百家风控公司揭秘系列3|京东系ZRobot公司及产品调研报告

零基础学产品,BAT产品总监带,2天线下集训+1年在线课程,全面掌握优秀产品经理必备技能。了解详情

调研了上百家从事风控数据业务的公司,有行业大牛也有各种低调开展业务的,在不会泄露各公司太敏感信息的前提,本着客观的角度及学习的态度,逐一揭秘各家公司的征信风控产品及数据源特色。

本期的目标将是京东金融系的【ZRobot】

一、京东大数据布局情况

在调研ZRobot之前,我们先把其主要控股权股东-京东金融的大数据布局先扒下,这样有利于从上往下加深京东金融大数据布局对ZRobot数据层级及产品层的理解。

1. 京东金融的大数据领域

京东金融于2015年6月战略投资了1.5亿元美国互联网金融公司ZestFinance.据了解,ZestFinance 原名 ZestCash,2009 年9月成立于洛杉矶,创始人 DouglasMerrill 和 ShawnBudde分别曾是谷歌(Google)的前信息总监和 CapitalOne的前信贷部高级主管(曾管理过收益超过10亿美元的次级信贷业务)。

2013年7月,ZestFinance获 PeterThiel领投的2000万美元C轮融资,至此,该公司总融资额达1.12亿美元。ZestFinance 的核心竞争力在于数据挖掘能力和模型开发能力。在其模型中,往往要用到 3500个数据项,从中提取 70,000个变量,利用10个预测分析模型,如欺诈模型、身份验证模型、预付能力模型、还款能力模型、还款意愿模型以及稳定性模型,进行集成学习或者多角度学习,并得到最终的消费者信用评分。

ZestFinance主要面向两类人群:一类是( FICO评分接近或低于500)无法获得基本的信贷需求的人群,解决他们的无信用评分借贷问题,另一类是信用分数不高而借贷成本高的人群,利用大数据征信降低他们的信贷成本。

【猎人说】ZestFinance于2013年左右受国内关注,源于当年获得当时全球第三方支付平台PayPal联合创始人、美国知名投资人皮的蒂尔领投的2000万融资事件。ZestFinance在2014年开始推出基于大数据分析的收债评分,实为场景类评分系统,覆盖汽车金融、学生贷款、医疗贷款、信用卡及房屋贷款等方面。

这两年,京东也是崛起时期,对标阿里这个巨头。京东当时也积累了丰富的消费数据,但如何使用,如何扩展金融场景方面的运用,特别是信贷产品的布局,应该是推动京东投资ZestFinance,快速获取其相对成熟的风控模型及数据应用模型的主要动力。

ZestFinance当时覆盖的人数也只有10万人,体量无法有更大突破,与京东合作,可以直接获得1亿左右的数据进行模型优化,是个双赢的选择。

在规划金融大数据布局的过程,京东算很有效率的了。或许也是因为2015年1月阿里、腾讯都列入8家备案征信公司试点,刺激了京东。因此2015年4月,在投资ZestFinance,前2个月就投资了诚数信息(以下按品牌名简称“聚信立”),一家与Zestfinance类似的公司——利用机器学习和大数据分析的方式,采用社会网络、电子商务等大量消费者在互联网上的信息来评估个人信用资质。

(京东布局大数据时间分布)

在投资ZestFinance的京东,紧接就筹划着建立属于自己的大数据应用公司-ZRobot,盘活旗下1.4亿的用户数据,开发相关数据应用产品进行变现。

下图属于京东大数据版块的布局,京东万象作为批发导流平台也于2015年底上线。全方位布局数据来源体系,包括体系内的数据、体系外的数据及行业内的数据行情。

(京东金融布局大数据股权架构)

民间征信行业的核心是数据,特别是细分场景后的数据。

须知京东早在2014年就上线了京东白条这款分期类产品,其积累的分期用户还款数据+京东体系内的消费数据,均属于特有数据,属于数据壁垒,需要有专门的公司进行运作及应用。因此通过投资ZestFinance获得成熟的模型,在与体系内数据进行磨合的时间段,也需要引入体系外的数据(也就是别人家的数据),拥有社交数据分析经验及准备布局用户授权爬取的聚信立也顺理成章被纳入投资版块。

刚起步的大数据产品布局规划,如何获得行业内各类数据接口的类型及商户需求,利用自身的用户基数建立起了数据接口导流平台-京东万象。

京东万象成为其流量变现,数据需求调研,数据价格调研、同业竞争公司调研四维一体的使命。

(京东大数据三大版块业务布局)

 二、ZRobot公司背景

ZRobot为京东金融与ZestFinance合资成立。

早在2015年,京东金融曾宣布投资ZestFinance,投资金额未披露。ZestFinance创立于2009年,创始人为两位谷歌前高管。

此次双方合资成立的ZRobot,其官网显示的运营主体为北京至上泽思信息技术有限公司(以下简称至上泽思),后者工商备案信息显示,至上泽思2016年4月15日成立,为外资企业(盛誉光年信息科技有限公司)独资公司。至上泽思最初法人代表为刘强东,2016年7月7日变更为刘强东助理张雱。

