大数据变现主要有两种模式：精准营销和大数据风控。金融的本质是风险管理，传统风控主要利用金融数据，约20个维度，通过评分识别还款能力与意愿。
一、验证借款人身份。 通过姓名、手机号、身份证号、银行卡号、家庭地址五要素验证身份。若信息可被购买，则需人脸识别等技术确认本人。
二、分析提交信息识别欺诈。 欺诈用户填写信息常有规律，如不同城市小区名相同、不同单位电话相同等。发现重复信息，欺诈可能性高。
三、分析线上申请行为识别欺诈。 欺诈用户常快速批量填写。若填写地址少于2秒、阅读条款少于3秒、申请低于20秒，或深夜申请，欺诈与违约比例较高。
四、利用风险名单识别欺诈。 约70%信贷损失来自恶意欺诈。风险名单来源于民间借贷、P2P、信用卡等违约用户及催收公司，还意味着多头负债。多家征信机构共享数据以降低行业风险。
五、利用移动设备数据识别欺诈。 通过位置信息验证工作地与居住地，根据应用活跃度识别多头负债。欺诈用户常用模拟器，设备聚集申请，只装贷款类App，频繁换卡换机，使用过时系统。
六、利用消费记录评分。 除收入外，消费记录可证明还款能力，如银行卡消费、电商购物、公共事业费、航空记录、会员消费等。中低消费人群的电商、旅游、加油记录均可作为依据。
七、参考社会关系评估信用。 信用好的人朋友信用通常也好。可参考常联系朋友评分，但仅靠手机号可信度不高，一般用于反欺诈识别。
八、参考社会属性与行为评估信用。 有伴侣子女、贷款用于家庭教育、经常参加公益活动者违约率低；年龄偏大、收入虚高、频繁换工作换号、生活不规律者违约率高。
九、利用司法信息评估风险。 涉毒涉赌人员信用较差，贷款用途不可控。可通过公安数据或移动设备位置识别，如经常半夜出现在赌博场所或特定区域。
总之，大数据风控采用社会行为与属性数据，补充了传统风控维度不足的缺点，能更全面识别欺诈、评价风险，保障资金安全。
