中國建設銀行/資產保險資產總部風險管理部副總經理譚興民詳細分析了大數據如何幫助銀行提升信用評級和風險管控能力:
首先，壹站式征信平臺可以在放款前識別客戶。目前銀行查詢客戶情況費時費力，也增加了銀行的開支。利用企業壹站式征信平臺，可以最大程度地節省銀行的人力、物力和時間，保證數據的有效、及時和準確。
其次，風險量化平臺可以幫助貸後風險管控。平臺以企業日常業務數據為基礎，結合平臺數據模型，利用動態、實時的雲數據抓取技術，對企業發展情況進行分析評估，給出風險的量化評分，第壹時間發現企業生產經營異常，在風險觸發前3至6個月進行預警，以便銀行等金融機構及時采取相應措施，預防和減少損失。
同時，利用“企業家譜”查詢監控不良貸款。比如，有的企業通過關聯交易轉移利潤，制造虧損假象，為不償還銀行貸款尋找理由；或者通過關聯交易制造虛假業績，為繼續獲得銀行貸款提供依據。這些假象可以通過關聯交易很快被發現，讓企業去偽存真，露出真面目，可以防止銀行上當受騙。
與傳統風控相比，大數據風控的建模方法和原理其實是壹樣的。它的核心是專註於使用更多維度的數據，更多互聯網的足跡，更多傳統金融沒有觸及的數據。比如電商的網頁瀏覽，客戶在app中的行為軌跡，甚至GPS位置信息等等。這些信息可能與客戶是否可能違約沒有直接關系，但實際上通過大量的數據積累，可以產生非常有效的識別客戶的能力。
在操作邏輯上，大數據風控不強調強因果關系，重視統計相關性是大數據風控區別於傳統金融風控的典型特征。傳統金融機構強調因果關系，強調兩個變量之間必須有邏輯因果關系。
在數據維度層面，傳統金融風控和大數據風控在傳統金融數據和非傳統金融數據的應用上也有顯著區別。傳統的財務數據包括上面提到的個人社會特征、收入、貸款等等。金木公司的大數據風控采用了大量非傳統的財務數據。
與傳統金融機構相比，金木公司擴大了對非傳統數據的獲取，這是對風險數據的補充，用於新客戶群體的風險定價。當然，這些數據的金融屬性有多強，還有待考證。
巨頭優勢明顯，並不代表創業公司的路已經被堵死。大公司不可能面面俱到，布局各種場景。在互聯網巨頭尚未涉足的領域，deus ex這種創業公司小步快跑，比巨頭更早搶到賽道，拿到數據，優化數據應用能力，已經成為壹條路徑。