Zest Finance的中国“实验”

　　2009年9月，一家利用大数据分析来进行信用评分并发放贷款的金融科技公司在美国西岸的洛杉矶成立。这家名为Zest Cash(后演变为Zest Finance)的创业公司恐怕很难想象，多年之后，它会与大洋另一端的中国市场紧密联系起来。

　　7月18日，百度宣布了对Zest Finance的最新投资，并未披露具体投资金额和持股比例。而早在2015年6月，京东金融也宣布投资这家公司，并且双方联合成立的合资公司也即将开业。

　　这家为美国传统的发薪日贷款(Payday Loans)提供在线替代产品而起家的公司，因为利用大数据进行信用评估和风险管理而名声大噪，它也是第一家真正参与中国市场的美国金融科技公司。

　　不过，由于目前大数据风控在其获取数据的合规性、风控模型的有效性方面一直存有争议，再加上Zest Finance在美国服务的人群、覆盖的市场并不主流，它的经验技术能否顺利移植中国市场还有待时间的验证。

　　进入新市场

　　10个模型、3500个数据项、70000个变量，这是关于Zest Finance的大数据风控最广为人知的一组数据。

　　在银行信用卡中心工作了十几年，曾参与过风控管理的京东金融副总裁许凌并不相信传言。他第一次听说Zest Finance和上面那组数据是2014年，当时，他与公司其他高管一起在美国考察金融科技公司。

　　“做模型开发的逻辑是，我们首先会拿一堆用户数据变量来测试，看看跟违约率的相关性，弱相关的就淘汰，强相关的就留下，最终真正有用的通常不超过20个。”他告诉《第一财经日报》记者。

　　因为不相信传言，京东金融团队在与Zest Finance的核心成员们交流之后打了一个赌：双方的模型团队互换到对方公司工作一个月，用同样的数据，分别搭建模型，在相同的时间里测试一下，如果证明Zest Finance的模型更有效，京东就会展开深入合作。

　　事实的结果我们已经知晓。2015年6月，京东金融宣布投资Zest Finance，双方决定联合成立合资公司，总部设在北京。

　　根据最初的规划，这家合资公司将把Zest Finance在大数据挖掘、分析和建模等方面的核心技术进入中国，与京东金融的风控团队合作，结合中国的数据、中国的市场，尝试将其技术进行“本土化”落地。

　　Zest Finance在美国市场主要面向两类人群，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。

　　对于征信体系、金融体系发展较为完善的美国市场，Zest Finance所覆盖的人群十分有限。相比之下，个人征信市场刚刚起步、消费金融市场快速崛起的中国无疑蕴藏着更大的商业机会。

　　近年来，一方面是得益于政策环境和市场环境的变化，另一方面也是受益于风控技术和获客方式的改进，大数据、云计算、移动互联等技术的普及和应用让消费金融的风控流程大大优化、成本大大降低，获客也更为容易。

　　平安证券一份报告预计，假设未来5年我国居民消费支出增速保持在12%左右的水平，居民消费信贷与消费支出比重逐年提升至20%左右，到2020年，我们非住房消费信贷的存量规模将超过9.5万亿(2015年末4.1万亿)。

　　以Zest Finance合作的京东金融来看，其消费金融业务上线不过两年多时间，截至2015年末，京东金融的“白条”订单量较年初增长了约600%。按照许凌的预期，消费金融的业务将在不久后会达到千亿规模。

　　许凌告诉本报记者，京东金融从一开始就采用自动化审贷、大数据风控的方式，不断训练机器学习的能力，进行数据模型迭代，但随着业务规模的快速增加，如何进一步优化个人信用评估和风险定价，挑战日益增大。

　　京东希望通过引入Zest Finance的技术和团队进一步提升其在大数据建模方面的专业能力。据了解，双方的合作开始后，除了前期派驻技术团队去对方公司学习和交流外，在合资公司成立后，Zest Finance也将派技术人士常驻中国。

　　争议大数据风控

　　传统信用评估模型是根据一个人的借贷历史和还款表现，通过逻辑回归的方式来判断这个人的信用情况。而大数据风控所采用的数据源则十分广泛，包括电子商务、社交网络和搜索行为等都产生了大量的数据。

　　Zest Finance则笃信“一切数据皆可为信用”。它的数据来源十分丰富，既有传统信贷征信所采用的决策变量，也有开创性引入的大量非结构化数据，非传统数据，例如一些网络数据、社交数据等。

　　其中传播最广也是争议最大的是Zest Finance甚至将借款人填写表格时使用大小写的习惯、在线提交申请之前是否阅读文字说明等极边缘的信息作为信用评 价的考量因素。当然，对于这个说法，业内人士普遍认为并不可信。

