完善的法律制度可以為征信業的蓬勃發展保駕護航。我國現行的征信業法律制度主要包括國務院2013發布的《征信業管理條例》和《征信機構管理辦法》，以及央行2015發布的《征信機構監管指引》，進壹步明確征信機構的操作規範。與歐美成熟市場相比，我國對征信業的立法還不夠完善，處於初步探索階段。只是行政法規或者部門規章，兩者法律效力都較低。而且目前我國在數據采集和個人隱私方面還沒有建立完善的法律體系，導致征信行業個性化數據采集中的隱私保護問題。
二是覆蓋人群有待增加；
社會對征信需求巨大，征信體系不完備，政府主導的征信體系難以完全滿足金融市場運行的需要。美國企業和個人的信用信息覆蓋率高達80%。即便如此，美國信用報告機構繼續投資開發獨家數據來源。通過對新數據的分析，提高了數據庫的深度、廣度和質量，為征信提供了堅實的基礎。據中國央行征信系統統計，截至2015年底，個人征信系統已收錄自然人8.8億人，其中有信用記錄的3.8億人，有簡單身份信息的5億人，超過5億人不在央行征信系統。消費金融公司的目標客戶其實主要是中低檔消費群體，以年輕人為主，比如剛參加工作的上班族，收入不高的群體。這群真正需要消費金融服務的用戶，恰恰是中國央行征信系統中缺乏個人信用記錄的。
三是市場滲透率有待提高；
根據艾瑞咨詢的數據，中國個人征信行業的市場滲透率普遍維持在9%左右。2015年中國個人征信行業潛在市場規模為16236億元，而實際市場規模僅為15140億元。隨著個人消費和交易習慣的改變，征信的應用場景越來越多。除了信貸和信用卡消費，租房、租車、購物、簽證等非金融領域也對個人征信有需求，市場普及率有待進壹步提高。
第四，數據收集標準需要統壹；
數據收集是信用調查的基礎。為此，美國國家信用管理協會制定了標準數據報告格式和標準數據收集格式，以規範信用數據，便於機構間共享信用數據。而國內缺乏有效的各類數據* * *共享機制，導致數據孤島問題嚴重，現有數據同質化嚴重，大部分可在公開渠道獲取，缺乏個性化專屬數據源。同時，各類數據參差不齊，缺乏統壹標準，直接影響征信質量。
第五，數據分析能力有待提高。
數據分析的能力直接決定了征信服務的質量，因此數據分析是征信企業將信用數據轉化為征信產品的關鍵環節。美國的數據分析技術起步很早，早在1956就推出了FICO評分系統。經過半個多世紀的不斷改進，得到了廣泛的應用。目前，包括Experian、Equifax、TransUnion在內的90%以上的大型征信機構都采用FICO評分系統。2009年，美國ZestFinance公司以信用評分過低或信用記錄過低(FICO評分在500分以下)的人群為服務對象，將多源數據整合到信用評估分析中，引入機器學習的預測模型和整合學習的策略，進行大數據挖掘。ZestFinance的核心競爭力在於數據挖掘和模型開發的能力。據了解，在其模型中，經常使用3500個數據項，從中提取70000個變量，利用欺詐模型、身份驗證模型、提前還款能力模型、還款能力模型、還款意願模型、穩定性模型等10個預測分析模型進行深度學習，得出最終的消費者信用評分。平均每六個月就會誕生壹個新版本來取代舊版本。新版本通常會添加更多的變量和數據源。ZestFinance使用的算法來自谷歌的大數據模型。此外，來自第三方的成千上萬的原始數據(如電話費等。)和借款人輸入系統，找到數據之間的相關性，轉換數據。在相關性的基礎上，變量被重新整合到更大的測量指標中。最後將這些較大的變量輸入不同的數據分析模型，按照模型投票的原則形成最終的信用評分。與傳統的信貸管理業務相比，ZestFinance的處理效率提高了近90%，在風險控制方面，ZestFinance模型的性能比傳統的信用評估模型提高了40%。另壹方面，在國內征信行業，數據分析剛剛起步，數據分析的效率和準確性有待進壹步提高。