3）Credit Karma及其他

一个免费查FICO分（TransUnion和Equifax）和简版信用报告的平台（美国政府规定，三大征信局每年为用户提供仅一次免费查询信用记录的机会）。并且用户可以在平台上查看自己的各项财务状况，根据用户的信用信息及个人金融信息推荐合适的信用卡、更优惠的车贷和房贷等信贷产品，当会员购买了金融机构的产品后，机构变付费给Credit Karma。产品运营模式：                                                            中国征信：

国内的个人征信方面，芝麻信用是长的最像FICO的。

• Base FICO范围：300-850（Industry-Specific FICO范围：250-900）；芝麻信用分范围：350-950。
• FICO数据维度：偿还历史×35% + 信用账户数×30% + 使用信用的年限×15% + 正在使用的信用种类×10% + 新开立的信用账户×10%；蚂蚁信用分：信用历史×35% + 行为偏好×25% + 履约能力×20% + 身份特征×15% + 人脉关系×5%。
• 信用等级划分

2.风险控制

风险控制这块主要包括用户行为识别比如盗卡盗号、洗钱套现等

3.贷款授信

传统的贷款方式

                                         互联网金融的贷款方式：

1）阿里小贷

2）宜人贷
宜人贷的数据源包括：

信用卡数据
淘宝天猫京东购买数据
运营商的通话记录
爬虫数据
生态伙伴第三方数据

                                可能很多人会问我说，因为时间关系，没有办法我只能说做一个非常非常简单的展示，传统的金融机构，大家也做模型，做算法很多诸如此类的数据挖掘，传统的数据模型，比如说，他可能会放几十个变量，或者撑死了放几百个变量，我们的方法不一样，我的有几十万个或者更多的变量，传统的模型里头，非常强调说所有的这些特征，要是可以解释的。所以他需要非常非常强的特征。在我的这个模型里头，在我们这个平台的模型里头，对于我来讲，所有的数据，都是信用数据。当中交易数据，流水数据这些数据大家可以想象到，其他很多的数据，比如你的搜搜数据，网上的很多其他点击数据也是特征。如果这些特征被吸收的话，可能非常弱的特征没有关系，最后我能做出不管是信用，还是反欺诈，我后面有一堆模型在这边，我做的手段跟传统机构不一样的。

4.保险定价

保险定价这块主要的场景包括车险的定价、运费险。
车险：其实根据车主的日常行车路线、里程、行车习惯、出险记录、职业、年龄、性别，可以给出非常不同的定价。比如一个开中级车，每天固定路线往返几公里通勤的熟练女白领车主，和一个开同样车型每天在珠三角或者长三角跑生意的中年暴躁小老板车主，假设后者出险概率是前者的3倍，那么完全可以定3倍于前者的价格（商业部分）。对于保险公司，前者才是优质客户，后者做了生意也是赔钱货，不如赶到竞争对手那里去。

运费险：

5.云计算

6.量化投资