ZRobot定位于数据技术公司,专注于提供包括数据建模、信用评分、资产定价、欺诈识别、精准营销等能力在内的数据增值与技术应用服务,帮助企业提升商业决策效率是京东在中国市场面向银行、汽车金融、消费金融、小贷公司等金融及非金机构,提供信用评分、风险定价、欺诈识别、精准营销等服务的布局成果,也是是打通京东体系内外数据和各类应用场景的桥梁。

三、ZRobot主打产品及数据底层组成

据了解ZRobot有5类产品

  • A类:ZRobot信用分、涉黑分数、黑名单、客户画像标签、贷后管理模型
  • B类:漫网体系、反欺诈系统、平台舆情风险监控、风控云平台
  • C类:债务标的量化评估、逾期转移预测、ABS资产定价
  • D类:用户洞察系统、模型试验室、推荐系统、客户生命周期管理
  • E类:大数据模型定制、部署策略指导

产品规划覆盖了风控全流程,包括:

  • 客户引流:通过识别分期借贷意愿进行精准营销
  • 贷前审核:通过反欺诈(多维黑名单、关系验证、身份识别等)、信用评估、客户风险&价值洞察标签识别及结合已有数据进行的风险定价实现贷前风险识别及防控
  • 贷中监控:将通过贷前审核的用户群进行实时行为监控,实现异常预警,并形成相应的行为评分
  • 贷后催收:通过还款意愿预测,合理设计催收策略,配合失联修复提高触达几率,以提高催收成功率为第一准则

【猎人说】

获客引流 重点在于用户基数及标签维度是否丰富,这样有利于细分行业定位客群;获客引流的方式是将定位好的用户数据通过选择好的渠道媒介触达用户,一般有短信、电呼、网络定制广告、移动广告等方式。但由于政策原因导致短信及电呼业务紧缩,效果原因+成本原因短信和电呼在做精准营销的性价比逐渐减弱。

贷前 审核的数据底层需要大量的黑名单、风险名单(公检法公布名单)等,如果能进行关系图谱识别相对更有效。贷前审核审核方式一般包括人机验证、身份验证、个人信息校验、黑名单匹配,验证都通过后就是进行贷前额度测算评估及风险利率确认。

贷中考验的是一家公司是否拥有实时数据来源的,如果无实时来源,监控无从说起。监控需要做到实时动态监控、异常行为预警(多头借贷行为监控、还款能足指标异常预警及还款意愿交叉识别)及回访监控。

贷后 主要针对有逾期行为征兆或已经发生逾期行为的客户,进行催收联系,一般有催收行为的用户都容易失联,因此需要进行失联修复,通过数据交叉匹配手段修复用户实名下的其他联系方式,然后是进行催收方案计划,制定自动回收策略、逾期损失模型及催收渠道选择。为了提高效率,可设置智能客服进行前期催收,后期针对逾期严重的可以选择委外催收。当然贷后除了催收还有一个非常重要的工作不能忽视,就是老客户的再次激活,针对信誉良好的用户进行激活营销,提高复贷率。

以下主要讲讲ZRobot主推的几个产品

ZRobot信用分

ZRobot信用分,和市面上各类分值产品(包括芝麻分、91征信分、腾讯信用分)一样,表现形式没什么特别的,比较值得了解和参考的是这个分值背后的数据维度及颗粒细度。据了解,ZRobot信用分主要包括线上线下交易(交易数据)、浏览数据(用户行为轨迹)、通信(运营商数据)等,拥有丰富的数据维度,且数据可以细分精准定位到信贷需求旺盛的客群。主要应用在京东白条、金条、钢蹦等业务中,运用于贷前预审批、风险定价、黑白名单判断及用户标签解读,贷中评分异常预警。在保持授信人数不变的情况下,帮助京东金融业务线显著降低授信人群逾期率,减少损失。

【猎人说】信用分在行业内其实算是用户画像分值表现,用户画像需要将相对全面数据、相对丰富维度及相当精准的数据颗粒来刻画,一般包括一个用户的人脉关系、浏览数据、公共信息、资产价值、购物信息、通讯记录、购物信息、社交言论、行为轨迹、职业信息、支付信息、信用记录及历史等等。至于这些数据的来源有很多,但大部分是掌握在少数几家大企业中,例如京东、淘宝、百度、三大运营商等。

(信用分可选指标,根据所选指标进行运算得出分值)

ZRobot黑名单

这是做信贷风控类产品必备的基础名单库。ZRobot黑名单数据维度包括自有黑名单(京东金融体系)、恶意行为(薅羊毛)、失信行为(公检法)、疑似欺诈(通过规则及算法判断)、多头申请(共享名单或渠道监控)、不良信贷(逾期严重名单)。