　　冰鉴科技CEO顾凌云在回国前曾领导并开发了Zest Finance前四代风控模型，在他看来，大数据征信的核心并不是对某个变量极其依赖，而是把很多个都只有微小影响的变量通过非线性的算法整合在一起，从而使模型的整体表现更好。

　　“大数据其实并不一定就是数据量本身大，我们讲求的是变量涵盖的信息纬度要多和均衡，然后才是能够通过浅度学习和深度学习等多种复杂的算法把这些变量更有效地柔和在一起。”他表示。

　　许凌认为，数据需要“大”而有用，他列出了三个标准：第一是“大”数据，总量大、覆盖广；第二是“厚”数据，大数据是平面的、厚数据是立体的、多维度的。第三是“动”数据，京东体系内每天都在产生巨量的数据，现在京东金融本身也是巨大的数据源。

　　在他看来，产生“原材料”只是第一步，如何分析和理解数据是第二步。尽管Zest Finance在美国本土所面对的客群、所获取的数据和国内有很大差异，但其技术、算法、模型却是可以借鉴的。

　　许凌认为，实际上，金融的核心是电子信息，与个人挂钩，需要某种信用背书后，进而形成信用价值去交换一些商品和服务。做大数据就和做菜一样，拥有数据和信息这样的原材料并不是最终的优势。

　　“对用户数据的提炼、对数据模型研发以及底层信用评估系统的搭建，去识别用户潜在的需求和信用风险，这才真正的核心优势，所以我们更需要一个高水平的‘厨师’团队。”许凌说。

　　根据境外媒体报道，与传统信贷管理业务比，Zest Finance的处理效率提高了将近90%。而在风险控制方面，Zest Finance的模型相比于传统信用评估模型性能提高了40%。

　　但这个效果能否在中国市场得以实现，目前尚未可知。事实上，对于大数据风控的效用，业内一直存有争议。

　　某金融业高管告诉本报记者，他们也曾对比过不同的风控模型(基于大数据的，以及银行的风控模型)基于同一批数据的决策结果，其差异微乎其微。而就算是Zest Finance的模型中也加入了大量传统的金融数据，并非完全依赖非传统数据。

　　许凌并不赞同“神化”大数据风控，但对于京东消费金融的体量和增速而言，在利率基本稳定的条件下，哪怕新的风控模型能让风控效率有微弱的提升也都是一个很大的进步，而目前实测的结果也证明了这一点。

　　“走出”京东

　　不管是Zest Finance在中国的合资公司，还是京东自己的消费金融品牌，都在努力“走出”京东。

　　2015年，京东金融发布“白条+”战略，开始布局京东外更多生态体系，陆续推出旅游白条、租房白条、装修白条、教育白条，并延伸至校园和乡村的消费金融市场。

　　与此同时，京东金融还通过投资入股的方式，布局了不少外部场景，例如，首付游(旅游分期)、买单侠(蓝领分期)、分期乐(大学生分期)、会分期(租房分期)、美利金融(车贷分期)、淘当铺(实物抵押平台)等。

　　类消费信贷产品“出走”京东的背后其实是京东金融大数据模型体系和风控技术的对外输出。

　　以京东金融与光大银行、中信银行合作的“小白卡”为例，从最开始的用户申请、到审批，再到贷后管理全程，京东金融的风控模型、监测预警和用户信用评估结果等向合作银行开放。

　　京东金融CEO陈生强在不久前的一次公开发言中再一次提到京东金融定位科技金融，要做开放生态的系统构想。按照这个规划，未来在技术、产品、用户、资金、资产等方面的能力输出将成为京东金融版图中的重要一环。

　　在这个大的规划之下，Zest Finance与京东的这家合资公司也将完全独立运营，它被定位为一个纯技术公司、模型研发公司，完全独立于京东甚至京东金融之外，连办公地点也远离京东的大本营——亦庄。

　　根据规划，这家合资公司从前期数据源的获取，到后期数据和产品的输出都不会局限于京东一家公司。据了解，目前该合资公司已经接入了不少外部的数据源，其风控模型也在与一些非京东系的企业对接合作。

　　“尽管京东会予以数据和技术上的支持，但这家合资公司仍需要面对市场化的竞争，即便是在京东金融内部。“我们自己的团队也在不断优化风控模型，所以合资公司必须打败我们的模型才能被采用。”许凌称。

　　在许凌看来，消费金融一定是服务于海量的消费者、拥有海量的消费场景，但这一定不是靠人堆起来的，而是高度的集约化、自动化的模型系统来实现规模化，这种规模化的优势一定在互联网技术的平台上。

　　通过练就强大、高效的技术能力形成企业差异化的竞争优势，进而连接更大的生态、撬动更大的市场，是这家合资公司、京东金融，以及所有定位于金融科技公司都在努力的方向。

　　不过，知易行难。Zest Finance的这场中国实验才刚刚开始。（洪偌馨）