当前，无信用信息是普惠金融发展必须解决的难题。
　　国内有约9亿消费者与传统银行有过接触，但只有4亿人获得过信贷服务。国内约6千万小微企业中，仅约12%获得过传统金融服务，8%获得过租赁、保险、P2P等非银行金融机构的金融服务。因此，仍有80%的小微企业和将近10亿的消费者需付出较高代价才能获得信贷服务——时间长、抵押物不充分、没有财务信息、成本较高成为普遍问题。
　　其原因，在于金融机构放贷须以之前的信贷记录作为授信依据，而大量民众和企业尚无信贷记录，从而在无法获得贷款和无法积累信贷记录之间恶性循环，直到大数据为该问题的解决提供了便利。
　　传统的消费者信用风险评估主要从两个维度进行：存款能力和还款意愿。
　　传统金融长期使用信用报告查询次数、信贷历史、违约数等信贷直接相关信息作为基础进行授信。
　　进入大数据时代，交税情况、收入情况、社保公积金情况、搬家次数等信息，以及三大通信运营商的通讯数据和支付宝、微信、京东等互联网终端中所留存的消费者行为数据，均可作为判斷依据，进行信用评估。
　　互联网产品的注册用户和活跃用户数量远超央行征信系统，且相关信息更易获得。
　　采集海量数据，从数据中沙里淘金，可以挖掘出与消费者信用直接相关的信息，比如信用场景、支付信息、账户活跃性等，可作为分析数据。通过细节洞悉消费者性格，探查申请人对信用申请的谨慎程度与还款诚意，再与其他成千上万的信息数据相联系，便能得出令人难以置信的精确图景。
　　但相比于传统征信数据的强相关性，这些大数据和消费者的信用状况相关性较弱，因此有效的方式是：开发信用评分，加强弱相关数据的描述能力，面向普惠金融人群进行小额授信，使其有信贷信息的积累，再回归到传统的信用评估、信用服务，对以往无法服务的人群建立征信报告，进而实现对整体消费者人群的覆盖。
　　本人曾从算法、模型、应用等方面尝试开发电信数据作为信用评估参考的方式和渠道。国家层面也需要主导和加强金融基础设施的建设，比如在三大通信运营商的内部建立信用风险服务机构等。
　　对此，一些互联网金融公司也在积极探索，比如采取建模的方法，将电信数据、法律数据、求职数据、用户自主提交的数据以及第三方数据进行整合、挖掘、分析。此外，传统金融机构还可与互联网金融机构互联互通，以服务于日益活跃的互联网场景。
　　融资难是全球性的普遍问题，在国外，哈佛大学肯尼迪学院的教授和博士为解决该问题，在无数据的情况下以发放问卷来进行专业心理测量，测试其诚信程度及财务的基本情况，进而对其信用风险进行预测。该模型已运行10余年，在拉美10余个国家推广，从小微企业拓展到普通消费者，服务了上百万人口，取得了商业成功。
　　我国如果将心理测试与大数据相结合，或许将产生更好的评估效果，对推动普惠金融大有助益。