金融底层大数据资源的获取，对于推动中国普惠金融有重要的意义，比如供应链金融数据、运营商数据、各类互联网数据源等。然而现在这些数据散落在不同的角落里面，无论传统银行还是互联网金融企业要获取到可用于优化征信授信的相对完整数据难度很大。这无疑为中国的普惠金融发展中的一个重大阻力，尤其在当前中国金融体系急需改革、为实体经济甚至“互联网+”注入更多活力的环境下。
或者一个有效的做法，是在有关部门联合一批金融机构、大数据技术提供方建立一个致力于推动普惠金融的公共金融大数据交易市场，使得各个会员机构均能够获取到足够的数据，并利用行政力量解决比如数据隐私、产权转移等难题。毕竟要实现金融普惠，首当其冲的是先要实现金融数据普惠，让每个金融主体都能平等获取到数据，而竞争的舞台则是在如何更好使用这些数据上。
金融数据普惠是金融大数据生态圈中的第一个也是最为关键的挑战。要迅速跨过，需要联合整体行政与行业、技术力量的去推动。
金融大数据生态圈中第二个挑战是数据的管理。相比其他行业，金融大数据更加有显著的来源异构、类型繁多、总量巨大的4V特征，而金融行业对数据的准确性、规范性要求却极高。如何科学地管理这些金融数据资产则是另外一个挑战，尤其是在数据普惠后，考验各个金融大数据主体的是应用这些数据的效率。因此，金融大数据资产的标准化质量管理、数据溯源、安全管理、主数据管理，以及非结构化数据处理（语义分析、自然语言处理）、数据可视化、分发管理等，如何做到低成本高效率管理，是金融大数据应用的关键。
金融大数据生态圈中第三个挑战是数据的应用建模。如包括大数据征信、风控、反欺诈侦测、基于大数据的贷后服务与风险管理等，这些应用均涉及到大量的数据量化分析模型，如何保障这些模型的有效、稳健是一项重要的议题。另外，华尔街的量化交易基金历史经验告诉我们，量化模型往往难以考虑到系统性风险，比如一个模型认为无论是资产实力、还款能力、品德都俱佳的贷款者，在面对经济下行的系统性风险仍然会有极大的逾期风险。而量化模型基本难以预测到系统性风险，如笃信精密量化分析模型的长期资本管理公司，死在了模型无法预料的俄罗斯金融风暴之中。如何处理好系统风险与量化模型的平衡，是金融大数据应用建模的艺术。
最后，构建金融大数据场景与入口。所谓的普惠金融，就是为社会各阶层和群体提供适当的、有效的金融服务，如为一名好学上进的务工人员提供上夜校的社会助学贷款，社会中不乏各种金融服务的需求场景，我们需要做的是前瞻地发现他们，快速响应，对贷款人做出快速的审核甚至设计个性化的金融服务。这样普惠金融将会走到社会每个角落，在金融场景识别与服务商，互联网金融有先天的优势，而传统银行的互联网化也将进一步推动这点，正如互联网给我们的启示一样，金融大数据到了最后，将演进为对场景与入口的争夺。
（四）后记
金融大数据，有别于其他行业的大数据应用，除了是行业自身的数据技术升级外，还将在中国经济转型与金融改革中被赋予更多的使命，在未来几年预期将迎来一股喷井式爆发。其中首先来临的，是金融大数据的获取与数据普惠，如最近如大智慧、同花顺、东方财富网等金融数据提供企业的股价飞涨依稀印证了这点；而金融大数据资产管理、应用建模则是随之而来的机遇，而场景与入口之争，也将是这一轮金融变革的最终竞争模式。