京东金融集团：从金融科技定位到九大业务板块的成长历程与未来展望

am928 · 发表于 2025-4-22 15:35:33

京东金融集团于 2013 年 10 月成立，以“金融科技”为定位。它逐步构建起了多个业务板块，包括供应链金融、消费金融、财富管理、众筹、证券、保险、支付、金融科技以及农村金融。

京东金融 CEO 陈生强称，京东金融是以数据为基础的，是以技术为手段的。它借助京东的场景以及用户资源来开展金融业务，此为自营金融业务。当下以及未来，京东金融需要做的事情有：遵循金融的本质，以数据为基础，以技术为手段，为金融行业提供服务，借此帮助金融行业提高效率、降低成本以及增加收入。这个定位便是金融科技。

京东金融这三年多的时间里，从起初的一无所有到逐渐有了规模，再到不断精益求精，一路走来。在这背后，必然有着许多精彩的故事。怀着学习的心态，我有幸与京东金融的部分技术人员进行了面对面的交流。在交流过程中，涉及到了京东金融技术的发展历程以及所面临的挑战，还有技术负责人的管理理念，以及风控、人脸识别、资产负债、白条、支付等方面的内容，这些内容都非常有价值，收获满满。我会借助这篇文章，带领大家步入京东金融。去瞧一瞧金融科技公司背后的战场。

京东金融技术的发展历程&挑战

京东金融的技术体系源自京东商城的技术沉淀。其人员一部分是从外部引进的，另一部分是京东商城各体系（包括网站、订单交易、支付、财务、数据等）研发团队中的技术精英。京东金融的技术架构在起始阶段就具有一定的前瞻性，主要原因是这些研发团队与京东商城一同快速发展，并且多次经历了像 618 以及双 11 等各种重大的技术考验。这些使得支付、白条、风控等大流量业务能够平稳安全度过，访问量呈现几百上千倍增长的挑战得以避免，从而避免了业务高速发展中一些高昂的试错成本。

当然，金融业务与商城业务存在很大差异。整个金融业务可被视为一种“虚拟经济”，对数字的理解以及技术的领先性有着特殊的要求。在京东金融这三年的技术成长历程中，面临着各种各样的挑战，这里主要讲述以下四个方面：流量方面、一致性方面、大数据方面以及科技方面。

京东金融技术体系负责人

曹鹏：谈管理

曹鹏·京东集团副总裁、京东金融技术体系负责人

曹鹏是京东集团的副总裁，同时也是京东金融技术体系的负责人。他毕业于北京交通大学，拥有人民大学的 EMBA 学位，目前正在攻读清华五道口的 EMBA。他曾历任京东商城的研发总监、产品总监以及职能研发副总裁等职务，现在担任京东金融的副总裁。

我很荣幸成为第一个给曹鹏做专访的媒体人。他在 2002 年结识了刘强东。2007 年，他受邀加入京东。2013 年，他主动请缨来到京东金融。

京东金融是京东内部孵化出的一家公司。在最开始的时候，它紧贴着业务，能够快速响应。对于技术来说，首先要做的就是很好地活下来。随着业务的迅速发展，作为技术负责人，仅仅埋头做技术是远远不行的。他需要清楚地知道“公司的目标是什么？要从众多业务中做出选择，哪些该做，哪些不该做？”同时要思考，不能让精力分散，不能什么都想做。要集中技术力量，始终保持与业务的步调一致。将产品、研发、运维、测试等技术与业务紧密结合在一起，打造业务上的闭环，这样业务发展才会更加繁荣。

技术人从事管理工作时，最为重要的是实现思考方式的转变。对于技术人而言，一方面存在难以进行量化考核的情况；另一方面，业务与技术相互驱动，例如业务表现出色，意味着技术运用得很到位；业务发展良好且快速扩张时，技术人员就会拥有上升的空间。因此，与其制定各种详细的规定并对各个方面都进行管控，不如以“将心比心、以身作则”的方式来提升和激发技术人员的主观能动性。曹鹏表示，读 EMBA 是为了从创业公司老板那里，看到老板与自己思维模式的差异。起初在京东做管理，主要是承接需求、完成任务，在原有的架构上进行大大小小的调整，逐个攻克并开发新系统。而现在，更多的是站在老板的角度去看待问题，将技术目标与公司目标统一起来，通过技术的突破，为公司的发展做出更大的贡献。

