望他能出任zrobot的ceo。
第一次，乔杨拒绝了，因为他那时刚开启了一段创业征程，做消费信贷。
结果，转了一大圈，京东金融发现，还得回头找乔杨。
因为他们要找的这个人，既要有海外风控建模经验、又要懂中国业务，同时还要有创业经验。乔杨在美国通用电气公司、美国发现银行（discover）都曾任职，还正在创业。
为了打动乔杨，京东金融来了番车轮战，其hr负责人甚至专程飞到上海，与乔杨及家人单独聊了一次。
2016年10月，乔杨正式出任zrobot的ceo，带领7人团队开始了开拓中国数据技术疆土的征程。zrobot是一家大数据技术公司，根据高维度的变量,利用数据挖掘、机器学习等技术,为各类金融及非金机构提供信用评分模型、反欺诈系统、资产定价、精准营销等服务，银行、汽车金融、消费金融、小贷公司等都是其客户。
▲ zrobot ceo乔杨
zrobot由京东金融和美国公司zestfinance联合创办。zestfinance由谷歌前cio道格拉斯·梅瑞尔创办，是一家将机器学习应用在信贷领域的大数据公司,曾拿到创办了贝宝（paypal）的“硅谷教父”彼得·蒂尔（peter thiel）领投的2000万美元融资。
◆ 为什么京东金融找上zestfinance？
在美国，大名鼎鼎的fico评分系统通过强相关的金融变量建立信贷模型，已经能够覆盖85%的人群，而zestfinance瞄准的则是剩下15%征信覆盖不到的人群。zestfinance通过弱相关的变量模型成为fico的极大补充，使缺少征信记录的人也能够得到透明公正的金融服务。
然而，zestfinance的问题在于，尽管跟fico几百维的变量相比zestfinance已经可以在互联网、第三方近7万维的弱相关变量上建模，但是15%的比例让其在美国本土最多只有5000万的潜在用户，天花板显而易见。
大洋的另一端，京东金融在内部成立了一个创新模型组，邀请zestfinance模型团队和内部团队进行了深度沟通，京东金融想知道，美国的这套技术能否在国内落地？
结果证明，在数据相同的情况下，zestfinance搭建出的模型在反欺诈、授信、精准营销领域的效果非常明显。2015年6月，京东金融宣布了对zestfinance的投资。
注资只是第一步，按照京东金融的设想，用zestfinance的技术加上中国海量高维的互联网数据，可以最大程度释放国内的信贷市场。
在国内，个人征信体系覆盖率仅为28%，具有完备信贷记录的人群只有3亿，余下的11亿人中除去老人、小孩等，至少也有5亿的适贷人群。但是各家银行之间底层数据不共享，导致内部评分卡只适用某一家银行的特定客群，打出来的分数不具备通用性。
但是京东拥有超2亿活跃用户，能够最大化弥补数据不共享的痛点。
2016年11月，京东金融将金融场景积累的实战经验及数据结合zestfinance先进的数据挖掘及模型技术，再加上数百万美金的天使轮投资，zrobot正式成立，目前风险评估能够覆盖近6亿人群。
◆ 是“数据技术”而不是“大数据”
“zrobot不是大数据公司，也不是征信公司，而是一家数据技术公司。”乔杨说。在他看来，要想在国内做数据技术必须具备三个基本条件：
第一，要拥有优质丰富的数据源，数据要满足“大”、“厚”、“动”三个特点。大是指数据要有沉淀，量大；厚是指数据维度要足够高，“比如京东有客户浏览商品、下单、理财、信用支付等多维度的数据。”动是指数据要具备及时性，实时更新。
第二，要有能够处理海量高维数据的团队，技术要过硬。
第三，要具备深入的业务场景经验和数据解读能力。
乔杨认为技术本身并不是壁垒，任何算法和模型，如果脱离了场景就失去了意义。zrobot是业内第一家提出“network learning”即“漫网”技术概念的公司。将机器学习与复杂网络技术相结合，通过多维人际关系网络构建与用户个体画像的融合，落地应用于信用评估，关系授信，黑名单拓展，精准营销等丰富的场景。
▲ zrobot北京团队
