傳統個人徵信的分析維度包括：
1 ）個人基本資料，如年齡、性別、職業、收入、婚姻狀況、工作年限、 工作狀況等；
2） 信貸情況，主要是信貸和信用卡相關資料；
3）公共資料，包括稅務、工商、法院、電信、水電煤氣等部門的資料；
4） 個人信用報告查詢記錄。
如今隨著大資料時代的到來和發展，可用於評估人們的資料越來越豐富，如電商的交易資料、社交類資料（強社交關係如何轉化為信用資產）、網路行為資料等， 來自網際網路的資料將幫助金融機構更充分地了解客戶。
（一） 側重電商： 芝麻信用
以芝麻信用所構建的信用體系來看，芝麻信用分根據當前採集的個人使用者資訊進行加工、整理、計算後得出的信用評分，分值範圍是 350 到 950，分值越高代表信用水平越好，較高的芝麻分可以幫助個人獲得更高效、更優質的服務。 芝麻分綜合考慮了個人使用者的信用歷史、行為偏好、履約能力、身份特質、人脈關係五個維度的資訊，其中來自**、支付寶等「阿里系」的資料佔 30-40%。
1） 信用歷史： 過往信用賬戶還款記錄及信用賬戶歷史。目前這一塊內容大多來自支付寶，特別是支付寶轉賬和用支付寶還信用卡的歷史。
2） 行為偏好： 在購物、繳費、轉賬、理財等活動中的偏好及穩定性。比如乙個人每天打遊戲 10 小時，那麼就會被認為是無所事事；如果乙個人經常買紙尿褲，那這個人便被認為已為人父母，相對更有責任心。
3） 履約能力： 包括享用各類信用服務並確保及時履約，例如租車是否按時歸還，水電煤氣是否按時交費等。
4） 身份特質： 在使用相關服務過程中留下的足夠豐富和可靠的個人基本資訊。 包括從公安、學歷學籍、工商、法院等公共部門獲得的個人資料，未來甚至可能包括根據開車習慣、敲擊鍵盤速度等推測出的個人性格。
5） 人脈關係： 好友的身份特徵以及跟好友互動的程度。根據「物以類聚人以群分」的理論，通過轉賬關係、校友關係等作為評判個人信用的依據之一。其採用的人脈關係、性格特徵等新型變數能否客觀反映個人信用，但目前還沒有將社交聊天內容、點讚等納入參考。
3） 安全： 財付通賬戶是否實名認證和數字認證。
4） 守約： 消費貸款、信用卡、房貸是否按時還等。
（三）側重運營商： 聚信立
聚信立主要是基於網際網路大資料，綜合個人使用者運營商資料、電商資料、公積金社保資料、學信網資料等，形成個人信用報告。 聚信立通過借款人授權，利用網頁極速抓取技術獲取各類使用者個人資料，通過海量資料比對和分析，交叉驗證，最終為金融機構提供使用者的風險分析判斷。
聚信立以報告形式展現，報告主要由四個維度構成：
1） 資訊驗真： 通過交叉比對驗證使用者是否是真實存在的人，是否有欺詐風險。
2） 運營商資料分析：分析使用者生活、工作及社交範圍，與家人朋友的聯絡頻率等。
3） 電商資料分析： 分析使用者消費能力及消費習慣，判斷使用者是否有能力還款。
4） 其他資料分析： 包括公積金社保資料、學信網資料、全國高法執行名單、黑名單等資料，判斷使用者是否存在欺詐風險。
聚信立的底層 it架構為豐富的技術線提供穩定支援，對所有資料來源**進行實時監控，人工智慧自動排錯，可用率超過 90%。
（四）側重信用卡： 51 信用卡
51 信用卡主要是基於使用者信用卡電子賬單歷史分析、電商及社交關係強交叉驗證。 根據使用者的信用卡資料、開放給平台的電商資料所對應的購買行為、手機運營商的通話情況、登記資訊等取得多維資訊的交叉驗證，確定使用者的風險等級以及是否貸款給該使用者。
51 信用卡風險等級由五個維度構成：
2） 賬單表現： 根據使用者的授信卡數、授信額度，以及還款比和賬單完整度判斷使用者的還款能力和誠信程度。
3） 手機入網期限： 手機入網期限越長，使用者風險越低。
4） 運營商： 通過近 4 個月有效聯絡歷史以及通訊錄中是否存在負面聯絡人判斷使用者自身的可靠程度。
5） **： 主要看常用收貨姓名及**號碼是否與申請人預留號碼一致。
大資料徵信怎麼做？隨著大資料時代的到來和發展，可用於評估人們的資料越來越豐富，如電商的交易資料、社交類資料（強社交關係如何轉化為信用資產）、網路行為資料等，來自網際網路的資料將幫助金融機構更充分地了解客戶。
1）側重電商：芝麻信用。芝麻分來自**、支付寶的資料佔30-40%，綜合考慮個人使用者的信用歷史、行為偏好、履約能力、身份特質、人脈關係五個維度的資訊；
3）側重運營商：聚信立。綜合個人使用者運營商資料、電商資料、公積金社保資料、學信網資料等，形成個人信用報告；
4）側重信用卡：51信用卡。根據使用者的信用卡資料、開放給平台的電商資料所對應的購買行為、手機運營商的通話情況、登記資訊等取得多維資訊的交叉驗證，確定使用者風險等級。
節選自招商**2023年5月17日發布的報告《全民徵信時代開啟，大資料推動創新》。
信用評分模型
邏輯回歸模型 廣泛應用在申請評分 行為評分 市場響應 客戶流失等建模領域。決策樹模型 往往被用來做催收評分和客戶盈利模型。神經網路模型 用來防止申請和交易欺詐。信用評分的主要目的是估計消費者的信用情況 正常或違約 具體做法是根據酷虎的歷史資訊資料，利用合適的數學統計模型，得到消費者違約的概率值。客戶...
信用評分模型11111111
邏輯回歸模型 廣泛應用在申請評分 行為評分 市場響應 客戶流失等建模領域。決策樹模型 往往被用來做催收評分和客戶盈利模型。神經網路模型 用來防止申請和交易欺詐。信用評分的主要目的是估計消費者的信用情況 正常或違約 具體做法是根據酷虎的歷史資訊資料，利用合適的數學統計模型，得到消費者違約的概率值。客戶...
周灝 金融大資料量化信用
文章講的是周灝 金融大資料量化信用，檔案 物理與金融的跨界融合 周灝，北京大學物理學士 萊斯大學物理博士。供職摩根史坦利期間曾構建摩根史坦利與創業融資相關的千億美元級量化系統。他曾作為第一資本總部資深統計師建立第一資本首個基於交易行為的億級使用者市場策略，還曾作為巴克萊銀行全球精英中心副總裁，領導團...