京东的下一个 12 年战略规划是朝着全面技术化的方向发展。京东金融的技术体系当下正在持续吸纳更多优秀人才加入其中，以此来提升金融科技的实力，并且开展技术输出工作。团队的状态较为理想，其中三分之一的人承担业务的支撑工作。其余的人则借助京东集团自身以及外部的大数据资源、用户和流量等优势，将当下的人工智能、人脸识别、深度学习等最新技术加以结合，研发创新产品。一方面把这些产品运用到合适的场景里，逐步进行迭代，努力将用户体验提升至最极致的程度；另一方面为金融行业提供一流的技术输出服务。

京东金融风控研发部架构师

王美青：谈风控

王美青·京东金融风控研发部架构师

风控的核心是数据，所有决策都依靠数据来推动。策略与模型是风控进行决策的两个主要依据，策略注重有效性，模型注重预测和度量，它们之间存在着诸多的联系与结合，要根据业务和场景选取恰当的方案，并且需要将人工与自动化相结合来进行调整。两者均离不开以大数据为基础的挖掘能力，都需要开展特征工程。只有将挖掘所得的成果再次进行加工和抽象，制作成最为原子化的规则，才能够形成复杂的策略。

京东金融存在数百个需进行风险控制的场景，其中交易类场景占比最大。非交易类场景包括促销优惠、白条激活、信用评估等。如此众多的业务都需要风控做出实时决策。并且要保证在执行最复杂的策略与模型时，在性能方面能够达到毫秒级（几十毫秒）。实时和准实时决策引擎所用到的所有输入数据还必须进行预计算。

事件发生时，与之关联的计算项数量众多，有几千甚至上万项。从 storm 迁移到自主研发的实时计算平台后，只需简单配置就能完成支持时间滑动窗口的计算。该平台能够满足指标与变量多样化、复杂化的计算需求，且不需要单独发布。在这方面，它比 storm 更具优势。在性能上，由于同样基于 akka，所以丝毫不逊于 storm。另外一部分计算是通过跑批来完成的。首先开始投入使用，将热数据全部进行内存化（使用 redis）。之后采用 kylin 与 flink 相结合的方式，依据计算项的数据来源和窗口规格来确定使用何种计算方式。这些计算结果会被引擎直接运用，因此决策引擎在内部被定义为一个轻量级的策略与模型的计算框架，其背后由数个系统构成。

互联网+金融与传统风控相比，是数据风控的最大优势。从维度角度来看，数据风控会牵涉到社交领域以及画像等互联网方面的因素，因而数据风控更加注重的是互联网社会的行为数据。

开始将业务系统产生的数据以及点击流当作主要挖掘的素材来源，这部分与用户的行为关联最为紧密，并且能够极为有效地识别风险。然而，随着时间的推移，恶意用户的知识在不断积累，他们的反侦察能力也在持续提升，能够去模拟正常的用户。这时，要渗入到用户所在的环境中。将打造设备指纹、生物探针等分别应用于 Web 和移动设备上，使其成为移动安全的一部分。这为分析恶意用户提供了一个非常有效的途径。用户长时间积累的数据会形成一个稳定的习惯模型，一旦发现异常，便会及时通知。行为可以被模拟，但习惯被模拟的代价非常高。

京东金融目前针对数据的治理，运用机器学习构建了诸多模型，具体情况如下图所示。

最下层的情况是，各种数据进入大数据环境后，因为原始数据存在杂乱无章的现象，这里用各种颜色来进行示意。数据原子化这一过程是，经过整理之后，将数据按照业务归属进行分类，从而形成最原子的类别，像账户、资金、投资、消费等等。数据抽象层是按照风控所关注的业务来进行数据整合的，这一层是最贴近业务的。每一块都代表着一类业务，存在这样的情况：一个原子数据类能够被放入多个抽象数据块之中。在数据模型层，它主要是为分析场景而服务的，基本上是一个数据模型块对应着一个分析场景。

