如果按照这个界定，我们现在所谈到的大数据征信跳脱了传统“征信”范畴内。不再局限于金融属性的信息，并且也打破了“采集者与信息产生没有任何关系”的独立第三方原则。
例如芝麻信用、前海征信、腾讯征信，一方面它们的数据来源目前还主要来自母公司阿里、平安、腾讯，而另一方面，它们的兄弟公司又涉足放贷业务，例如阿里小贷。
尽管有关大数据征信的定义和效用仍争议不断，但对于既无法接入央行征信系统又面临快速发展的互联网金融行业而言，利用大数据来帮助判定风险、开拓业务已是必然的选择。
从应用范围来看，目前大数据征信已从金融业务向生活服务蔓延。其中，最核心的两个价值就是：防范欺诈风险和信用风险。简单来说就是：既要证明“你是你”，还要描述出“你是什么样的人”。
如何证明“你是你”?
无论是在传统金融领域，还是互联网金融领域，给客户做信用评估的前提是必须知道这个人就是他自己。所以，如何利用证明“你是你”是大数据征信首先要解决的问题。
尤其，随着越来越多的金融业务互联网化，“反欺诈”面临的挑战也日益增大。“身份认证”的重要性在各项监管文件中反复被强调，而各家机构也在不断探索如何利用新的技术在网上实现身份的核实。
其中，在指纹、虹膜、人脸识别等一系列生物识别技术中，人脸识别因其技术的成熟度和准确率，以及使用的便捷性而被进一步普及。包括腾讯征信、芝麻征信在内的多家个人征信机构都有组建自己的人脸识别技术团队。
此前，在腾讯征信的北京媒体沟通会上，为腾讯财付通、微众银行、腾讯征信等提供图像和模式识别技术支持的优图团队也向大家展示了“人脸识别”在“反欺诈”方面的应用，即如何证明“你是你”。
根据现场的演示，在上传身份证照片、自拍照片并与公安部的信息进行比对之后，“人脸识别”的另一关键步骤是活体检测，通过读取随机的数字串，分析声音和唇语等信息来防范有人用视频、照片等方式来仿冒用户。
据了解，在今年国际权威的人脸识别数据库LFW上，腾讯优图团队在人脸验证测试中达到了 99.65%的准确率。目前，微信的“人脸识别”技术已经在腾讯征信、微众银行、微证券开户等场景中开始试用。
尽管人脸识别的准确率已经达到较高水平，但该项技术的商业化应用才刚刚起步，它的有效性和安全性仍备受质疑。
优图团队研发总监黄飞跃也表示，该技术现在还不能说100%的成熟，而是适用于某些特定的应用环境中。其中，金融领域的身份核实条件较好，由于用户往往是为了通过验证(例如支付)所以比较配合。
芝麻信用首席科学家俞吴杰表示，整个的反欺诈产品从身份认证到信息验证再到网络关联，每一步的技术含量非常高。以身份认证为例，现在已有有很多的途径，比如信息交叉比对、人脸识别技术、KBA问答认证等。
他以网络关联技术为例说明到，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的保留下来，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是非常高的。
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Zest Finance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纬度要多和均衡，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柔和在一起。”他表示。