大数据征信的数据基础是大体量、大样本、多元化的非结构性数据。在消费金融中，其原理是通过对各种行为数据进行多角度、多层次、综合性的采集，同时根据信息对应产品的维度建立对应的数据模型，然后使用该数据模型进行计算，按照特定维度与关联性得出各个信息维度特点，最终根据一定的信用评估算法，计算出信用主体的信用分数。大数据征信所包含的数据主要涉及央行的征信数据、经营数据、身份数据、消费及财务数据、社交数据、特定场景下的行为数据等。目前，大数据征信已在互联网金融风险管理领域有了一定程度的应用。
对于消费金融而言，信用相关程度较强的维度包括年龄、职业、收入、学历、工作单位、借贷情况、房产、信贷记录等。金融企业利用用户提交的数据进行风险评估，以得到申请人的信用评分，以信用评分作为依据来决定是否贷款及贷款额度。从大数据帮助互联网金融提升风险管控能力的角度分析，可从以下几个维度进行深入研究。
1.借款人身份验证
验证借款人身份的五大因素是姓名、身份证号、手机号、银行账号、家庭地址。互联网金融企业可以借助多种渠道验证借款人这五大因素。但是，恶意欺诈借款人可以买到上述五大信息，在这种情况下，就需要借助人脸识别技术、验证初始银行信用卡及消费记录、验证申请人的学历证书等方式来验证申请人是不是借款人本人。
2.分析提交的申请信息来识别欺诈
目前，在互联网金融领域，消费贷款的申请逐渐向线上转移。在线上申请时，申请人会按照线上平台的要求填写多维度的信息，例如户籍地址、家庭地址、工作单位等。如果是欺诈用户，其填写的信息往往会有一定规律，线上平台可以根据异常记录来识别欺诈。如果申请人填写的地址或工作单位在大数据信息库中出现的频率过高，或线上平台发现一些重复的信息和电话号码，申请人欺诈的可能性就会增加。
3.分析申请人线上申请行为来识别欺诈
首先，分析申请过程所用时间是识别欺诈的一种关键维度。欺诈用户往往提前准备好申请人的基本信息，在申请过程中快速填写、批量作业，并同时在多家网站申请，通过提高申请总量来获得更多的贷款。互联网金融平台可以借助SDK或JS采集申请人在各个环节的时间，记录申请人阅读条例、填写信息、申请贷款的时间，如果这些时间大幅度小于正常申请时间，那么涉嫌欺诈的可能性会大幅提高。大数据统计结果表明，如果申请人阅读条例时间少于3秒，填写地址时间少于2秒，申请贷款时间少于20秒，那么欺诈和违约比例会相对较高。其次，分析申请的时间点也是识别欺诈的关键维度之一。大数据统计结果表明，23点之后提交的申请欺诈和违约比例会相对较高。由此可见，异常申请行为可以在一定程度上揭示申请人的欺诈倾向，线上互联网金融平台可以将这些异常申请行为与其他信息结合起来，判断申请人是否存在违约的可能。
4.利用风险黑名单识别欺诈
申请人恶意欺诈是互联网金融企业面临的主要风险。互联网金融企业约70%的信贷损失来自恶意欺诈，逾期或违约贷款中只有30%可以收回，另外有一部分逾期或违约贷款可以通过催收公司催收，M2逾期的回收率在20%之内。巨大的恶意欺诈风险催生了对征信的迫切需求。目前，市场上从事征信相关工作的企业有近百家，这些企业最主要的商业模式就是通过风险名单及客户信用评分识别恶意欺诈的申请人。风险名单一方面源于民间借贷、P2P公司、信用卡公司、小额贷款公司的历史违约用户记录；另一方面来源是催收公司。风险名单还意味着申请者多方负债，也就是说申请者在多个贷款平台借贷的总借款额远远超过自身的还款能力。
尽管借助风险名单是互联网金融公司一种很好的风险控制手段，但是由于每个征信公司所拥有的名单仅仅是市场总量中很小的一部分，因此许多互联网金融公司不得不借助多个征信公司来获得更全面的黑名单，进而提高恶意欺诈申请者的识别率。由此可见，一个统一的黑名单平台可以有效地提高各个互联网金融公司识别恶意欺诈的效率、降低成本，但事实上，建立统一的黑名单平台也面临一定的障碍。平台的黑名单是逾期和违约的历史记录，平台黑名单数量的曝光会在一定程度上影响公司声誉，令投资者质疑平台的风险控制水平，降低公司估值。因此，尽管从理论上讲，建立统一的黑名单平台是有利的，但许多互联网金融公司并不愿意贡献自身的黑名单，目前，中国人民银行和上海经信委联合多家互联网金融公司建立统一黑名单平台的行动正面临这一困境。
5.利用移动设备数据识别诈骗
互联网金融平台可以利用移动设备的LBS数据（位置定位）来验证申请人提交的工作地址和生活地址是否真实，也可以根据移动设备安装应用的活跃度来识别多头负债风险。据大数据统计，涉嫌欺诈的申请人具有使用模拟器进行贷款申请、使用很多移动设备聚集在一个区域、同时申请贷款等特征，移动大数据可以借此识别诈骗申请人。此外，还可以通过移动设备的特征识别出部分欺诈用户。
6.利用消费记录进行信用分数评估
大数据风险控制可以评估借款人的还款能力。互联网金融的主要客户是一般收入人群，可以在利用传统的收入判断还款能力方法的基础上，借助借款人的电商、旅游等消费数据更加全面地判断还款能力。例如，部分互联网金融企业会建立专门部门，在客户授权其登录的电商平台上，借助工具全部抓取客户的历史消费记录并进行采集和评估、分析。
7.参考社会关系评估信用状况
大数据结果表明信用状况好的人，他或她的朋友信用状况会很好，反之亦然。借款人常联系的朋友的信用评分可以在一定程度上反映借款人的信用情况。但这种方法挑战性很大，可信度不高，需要进一步进行调查。
8.参考借款人的社会属性和行为进行信用评估
互联网金融风险管理的经验表明，借款人的社会属性和行为对贷款违约率有影响。例如，从借款人的社会属性来看，与年龄低的借款人相比年龄高的借款人违约率高，已婚和有子女的借款人贷款违约比率较低。此外，借款人的行为也会在一定程度上反映贷款违约率。贷款用于家庭消费和教育支出、经常参加社会公益活动、成为各种组织会员的贷款人贷款违约比率低；声明月收入超过3万元、贷款次数多、经常不缴纳公共事业费和物业费、经常换工作、经常更换手机号码的贷款人贷款违约率较高。
9.利用司法信息评估风险
涉毒、涉赌以及被治安处罚的人，信用状况不好，贷款用途不可控，存在不偿还贷款的可能。可以利用当地的公安数据，采用移动设备的LBS数据判断设备是否经常在半夜出现在赌博场所或赌博区域，贷款人工作是否稳定、是否经常午夜在外面活动、是否经常入住本地宾馆，进而判断借款人是否涉赌、涉毒，这些信息都可以运用大数据进行识别。
综上所述，互联网金融企业可以通过分析申请人的社会行为和社会属性数据，更加全面地识别欺诈客户，评价客户的风险水平，进而控制信用风险，弥补传统金融机构在风险管理上的不足，保证资金的安全。