而国内众多大数据公司的痛点在于：没有数据生产能力，爬虫技术成为数据主要获取手段。使用爬虫的场景存在严重的逆向选择问题，使得覆盖度偏向高风险人群，同时业内缺乏数据挖掘能力、解读能力的专业团队，数据处理能力也参差不齐，因此诸多所谓大数据公司只能做底层数据的浅加工和输出。如此一来，不仅产品质量不能保证，还会导致产品同质化严重，往往陷入价格战。
zrobot的数据源包括用户授权并脱敏后的电商数据，线上线下交易支付数据以及运营商数据。在汽车金融、现金贷、旅游分期等垂直细分领域，通过联合建模的方式对其信用评分得以迭代及优化。
同时，在数据安全方面，zrobot通过标准md5加密方式进行数据对接，保证数据安全传输的同时也不会留存客户的数据。
◆ 美国模型的中国本土化
目前zrobot有三条业务线：
第一条业务线是信用评估类产品，类似fico，通过公共信息、资产价值、购物信息、通讯记录、人脉关系等维度对用户进行信用评分。
在信贷用户群体的信用风险判断上，zrobot的评分模型有更强的排序能力和区分度，能够将高风险人群和优质人群更清晰地区分，便于金融机构在最大程度增加授信范围的同时，保持或降低授信人群的逾期率。
另外信用评估产品还包括反欺诈系统，zrobot将其“漫网”技术在反欺诈领域做了大量的应用及验证。通过zrobot的技术，可以最大程度的防止“错杀”优质客户，提高黑名单的使用效率及授信效率。
“业内对黑名单应用的误区是，只要申请人命中黑名单内就拒绝放贷，但其实涉黑的来源、判别标准和深度是不同的，黑名单中其实有一批适合放贷的安全用户。”乔杨说。
此外，在借贷领域的“薅羊毛党”，经常会对互金平台尤其是新推出平台的风险漏洞进行集中性的挖掘并公布，然后在平台风控并不完善的情况下，对平台发起攻击。zrobot的舆情分析及预警平台能够对全网进行24/7监控，通过网络爬虫、文本挖掘、自然语言处理等方式，在平台风险敞口被攻击之前提前对平台发出预警并提出防控指导建议，帮助平台提前采取防范，避免损失。
第二条业务线是决策引擎。zrobot的决策引擎及风控系统，能够帮助传统线下金融机构向线上信贷业务转型，同时解决了新开展线上信贷业务平台冷启动的问题，实现无人工干预的线上自动化秒级审批及授信。
第三条业务线包括精准营销及资产评估及定价。这条业务线也是数据应用驱动的，利用数据技术在传统领域做出创新，提高生产力。
zrobot的精准营销是通过模型试验室的方式实现的，通过设计营销试验，以最小的成本进行市场测试，获得量化反馈。依据试验结果进行建模，利用机器学习等技术挖掘目标客户特征，刻画目标用户，预估营销转化率。
比如，通常为了扩大新增用户，互金平台经常会通过一定激励手段比如赠品的方式激励潜在用户下载并注册app。但有一类用户往往在下载注册完成后就成了“僵尸”用户，下载注册只是为了拿赠品。同时另一类真正有需求的用户即使没有赠品激励也会使用产品，而对互金平台来说，最重要的是刺激出产品需求的群体，找到投入营销费用后才能转化成真正用户的潜在用户。换句话说，就是把钱用在刀刃上。
zrobot的精准营销体系可以帮助有营销需求的企业对目标群体进行优先排序，通过模型精准预测用户的转化效果，锁定最有可能转化的真实用户，大幅提高营销效率，以最小的投入达到最好的效果。
除了精准营销之外，zrobot还提供abs（资产证券化）资产评估及定价服务。目前很多优质资产没有办法在证券化市场得到认可，因为缺少长期稳定的资产表现，现金流预测及定价很难做，zrobot的技术填补了这一空白。
在乔杨看来，京东金融在多场景积累的实战经验和经过充分优化后的zestfinance的模型技术是zrobot最核心的壁垒，并且核心技术团队拥有丰富的业务经验和深厚的数据解读能力。
“同样的数据，不同的团队做出来的模型效果差异会很大，这和建模人员的业务理解力及经验有很大关系，但这也是很多创业公司容易忽视的地方。”
在获客方面，zrobot主要是通过在每个垂直领域中和一家大型平台合作，打造成功案例，在以此迭代更多客户。目前zrobot触达的b端客户已经超过200家，合作金融机构及平台涉及多个领域。目前zrobot团队有30人左右，在北京、上海两地办公，总部在北京。