FICO（Fair Isaac Company）信用分是由美国个人消费信用评估公司开发出的一种个人信用评级法，其分值在300-850之间，已经得到社会广泛接受。据一项统计显示，信用分低于600分，借款人违约的比例是1/8，信用分介于700～800分，违约率为1/123，信用分高于800分，违约率为1/1292。一般认为，FICO分高于680分，就属于信用卓著的用户了；而若低于620分，则很可能被拒贷，或被要求增加担保或抵质押。
而FICO评分模型主要就是围绕个人的历史借贷行为等征信类信息展开的，包括付款历史（占比35%左右，包括各类信用/贷款账户的还款记录，公开记录即支票存款记录，逾期偿还情况等）、未尝债务（占比约30%，包括仍需偿还的信用账户总数，信用账户余额，总额度使用率等）、信贷时长（占比约15%，信贷账户的账龄）、新开立信用账户（占比10%，包括新开立信用账户数，新开里账户账龄，正在申请的信用账户数量，查询查询记录等），正在使用的信贷组合（占比10%左右，包括信用卡账户、零售账户、分期付款账户、抵押贷款账户等混合使用情况）。
从效用等级来看，记录历史借款数据的征信数据有效性最强，可看作是太阳之光；消费、社交等数据的有效性次之，可看作月亮之光；兴趣爱好及其他行为数据的有效性再次之，可看作星辰之光。在评价一个人的信用时，如果这个人有征信数据，那么基本可以不用再看消费、社交、兴趣等等其他数据就可以进行判断，就像太阳一出，月亮和星辰之光便黯淡无色了。
问题在于，大多数的人都缺乏有效的征信数据，中国13亿人口中，有信贷征信记录的仅有3.5亿。对于没有征信记录的人，只能用月亮星辰之光进行信用判断，虽然效用差一些，但很多情况下也勉强可用，这是互联网大数据风控模型崛起的内在逻辑。
银行与互金大数据风控的差别所在
最后再来看二者的差别，我们从客群的角度来对比。
对于具有征信记录的优质客群，这部分客户的信贷记录多来自于银行体系，意味着银行不仅掌握其更细维度的借款历史数据，还掌握了其存款、理财等财富数据，在这部分用户的大数据信用评判上，银行是占据先机的，有其独到的优势。
对于征信记录较少或没有征信记录的客群，没有了日光照射，对银行而言，可能意味着彻底的黑暗，难以判断用户的信用情况；而掌握了用户消费数据、社交数据的互联网巨头，掌握了月亮星辰之光，反倒可以大致看清用户的轮廓，具备了差异化的优势。
问题来了，银行为何不去掌握这些月亮星辰之光呢，因为有价值的行为数据多数都掌握在互联网巨头手中，这些巨头像数据黑洞一样，数据进得去、出不来，谁也拿不走，而正是这些数据，构成了其在次级用户信用评级上的核心优势。
反过来再问，怎么去对抗这些数据黑洞呢？唯一的出路就是增加太阳光的照射范围，即推动可以全社会共享的征信体系的发展，届时，月亮星辰之光的影响也就越来越小了。
最后简单总结下结论吧。
如果从大数据信用风控的角度看，银行与互金的主要差别就是因数据源的不同导致的客群有效性的差异，整体上，银行的大数据风控模型针对有征信记录的用户更为准确；互金巨头的大数据风控针对缺乏征信记录的用户更为有效，当然，因为征信记录是开放的，所以对于有征信记录的用户而言，互金巨头的模型也可覆盖，只是与银行相比缺乏优势罢了。
如果从大数据欺诈风控的角度看，银行与互金则各有千秋，因为欺诈风险更多地与业务模式和流程有关，业务模式的不同决定了银行和互金面临的欺诈风险很多情况下是不同的，所以缺乏可比性，应该是各有各的特长。
如果从大数据在智能营销上的应用看，互金巨头掌握了用户的消费、社交等行为数据，可以更好地了解用户的行为偏好，从而可以更好地将金融产品融入场景打包推荐给用户。相比之下，银行掌握的更多是用户有钱没钱，在智能营销上其应用范围就窄得多，在销售基金和理财产品上精准度比较高，但在场景化金融上就要逊色很多。
如果从大数据在内部管理上的应用看，银行业已经进行了长达十几年的探索，在很多方面是要领先的，而绝大多数的互联网金融企业，在这方面还需要补课。