以往，出借人憑藉信用報告來評估使用者的信用度。良好的信用記錄往往意味著借款人值得信賴；而糟糕的信用記錄或者較低的信用值往往表示借款人風險較高。但是，單憑信用記錄很難做出全面的評估。
一個一直比較值得信賴的人，可能忽然身患重病。然後，為了償還龐大的醫療債務而不得不拖欠貸款。他也可能因離婚遭受巨大的財政壓力而無法按期還款。傳統的信用報告沒有充分考慮這些外部因素。還有數以百萬計的”信用隱形人”： 他們沒有足夠的信用記錄來設定信用額度。這就像”第二十二條軍規”：如果你沒有信用記錄，你就沒法建立信用額度。
這就是問題的根源：信用記錄可以提供關於借款人的有用的資訊，但是單憑這一點，不能準確地評估借款人的信用度。
金融技術革命
為了打破這一迴圈，越來越多的金融科技公司開始使用行為資料，對信用報告作補充，提供關於借款人的更全面的資訊。行為資料通過借款人的其他支付和交易資料中獲取資訊，來分析其金融理財習慣，以對其償還或拖欠貸款做出更有力的預測。這些資料包括公共記錄，社交媒體賬戶或銀行理財組合等，甚至可以預測外部衝擊何時可能發生等。
傳統過度依賴信用報告的借貸方法，讓信用值較低的人（信用活動很少以至於信用值很低的借款人）選擇空間變少。我們的公司對使用信貸的人積極開放，但是我們的申請使用者中有15%沒有信用評分。
這不是一個哲學問題，而是一個實實在在、亟待解決的問題。信用卡消費拉動了美國的消費經濟：在2014年，單單Visa信用卡購買額就達到1.2萬億美元。如果僅憑信用評分來決定借貸行為，那就等於在購房購車方面將信用評分少的人排擠在外。並且，這使得金融公司對有借貸記錄的人做出精確地評估。
這就是金融科技公司試圖讓更多的消費者享受到借貸的原因，以多個元素，而不是單一的指標來對貸款和信貸進行評估。例如，Upstart公司將個人教育背景和工作記錄納入信用評估體系。從銀行賬戶記錄到”信用學校”，這些組織正在創造一個更具活力，更加多元化的借貸行業。
新的機會
不適用替代資料或者行為資料的公司，正在將生意拒之門外。我們對將行為資料和替代資料納入承銷演算法做了追溯分析，結果令人震驚：我們把數以千計的客戶拒之門外，他們也許並不像他們的信用評分顯示的那樣欠款風險高。每拒絕一個客戶，就是錯失一個機會。
通過將行為資料和替代資料納入我們的批准和定價演算法中，大大降低了我們的預期損失率。我們可以更好地識別那些比他們的信用評分顯示的風險更高的使用者，以及值得信賴的使用者-即使我們增加了批准數量。傳統公司的高管一時間仍不願意使用這些資料進行評估，因此，他們將對部分使用者提供過多數量的借貸，而不向他們收取與他們的借貸風險相匹配的利息。他們的競爭者最終將利用這一點，獲取更大的利益。
改變核保體系是一個巨大的工程。首先要對當前的體系進行評估，然後為公司選擇合適的新體系。一旦決定進行更改，以下步驟將幫助您使用新資料：
一、 重新配置基礎設施。一個最簡單的使用行為資料的方法就是採用心得評分產品，例如環聯的L2C，或者益百利公司的擴充套件檢視等。像Mint和Yodlee等公司，直接從使用者的銀行賬戶中獲取資訊，為評估借款人的理財習慣和可信賴成都提供了更深入的資訊。然而，對於傳統的公司來說，新的資料和分析系統意味著增添心得基礎設施，這對它們來說是個挑戰。美國富國銀行和花旗銀行不願意徹底整改它們的傳統演算法，因為這是一個巨大的工程，也不符合它們的傳統經驗。當矽谷中的金融科技公司開始採取更加多元化的方法進行使用者信用度評估時，創新的大幕已經拉開。
二 、對信用評分較少的客戶進行評估。除了信用報告之外，還可以使用銀行轉賬，公司支付，零售活動和社交媒體對借款人進行評估。例如，信用評分很高的人，也可能用風險較高的行為模式。信用評分較低的人可能會定期償還賬單和定期存款，因此即使他們的信用評分較低，但反而更值得信賴。 在採取新的借貸標準之前，要對當前的理財組合中各個資料點之間的關係進行評估。明確使用者之前理財行為的原因，寫入新的演算法中，建立一個更加全面的評估方法。
三、 進行後續監測。一旦決定進行新的信用評價方法，行為資料就變得非常重要，因此要選擇堅實的技術支撐。分析每個使用者的付款頻率和方式。使用K均值演算法來分析普遍特點，來分析信貸的模式和特點。 使用這樣的方法，可以在使用者要求增加信貸額度或新的貸款時，做出更加全面的評估和決定。可以將現有的資料點與原有的影響信貸評估的因素結合起來，對未來的信貸行為進行評估。
科技使得借款人可以對使用者做出更加明智的信貸決定，使用更加全面的資料分析。通過一定時間的行為資料分析，可以分析出使用者的行為趨勢，根據這樣的行為模式進行信貸條款和額度的調整。只使用信貸評分不能做到這一點，而替代資料可以。