数据来源 主要为金融机构提交的信贷数据 金融机构，政府机构，商业合作伙伴，用户自身等
数据类型 信贷数据 信贷数据、行为数据、关系数据等
数据格式 结构化数据 结构化数据+非结构化数据
算法应用 逻辑回归 深度机器学习
变量特征 还款记录和贷款类别等 水电煤缴费记录，网络消费支付记录，理财偏好，行为偏好，人脉关联度等
变量个数 数十个 成千上万个

（二）信用评估精准可预测
大数据征信之所以引起热议，就在于其评估结果精准，预测的准确率可以达到85%以上。传统的信用评估模型更关注征信对象的信用历史，建立信审借贷模型会更多地考虑个人信用历史，对最后的信用评估结果会造成很大的影响。而大数据信用评估体系更注重用户当前的信息，用户的生活轨迹实时报送，数据实时鲜活，精确地计算用户违约概率，预测其是否会履约。此外，从统计模型上来讲，我们也由传统的逻辑回归式的模型到达人工智能深度学习、机器学习的模型。同时，在信息文度方面，采用成千上万个特征变量。因此，大数据征信一方面可以提高信用评估的决策效率，另一方面也可以显著地降低违约率。
（三）应用场景丰富多元
传统征信的基本模式是个人向银行申请贷款服务，填写表单（线上或线下）提交给银行，银行根据自有的数据和征信机构的征信报告，包括基本信息、借贷信息、公共信息和查询信息等，把这些信息汇总形成一个比较全方面、综合的信审借贷模型，然后模型输出是或否决定是否放贷以及放贷额度。这种模式适用于金融借贷，适用于现有的电子化征信模式，也就是说这种模式的应用场景有局限性。
相较于传统征信主要运用于金融信贷，大数据征信的应用场景则从金融信贷扩大到社会生活的各个方面，如消费金融、租房、婚恋、学生服务、酒店服务等各种需要信用的履约场景。此外，大数据征信还可以提升政府服务和监管效率：政府部门在行政管理和公共服务领域运用大数据征信，及时了解市场主体的资信状况，为政府制定各种决策提供技术基础和支撑，提供行政效能，优化政府服务和监管，助力智慧政府转型。
（三）征信人群覆盖广泛
我们知道当前央行有8亿可征信人口，但实际上有信用报告的只有3亿多。那些信用历史很薄的人，比方说刚毕业的大学生和进城打工的蓝领，这部分人有很大的金融服务需求，但我们传统的金融机构无法为他们提供服务。然而，中国有近7亿的网民，其中，手机网民约6亿，人群覆盖面广。通过采集网民在互联网上留下的数据（如网购数据和社交数据），对这些数据进行挖掘和研究，可以对人的信用度起到有效的补充和描述，让那些互联网上有数据的人获得金融服务。
四、互联网大数据征信存在的问题
大数据征信主要是从线上采集非金融的数据，通过建立模型来进行信用评估，为缺乏银行信贷记录的人群提供征信服务，提高贷款的通过率。然而，大数据征信在带来创新的同时，也给征信监管带来挑战。
（一）评分模型的有效性
传统征信模式的评分模型经过了几十年的发展，在挑战中不断地改进，其有效性已经得到充分验证。而大数据征信在近几年崛起，一些模型甚至还处于探索阶段，是否能够客观准确地评估客户的信用资质还尚待验证。如在线上获取的信息如何能证明就是被采集者的真实数据，如何把采集到的数据在模型中体现，社交数据与个人信用的相关度等。 互联网大数据征信模式及存在问题研究(4):http://www.youerw.com/guanli/lunwen_1022.html