【猎人说】黑名单,其实正规来说是针对各机构逾期超半年的老赖,及公安部公布的在逃犯罪人员及法院公布的被执法老赖等。但现在维度细分、渠道数据相对越多后,行业各机构对黑名单的定义及数据组成也不一样。因此商户接入使用黑名单这类产品时,需要提前知道内部的细分类型。

漫网体系

ZRobot的拳头产品,主要原因可能是因为其运用了现在比较火的关系图谱机器学习等技术,深入挖掘客户在各体系的信息,包括结构化和非结构化数据,来完成单点用户画像。漫网体系原理是基于互联网,通信等各类关系交叉方式,构建个人的关系网络图谱,并结合个体画像信息,刻画全面完整的人物特征,有效补充单点画像的不足,并识别团体标签特征。

【猎人说】ZRobot漫网体系,在其他公司一般叫做关系图谱,关联网络等产品。主要运用在

失联修复(通过用户个人手机号关联自己名下其他手机号或亲戚朋友的手机号、邮箱、QQ号等,一切可以联系到用户的通讯方式);

同类客户关联触达(通过用户特征提取聚类,将单体用户辐射到同类用户上,简单理解就是“朋友圈”);

黑名单关联(基于白名单用户联系方式,扩展到常联系人,判断常联系人是否命中黑名单,命中则重点关注此用户,提高风控准入标准及后期监控预警);

高危区域及团体识别(通过手机号通讯录关联及常用区域关联判断,是否与欺诈集团有关联或有犯罪多发区域出没行为)

舆情风险监控平台

舆情风险监控,主要运用的是爬虫技术、文本挖掘及自然语言分析,爬取的是各类与风控规则相关能大概率提现用户行为的公开类数据。舆情数据多用于平台风险预警、发现漏洞纰漏及放控意见。客户主要TO B。

【猎人说】舆情爬取数据,根据使用需求进行标的选择,ZRobot的主要是给企业机构预防行业风险及内部风控规则补充使用。例如一般在一些涉黑论坛、地下黑产、内部风险及羊毛党等地方,是充斥了大量风险热议话题。爬取这类信息,可以及时知道相对较新的行业风险漏洞信息、薅羊毛方式、黑产工具及最新使用技术等内容,相关机构可以根据这些信息事后进行相关规则优化、查修补漏洞等,降低风险损失。

4.产品应用简要建议

这里只谈信用分、黑名单及漫网体系中的失联修复使用比例相对较多的应用在一前一后的产品

ZRobot信用分

适用对象:信贷产品体系及目标客户与京东白条体系高度重合的机构或无能力搭建风控平台的机构

应用场景:信贷风控贷前、中、后,及监控

使用方式举例:可以直接嫁接使用,ZRobot信用分达到高分值的用户可以直接通过,中等分的可以调额通过后关注或者结合其他数据综合判断是否符合要求,低分值的直接拒绝。具体需要根据实际情况来使用。

ZRobot黑名单

应用场景:贷前

使用方式举例:可只要命中ZRobot黑名单,可以直接执行拒绝策略,并将相关用户记录下来,形成自己的黑名单库。

漫网体系

应用场景:失联修复、同类客户关联触达、黑名单关联

失联修复使用方式举例:贷后需要催收时,联系不到目标用户,可以失联修复,获取更多的触达方式,触达用户提高催收成功率。更多的使用方式可以直接与本猎人交流。

五、总结

总的来说,京东金融在大数据的布局属于中规中矩,投资ZestFinance获得相对成熟的数据应用模型,为体系内的几亿数据可以在各行业领域特别是金融板块延展出更多的变现方式提供思路。同时共同成立ZRobot,在大数据+风控的行业中应付不断创新的大数据产品及在实践中印证产品的市场接受程度及效果。投资聚信立,看上的是聚信立沉淀的社交数据的处理及应用经验,且聚信立算是京东金融体系外数据的一个主要入口(个人授权的敏感信息)。而京东万象个人觉得更类似一个线上数据接口受众程度及调用频率调研平台(虽然它外表是个流量平台)。

ZRobot的成立,猎人总觉的有点像京东金融这个老爸娶了个外国媳妇,要试货,硬生了小孩的感觉。其在行业至今其实默默无闻,或许因为京东金融要求其低调办事。了其产品体系,也是中规中举,无太多创新性的东西。或许好东西全部在京东金融内部去使用了。

相关阅读

百家风控公司揭秘系列|91征信公司及产品调研报告

百家风控公司揭秘系列2|华道征信&亿美软通公司及产品调研报告

从事大数据征信行业,你必须知道这些

最全互联网金融6大板块风控研究框架:监管政策、行业模式及合规要点

 

作者:大数据猎人,微信公众号:date-hunter。五年战略研究,行业分析,商业模式搭建经验。曾就职于风投公司,也在某国企支付战略部待过,均负责战略分析工作。现在新公司负责大数据风控产品研究事宜。欢迎交流。

本文由 @大数据猎人 原创发布于人人都是产品经理。未经许可,禁止转载。

给作者打赏,鼓励TA抓紧创作!
5人打赏
评论
欢迎留言讨论~!
圈子
关注微信公众号
大家都在问