而在互联网大数据模式下，电子商务、社交网络和用户的搜索行为等大数据，包括客户的教育背景、工作经历、社交圈子等，为给客户清晰“画像”提供了丰富的素材。以此为基础的大数据技术，通过综合分析借款人相关行为数据及其关联性，对客户的行为模式、诚信状况、履约能力及意愿等可以做出更加接近真实的判断，从而有利于找准市场定位，明确资源配置方向，并有效降低贷款违约率。而这恰是传统银行孜孜以求的目标。
传统银行在大数据方面的另一个短板就是其数据来源和存储模式的局限性。这种局限性，某种程度上是与传统银行与生俱来的特质密切相关的，即强调数据的精准性与一致性。而大数据理论更关注效率与相关性，在对数据的筛选、存储方面强调由关注精确度向关注效率转变、由关注因果关系向关注相关性转变。
现实情况是，近年来许多银行加强了数据仓库系统建设，对分布在各个源系统中的原始数据进行清洗、抽取、转换并进行集成和存储，使数据的精确性和一致性得到了提升，但同时在一定程度上消除了数据的混杂性和关联性，反而制约了大数据的赋能性。
另一方面，在数据运用上，传统的风控技术在大数据风控技术面前相形见绌。
对于金融业而言，大数据的魅力突出展示在客户风险控制上，体现为风险控制模型的设计。目前传统银行在风控上大多采取信用评分模式，而信用评分模型主要依据历史借贷、财务数据来预测和判断客户的违约风险。其缺陷比较明显，除了受制于数据库的完善程度外，更为关键的是无法对现有数据库之外的、非信贷客户进行信用风险评估与授信。这就使得那些在传统银行体系信贷记录为空白的群体难以获得金融服务。既制约了银行自身的获客能力 和业务拓展空间，也与发展普惠金融的宏观导向相背离。
相比之下，基于互联网的大数据风控模型除了重视传统的信贷变量，更关注涉及客户社交网络等渠道的信息。这就为信贷记录的“空白群体”提供了获得基本金融服务的可能性。同时，大数据风控模型更加关注客户的行为数据。 通过对客户行为数据的分析与清晰“画像”，不仅能相对准确地锁定营销目标，分析判断目标客户的资信状况、偿贷能力与还款意愿，为贷前调查、贷时审查“把关”，而且通过动态的行为跟踪分析，还能及时发现风险苗头，将风险消弭于萌芽状态，有效降低客户违约风险。