机器学习在京东金融的天盾风控系统应用流程如下：

根据经验，在选择算法时应尽可能多地进行选择，通过对比模型的性能来择优选取。同时，要做好样本库的治理工作，可以使用随机抽样以及利用聚类将样本数据分层抽取。这些工作是建模人员在大数据环境中（即离线状态下）进行的。那么，如何将训练好的模型应用到线上以实现实时呢？下图为架构：

京东金融目前正在研发机器学习平台。这样一来，懂得机器学习的人就能够利用机器学习去做他们想做的事情。当前，懂得机器学习的人数量不少，然而真正运用机器学习去做具体事情的人却不多。因此，这个平台不仅能够满足内部的建模训练、发布等需求，还可以向外输出服务。

数据风控的道路还很漫长。量化投资的风险评估与运营属于风控范畴，风控也能够与推荐领域相结合。数据存在阶段性差异，其质量会随着时间的推移而慢慢发生变化，可能花费大量精力产出的预测产品会失效，而调整的代价难以估量。不同场景的准确度和覆盖度各不相同，如何把握尺度也是一个问题。如怎样能降低统计分析学和分布式计算相结合的成本等等。

总之，互联网金融的风控核心在于服务客户，要提升产品价值，要最大程度地实现差异化的防范。智能化是风控的发展方向，京东金融从一开始就致力于构建智能化的风险管控解决方案。

京东金融支付核心研发部负责人

安培：谈支付

安培·京东金融支付核心研发部负责人

安培称，自己很幸运能够加入京东金融，并且与京东金融一同迅速成长。京东金融的支付系统承担着整个集团业务在线上和线下的收款工作，它不但需要满足业务海量的需求，还得经受住每年成倍增长的流量考验，这对于技术架构和项目管理来说是一个极大的挑战。

京东每年的流量增长情况都远超预期。经过数年的迭代以及数次架构升级后，支付系统从原本小小的一个收银台，逐步演变成了由几十个系统以及上千台集群服务器所构成的复杂应用。支付系统作为京东集团重要的业务支撑系统，具有诸多自身的特点：

因为有以上这些特性，所以系统必须具备高可用性。然而，真正高可用的系统并不仅仅能够应对大流量这一个方面。

常见的分库分表的系统架构，存在两个重要不足：

高可用系统的一个重要指标在于应对黑天鹅事件。对于服务器硬件出现的概率性故障，值班运维能够介入并进行快速处理以实现恢复。然而，存在一些不可控的因素，例如机房运营商的网络故障。一旦遭遇这类突发故障，系统应如何快速地做出应对呢？

很多人知晓，主流的灾备技术为两地三中心。数据中心 A 与数据中心 B 处于同城，二者作为生产级机房。用户访问时，会随机访问到数据中心 A 或 B。之所以能够随机访问，是因为 A 和 B 会同步进行数据复制，所以两边的数据是完全相同的。然而，由于是同步复制，所以只能在同城设置两个数据中心，要是距离太远，同步复制的延时就会过长。

在两地三中心的概念中，必定要求这两个生产级的数据中心处于同一个城市，或者在距离较近的另一个城市也行，不过对距离是有规定的。异地备份数据中心借助异步复制来同步数据。对于京东而言，两地三中心存在三个重要问题：

近一年，团队在系统维护方面做了很多工作，并且也为应对类似黑天鹅事件做了很多工作。

做支付业务有时会很辛苦。不过，它能让参与其中的小伙伴快速成长。

京东金融风控研发部算法工程师

裴积全：谈人脸识别

裴积全·京东金融风控研发部算法工程师

裴积全称，在人脸识别过程里，照片、偷录的视频以及人皮面具等这类手段是无法替代真人的，这是因为存在活体检测。活体检测技术会通过对用户的动作、人脸特征，甚至用户表情的变化进行分析，以此来保证验证的用户确实是一个“活”的人，而不是图片、视频或者人脸模型。

人脸识别技术应用于金融领域的优势

方便，体验也好。例如很多人时常会有忘记密码的情况，然而生物识别技术能够很好地避免这类状况，并且操作更为便捷，只需对着手机进行一些小的动作即可。

安全方面。在身份验证过程中，传统的密码验证无法确保操作者就是其本人，然而人脸识别就不会有这样的问题。像手机中病毒、密码泄露等情况会带来很大风险，尤其是最近出现的专门用于套现的“羊毛党”，这让传统的验证方式遭遇很大挑战，而生物识别技术能够很好地解决这些问题。

