资金借贷原本是一个个人信用问题，社区银行经理在决定是否让某人获得抵押贷款时，依据的就是个人信用的高低。最近几十年来资金借贷已经发生变化，借贷决策是根据个人信用评分这个单一的统计数字做出的。将信用浓缩为一个数字似乎可以让银行更容易选择借款人，但正如我们所知道的，现实往往并不美好。传统的信用评分在很大程度上是基于过去信贷交易的记录，它会受到数据匮乏的限制。如果缺少重要的数据点，数据中的错误就会被放大，信用评分就会被严重夸大或低估。这样一种判断人的贷款偿还能力与意愿的做法，是既可笑又原始的。
为了解决这个问题，一整套全新的“贷款提供者生态系统”应运而生。此系统不仅会接收大量信息，而且会提供大量信息。例如，以专注于学生贷款起家的金融初创公司SoFi，将许多数据点用作信用评级预测的参考因素，这使公司有胆量向信用信息不完整的个人提供低利率贷款；另一家初创公司Kabbage也为小型企业提供类似的服务。从传统的信用评分转向分析更多不同数据点的风险模型，与货币市场转向海量数据市场是相似的：在这两种情况下，我们都放弃了简化复杂性的想法，转而利用技术和自动化，来指导人们依据各种不同来源的综合海量数据，做出相关决策。这种做法最终会转化为对实际违约风险进行更好的评估，因此SoFi能够以低于传统贷款的利率向许多客户发放贷款。
SoFi的模式取得了巨大的成功：到2017年，SoFi已经提供了超过160亿美元的贷款，为客户节省了约14.5亿美元的利息。另一个新加入者，金融科技公司Upstart，在传统的信用评分之外，还使用了教育数据来评估信用风险。而像Avant和ZestFinance（由谷歌前信息总监道格拉斯·梅里尔创建）这样的金融科技公司，也在与发薪日贷款做斗争。通过使用机器学习系统，分析每个贷款申请人的大量数据点，这些金融科技公司坚信，它们可以比传统银行更好地评估风险，因此它们可以为那些过去依靠发薪日贷款的借款人提供贷款。2016年，中国互联网巨头之一百度对ZestFinance进行了投资，其目的就是将海量数据消费者信用评分系统带入中国。
数据资本时代
148