他以网络关联技术为例说明：它能把所有出现过违约行为的身份、手机、设备等关键点都在风险库里面分门别类地保留下来，我们可以通过一层或者多层关联找出所有的风险点供合作伙伴参考，这对技术和硬件要求都非常高。
争议 大数据 征信
解决了“身份认证”的问题，接下来就要评估你的信用，即描述出“你是什么样的人”。
在关于 大数据 征信的文章中，我们经常可以看到一些案例，如经常半夜上网的用户可能被认为没有稳定的工作而降低信用评分，买双开门冰箱的用户可能因为有家庭而信用评分较高，微博更新频繁的用户可能因为社交活跃而信用评分较高等。
“这些考量因素被过度放大了，也许这只是用户个人习惯而已。但每一个因素与个人信用的相关性有多大？我们还无法完全解释，尤其当数据源不足够丰富时，这些评判便存在欠缺。”芝麻信用的技术专家景艺亮表示。
冰鉴 科技 CEO顾凌云在回国前曾领导并开发了ZestFinance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维度要多和均衡，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糅合在一起。”他表示。
王晓蕾认为， 互联网 记录了借款人以前不可记录的行为，获得了以前无法获取或获取成本很高的数据，为放贷人了解借款人是谁、有没有还款能力和还款意愿提供了新的渠道和方法。但是，相关的信息究竟如何使用有待进一步研究验证。
王晓蕾引用2014年美国政策与经济研究委员会（PERC）的一项研究结果称，非金融信息在信贷决策中的作用有限。例如，社交信息对于判断借款人的还款意愿和能力暂无预测力。
“诸如水、电、煤、有线电视、手机等非金融信息纳入征信系统，显著地提高了薄信用档案人群的信贷获得能力，但对于厚信用档案人群而言，边际作用不大。”她表示。
“只有好样本，没有坏样本是无法建立有效的信用评估机制的。”宜信至诚征信的董事总经理赵卉表示，电商、支付、社交等数据只能作为信贷审核的参考值，而贷后数据才是强参数。
对于这种论断， 互联网 公司们或是不赞同的。
腾讯征信总经理吴丹告诉记者，从这段时间内测的结果来看，在模型中加入社交数据以后，对它的风控能力有20%~25%的提升，尤其在小额贷款领域。因为，通常一笔几百块的借款，违约发生的原因不在于借款人的还款能力而是意愿。
俞吴杰表示，通过大量的研究证明，人的行为数据和他的信用有直接关联，因为行为很难撒谎。从这段时间公测的结果来看，用户的芝麻分越高，其贷款的违约率越低，二者呈单调、线性的关系，这也证明了芝麻分在信用评估上的有效性。
不过，仅仅依靠 互联网 上的数据并不足以建立一个强大的信用评估体系。显然，所有 大数据 征信的市场参与者都深知这一点。“在未来，把传统数据和创新数据结合到一起，一定是我们要到达的终点。”芝麻信用的总经理胡滔如此总结到。
顾凌云告诉记者，风控模型本质上还是对一个人金融还贷能力的预测和评估，所以，尽管ZestFinance大量采用非传统的信用数据，但在大部分的风险评估模型中，传统的信用数据(银行信贷数据)依然占有一定的比重，平均也在40%左右。