人脸识别技术存在一定局限性。例如，它对于双胞胎难以准确进行验证，必须结合其他生物特征，如指纹，以进行甄别。此外，目前人脸识别技术的“迁移性”并不理想，对于不同的应用场景需要分别进行训练优化。

人脸识别技术应用于金融领域的特殊性

金融领域的人脸识别技术与其它行业相比，在数据方面面临很多新的挑战，在算法方面面临很多新的挑战，在安全方面也面临很多新的挑战。

金融领域人脸识别技术的应用场景与一般应用场景差异较大。很多时候需要识别带有网纹的照片，而此类数据的搜集和标注相对较为困难。

其次，在算法方面。金融领域的人脸训练数据具有特殊性，每个人仅有 2、3 张照片。常规的人脸识别系统的训练算法无法适用于这种类型的数据。必须依据数据的特点来发展新的训练算法。这给人脸识别算法带来了新的挑战。

最后，在金融领域，人脸识别技术需要做的事情不止做人脸验证。它还得防范各种攻击，像图片攻击，也就是盗用别人的图片来做人脸验证；还有视频攻击，即偷录别人的视频去做人脸验证；以及人皮面具攻击等等。为了能够防范这些攻击，就必须加入活体检测技术。通过对用户的动作进行分析，对人脸的特征进行分析，甚至对用户的表情变化进行分析，以此来确保被验证的用户确实是一个“活”的人，而不是图片、视频或者人脸模型。

人脸识别技术在金融领域的场景

人脸识别的应用场景需同时考量技术可行性与用户体验。目前在金融领域，最佳应用场景包含需人工审核的实人认证业务，像借贷业务、信息修改以及大额交易等。这些场景既能为公司节省成本，又能提升用户体验，还能降低交易风险。然而，对于一些小额度的高频交易，会给用户带来很大的打扰，或许不太适用。

京东金融消费金融研发部白条业务研发组，高级软件开发工程师

冯成：谈白条

冯成在京东金融消费金融研发部的白条业务研发组担任高级软件开发工程师。

冯成称，在白条贷后阶段，将部分还款表现不佳的用户转化为优质用户，这是努力的一个方向……

白条不仅仅是一种支付工具，它还是一个消费生态体系。基于此，构建了白条的三大业务板块，分别是贷前、贷中、贷后。

针对不同的消费者人群以及不同的业务场景，依据用户的特征、进行风险识别以及实施差异化定价，从而实现精准授信。随着业务场景和用户数据特征持续变得丰富起来，路由系统从最初的串行状态优化成了并行状态，这样提高了系统的响应速度，并且还增加了回捞功能，对于那些未能满足当前通道激活风险策略的用户，会进行第二次的路由。

作为一个生态，营销是不可或缺的。从最初的有券形式，到后来出现了无券，以及还款券、激活券等各种优惠方式。通过这些方式，引导用户更多地参与到白条的生态体系当中。无券营销的系统复杂度最高。最初限制规则只有几个，而目前有几十个。最初活动只有几个，如今并存着几百个。每一个订单的优惠券匹配，都需要进行规则和活动的双重叠加匹配，所以对系统的响应速度提出了更高的要求。从系统结构方面做了优化，从逻辑处理方面也做了优化。开发了数据预热中心，它成为整个系统的加速器。这样做极大地缩短了系统的响应速度，同时也降低了数据库的负载。

白条需要解决数据方面的问题。目前白条的用户规模很大，并且每日产生的数据量也非常庞大。白条数据是以用户为中心的。目前，是以用户 Id 作为切分键来进行分库分表数据存储的。当需要对数据库进行扩容时，就必须进行数据迁移并重新路由落库，这会带来很大的开发成本。因此，也在开展通过其他切分键进行数据存储的工作，以实现可配置化的横向扩展，无需进行额外的数据迁移等开发工作。分散的数据存储使得在运营、财务、客服等方面无法满足多维度的数据查询应用，所以打造了 Solr+Hbase、Mongo 和 ES 这三个数据平台。

