1、個人信貸不良貸款率呈上升趨勢，傳統征信體系無法滿足市場需要
截至2015年底，我國整體信貸余額達到94.0萬億元，其中，個人信貸占比28.8%，余額達到27萬億元，隨著個人信貸市場的快速發展，個人信貸市場的不良貸款率也不斷上升。以個人信貸業務的代表性產品信用卡為例，截止到2015年第二季度末，信用卡不良貸款余額達到了337.33億元，信用卡不良率達到了1.21%。從發展趨勢來看，2012年以來，信用卡的不良貸款規模持續增長，盡管在今年1季度末出現了回落，但目前在趨勢上仍不能完全脫離增長的軌道。
個人信貸評估的主要標準為個人信用，我國征信系統目前主要以人民銀行征信中心為主，民間借貸機構無須向人民銀行上報數據，非銀行體系的貸款申請情況、負債情況和逾期情況等信息不清晰、不透明，因此傳統征信已經無法滿足信貸市場的發展需要。
2、金融業務互聯網化加劇了信用風險，提高企業風控成本
隨著互聯網消費金融的興起，消費金融業務面對人群結構復雜，貸款業務數量多、額度小，進一步降低了線上欺詐行為的成本，同時為了提高用戶量及使用體驗，個人信貸具有無抵押、無擔保、手續簡單、審批快速等特點，無疑增加了企業信貸風控成本。
互聯網金融機構主要面臨著三個問題，第一借款人是否本人操作，是否使用了他人的身份信息；第二借款人所提供的信息是否真實，例如借款人的身份證、住址、收入、學歷、職業等信息；第三借款人是否具有足夠的償還能力。對快速發展的互聯網金融行業而言，利用大數據來幫助企業判定風險、開拓業務已是必然的選擇。大數據征信可以做什么？
1、大數據征信體系具有覆蓋面廣、信息維度豐富、數據獲取實時動態的優勢
個人信貸風險評估主要從身份識別、還款意愿、還款能力三方面進行評估，大數據征信相對于傳統線下的采集和整合更加全面和準確，其信用評估結果更加科學，大數據征信與傳統征信相比具有三方面的優勢：
A、數據主要來源于互聯網，互聯網覆蓋人群廣泛，通過互聯網獲取數據，彌補了傳統征信體系的不足，能夠有效拓展業務；
B、豐富了數據維度和種類，傳統征信數據主要采集身份信息、信貸信息、非金融負債信息三類，以及部分公共信息，在大數據征信系統中，信用評估的來源更加廣泛，社交網絡與電子商務行為中產生的海量數據，都能給用戶行為提供側面支持；
C、大數據挖掘獲得的數據具有實時性、動態性，能夠實時監測到信用主體的信用變化，企業可以及時拿出解決方案，避免不必要的風險。
2、大數據征信評估個人信用注重強相關信息，忽略弱相關信息
通過大數據技術手段可以挖掘申請人多維度信息，包括姓名、性別、年齡、電話、身份證件、家庭住址、職業、學歷、信貸記錄、支出、消費偏好、興趣愛好、社交行為等信息。并不是所有數據都對個人信用評估都有參考價值，數據采集得越多，審核緯度越多，個人信用評估模型越失真。
按照對個人信用風險影響的大小可以將個人信息分為強相關信息和弱相關信息，個人的姓名、身份證、手機號屬于用戶身份識別的強相關信息，借款用戶的信用卡賬單、月消費金額、網絡購物真實流水分析等是用戶還款能力的強相關信息，用戶的歷史借款記錄、逾期筆數、借貸意圖等是個人還款意愿的強相關信息。
用戶其他的信息，例如用戶的身高、體重、姓名、星座等信息，很難從概率上分析出其對用戶個人信用的影響，這些弱相關信息，對用戶的信用消費能力影響很小，可以忽略不計。
大數據征信怎么做？
1、大數據征信應用于個人信貸審批整個流程
個人信貸業務審批流程分為貸前審核、貸中決策、貸后管理三個部分，在貸前審核階段，主要對借款人進行身份識別和信用評估，貸中決策階段主要進行信用跟蹤及風險預警，貸后管理階段主要有逾期預警、失聯修復、軌跡分析，信貸風險控制主要集中在貸前審核與貸后管理階段。
1、貸前審核分為身份核實、信用評估兩部分，由于個人信貸額度一般較小，因此對用戶還款意愿的評估比還款能力的評估更為重要。
個人的姓名、電話、身份證件等人口屬性信息主要用來對借款人進行身份識別，通過對借款人手機聯系人的確認、居住地址位置、指紋、黑名單查詢等來確定借款人身份是否真實，是否具有貸款資格，防止欺詐風險。
個人的歷史借貸記錄包括負債、是否逾期還款等信息，能夠體現出個人負債情況、及信用度，負債額度高、惡意逾期還款次數較多客戶屬于高風險客戶；個人的消費數據包括借款用戶的信用卡賬單、月消費金額、網絡購物真實流水分析可以對用戶還款能力進行評估，具有高薪工作的用戶且消費水平較高的客戶，其貸款信用違約率較低；運營商數據可以對用戶聯系人、通話記錄等進行分析，與貸款電話通話時間較長、換號頻率高、經常關機的客戶騙貸風險較高。
2、在貸中決策階段，主要對用戶進行信用跟蹤及風險預警，實時的監測信用主體的信用風險，例如卷入法律糾紛、天災人禍等，需及時作出風險預警。
3、貸后管理主要跟蹤客戶所屬行業、客戶經濟狀況、客戶異常行為包括其個人信用的變化，及時發現可能不利于貸款按時歸還的問題，并提出解決問題的措施。
舉例來說，假如發現借款人在其他平臺借款已經發生逾期、近期手機經常關機等跡象，則借款人有較高的概率逾期還款，需及時作出逾期預警；一旦客戶已經失聯，可以利用用戶聯系人、通話記錄等進行分析，定位用戶手機使用位置，了解到其聯系人信息，結合出行記錄等分析借款人行蹤；利用借款人行蹤、經濟狀況變化、消費等信息了解借款人逾期原因，是有錢不還還是因為經濟能力等原因無錢可還，制定相應的催收方案。
2、大數據征信應用不僅限于傳統金融機構，還可以與日常生活場景結合在一起
從應用范圍來看，目前大數據征信除了傳統在金融機構、政府部門、公共服務等場景之外，還能與各類生活化、日常化的場景結合在一起，比如出行的租車免押金、住宿的入住免押金、購物的先試后買等各類日常履約場景相結合。
隨著互聯網，尤其是移動互聯網的普遍化，人們的行為數據逐漸在互聯網上沉淀，包括金融、餐飲、零售、旅游、社區、出行、教育、醫療、美容等諸多領域。新興場景的出現，一方面，讓征信走出常規的金融應用場景，擴大了個人征信的市場空間；另一方面，極大的提高了用戶體驗，進而提升了個人征信的使用粘性。目前不同機構數據資源共享仍然存在難度，因此不同的大數據征信產品側重點不同，有的傾向電商信用行為，有的側重互聯網社交行為，有的反映借款人風險等。因此在全面評估個人信用風險時，可以結合多家機構的信用評估報告，從社交、電商、招聘、瀏覽行為、地理位置等不同角度對用戶做出全息用戶畫像，判斷其綜合情況。