信用大數據挖掘:
海量互聯網數據中與風險控制相關的數據。
電子商務網站大數據:阿裏、JD.COM、蘇寧等。；
信用卡網站大數據:我愛卡、銀率卡等。；
社交網站大數據:新浪微博、騰訊微信等。
小貸網站大數據:人人貸、征信寶等。
支付網站大數據:易寶、財付通等。
生活服務類網站大數據:平安張懿通等。...
在數據處理之前，對業務和數據的了解是非常重要的，這決定了選擇哪些數據素材進行數據挖掘。進入“數據工廠”之前的工作量通常占整個流程的60%以上。
在數據原材料方面，加入越來越多的互聯網在線動態大數據。例如，通過分析網絡行為痕跡可以識別虛假的貸款申請人信息，而真實的互聯網用戶總會在網上留下線索。征信有用數據的時效性也很關鍵，征信行業通常認可的有效動態數據通常是從現在開始回溯24個月的數據。
通過獲取多渠道的大數據原始資料，用數學運算和統計模型進行分析，可以評估借款人的信用風險。國內典型的企業是神州融達數據風控平臺。以大數據分析進行風險控制是易博睿的核心技術。他們的原始數據來源非常廣泛。
他們數據工廠的核心技術和秘密是他們開發的基於學習機的多種分析模型，對每個信貸申請人的原始信息數據進行3000+以上維度的分析，得到可以衡量其行為的指標，而這個過程可以在5秒內完成。
風險控制操作:
貸前營銷:1，現有客戶開發，新客戶開發；2.預批準和申請評分3。預批準、客戶訪問和預信用額度評估。
貸款審批:1，欺詐篩查，反欺詐監控；2.申請重新分級；3.信貸審批。4.貸款定價。
貸後管理:1，行為評分模型；2.配額管理；3.風險預警和預收；4.收藏分數和收藏策略。
目前，貸款審批的線上速度實現了突破，貸款審批率也有了明顯提高。對於同類型用戶，使用抵押物、收入證明等粗放的傳統風控方式，貸款審批率約為15%，而使用大數據模型結合人工，審批率可達30%以上。至於貸款逾期率，以12個月的違約風險為例，中國網貸審批模型篩選的用戶逾期率比未篩選的用戶低壹半。
神州融是第壹家在大數據風控體系上發力的互聯網金融企業。與此同時，芝麻信用和螞蟻金服旗下的壹些P2P網貸平臺已經開始開發大數據信用評估模型。