白条历经了数次 618 和双十一，在应对大促挑战方面，许多公司的做法大多相似，重点在于精细化。对于白条来说，其一要预估大促期间的流量，接着进行整体的系统压测，而压测包含单场景、混合场景以及读和写的压测。同时要对压测的数据进行隔离，以保证安全和方便。其次要采取一些监控限流的措施，按照系统级别、流量分布、业务血缘关系并结合压测指标来快速进行限流降级，这样一旦某一点出现问题就能在第一时间定位。最后要做好所有依赖服务的灾备工作，并对全链路进行梳理。大促备战检验的是系统各方面的配合，只有将这些融合在一起才能达到最终的效果。

京东金融固收理财研发部架构师

邹保威：谈资产负债

邹保威·京东金融固收理财研发部架构师

邹保威称，资产负债与生活有着紧密的联系。它看似高深莫测，但实际上每天都在我们的生活中不断被实践着。

刚开始接触资产负债管理时，我在思索，这有什么需要管理的呢？不就是将资产信息和负债信息逐个记录下来罢了。可做着做着才明白，其实远非如此简单。因为个人在生活中对资产和负债的管理，虽与机构的资产负债管理有相通之处，但它们之间的差别却是极为巨大的。

迎面而来的第一个棘手问题是资产的合理分配问题。简单来说，就是要在考虑不同金融资产期限的情况下，合理分配金额，以在能控制流动性风险的前提下，保持整体投资的最高收益，这就如同用七个大小不同的盖子去尽可能盖住八个杯子的问题。数学上的线性规划为解决这个问题提供了一个思路。然而，这个模型很难建立，因为约束条件来自多个已知和未知的方面，且这些约束大多直接源于金融的本质特性。这迫使团队既要深入理解金融产品的本质，又要知晓如何运用标准的会计方式进行准确度量。

挑战不止于此。随着项目推进，需对资金流动性进行合理管理，以防出现流动性风险，这实非易事，至今尚无完美模型，却有相对次优模型。该模型要求对负债端情况作出较准确预测，这是个大难题。好在后期打通了负债端相关系统并获取关键数据，能使用一定模型较准确计算流动性，且用直观图表展现，后期还不断对模型进行回归校正，此特性帮了业务大忙。

长远来看，这个系统将要加入更多特性。比如要考虑资产的信用风险，还要考虑市场的利率风险等。每个特性的加入，都是对这个系统的一次提升和改造，能让它成为一个较为完善的资产负债管理平台。

金融资产管理系统一直是金融机构的核心平台。然而，由于它通常不直接面向最终用户，所以一般不为人所熟知。但它极为重要。京东金融的固定收益类理财业务正在构建类似的系统，以提升资产管理的水平和效率。并且致力于将其打造成一个能够支持京东金融各种金融理财产品业务的特有行业系统，使其符合行业监管要求。它的主要功能在于管理负债端面向最终用户的理财产品发行以及销售情况，在资产端对资产的生命周期和最优组合进行管理，能够最大限度地优化投资负债行为，以此来扩大业务盈利。同时，它还能打通内部外部系统之间的交互，提升业务管理的水平和效率。这个系统被定位为固收理财业务的投资管理分析决策系统。它以该业务下的资产、负债、投资信息管理为起始点。通过记录各类资金轨迹，估算资产价值，实时监控和分析未来几日资产到期和用户赎回情况，能及时反映出账户下的资金水位，计算账户当前价值。为决策者提供准确的投资数据和投资方案。在为用户提供平滑、简洁、直观的使用体验的基础上，最终达成有效降低流动性兑付风险和运营成本的最小化，以及实现投资利润最大化的目标。

写在最后：

以上所述只是京东金融技术的部分内容，部分内容取自「京东 TALK：专注技术·自我迭代——金融技术交流系列分享活动」。如今，金融领域情况复杂且多样。京东金融从专注「自营金融业务」，逐渐开始兼顾「为金融行业服务」，这种做法充分表明，京东金融是一个处于领先地位的金融科技公司。相信在未来，金融科技公司能够驱动金融领域产生重大的变革，能够推动金融领域取得显著的进步。同时，它也能够为传统金融业赋予力量，提升行业中以往留存下来的成本问题，改善行业中以往留存下来的效率问题。

		自动登录	找回密码
密码			立即注册

京东金融集团：从金融科技定位到九大业务板块的成长历程与未来展望

浏览过的版块