近年來，以第三方支付、P2P平臺、眾籌為代表的互聯(lián)網金融模式引起了人們的廣泛關注，該模式大量運用了搜索引擎、大數據、社交網絡和云計算等技術，有效降低了市場信息不對稱程度，大幅節(jié)省了信息處理的成本，讓支付結算變得更便捷，達到了同資本市場直接融資、銀行間接融資一樣高的資源配置效率。但由于我國互聯(lián)網金融出現的時間短，發(fā)展快，目前還沒有形成完善的監(jiān)控機制和信用體系，一旦現有互聯(lián)網金融體系失控，將存在著巨大的風險。

首先是信用風險大 。目前我國信用體系尚不完善，互聯(lián)網金融的相關法律還有待配套，互聯(lián)網金融違約成本較低，容易誘發(fā)惡意騙貸、卷款跑路等風險問題。特別是P2P網貸平臺由于準入門檻低和缺乏監(jiān)管，成為不法分子從事非法集資和詐騙等犯罪活動的溫床。

其次是網絡安全風險大 。我國互聯(lián)網安全問題突出，網絡金融犯罪問題不容忽視。一旦遭遇黑客攻擊，互聯(lián)網金融的正常運作會受到影響。

互聯(lián)網金融企業(yè)通過獲得多渠道的大數據原料，利用數學運算和統(tǒng)計學的模型進行分析，從而評估出借款者的信用風險，典型的企業(yè)是美國的Zest Finance。其通過分析模型對每位信貸申請人的上萬條原始信息數據進行分析，并得出超過數萬個可對其行為做出測量的指標，而這一過程在5秒鐘內就能全部完成。在進行數據處理之前，對業(yè)務的理解、對數據的理解非常重要，這決定了要選取哪些數據原料進行數據挖掘，在進入“數據工廠”之前的工作量通常要占到整個過程的60%以上。

目前，可被用于助力互聯(lián)網金融風險控制的數據存在多個來源。

一是電商大數據 ，以阿里巴巴為例，它已利用電商大數據建立了相對完善的風控數據挖掘系統(tǒng)，并通過旗下阿里巴巴、淘寶、天貓、支付寶等積累的大量交易數據作為基本原料，將數值輸入網絡行為評分模型，進行信用評級。

二是信用卡類大數據 ，此類大數據以信用卡申請年份、通過與否、授信額度、卡片種類、還款金額等都作為信用評級的參考數據。國內典型企業(yè)是成立于2005年的“我愛卡”，它利用自身積累的數據和流量優(yōu)勢，結合國外引入的FICO(費埃哲)風控模型，從事互聯(lián)網金融小額信貸業(yè)務。

三是社交網站大數據 ，典型企業(yè)為美國的Lending Club，它基于社交平臺上的應用搭建借貸雙方平臺，并利用社交網絡關系數據和朋友之間的相互信任聚合人氣，平臺上的借款人被分為若干信用等級，但是卻不必公布自己的信用歷史。

四是小額貸款類大數據 ，目前可以充分利用的小貸風控數據包括信貸額度、違約記錄等。由于單一企業(yè)信貸數據的數量級較低、地域性較強，業(yè)內共享數據的模式已正逐步被認可。

五是第三方支付大數據， 支付是互聯(lián)網金融行業(yè)的資金入口和結算通道，此類平臺可基于用戶消費數據做信用分析，支付方向、月支付額度、消費品牌都可以作為信用評級數據。

六是生活服務類網站大數據， 包括水、電、煤氣、物業(yè)費交納等，此類數據客觀真實地反映了個人基本信息，是信用評級中一種重要的數據類型。