A. 大数据和人工智能在互联网金融领域有哪些应用
大
数据从四个方面改变了金融机构传统的数据运作方式，从而实现了巨大的商业价值。这四个方面（“四个C”）包括：数据质量的兼容性
（Compatibility）、数据运用的关联性（Connectedness）、数据分析的成本（Cost）以及数据价值的转化
（Capitalization）。
大数据在金融业的应用场景正在逐步拓展。在海外，大数据已经在金融行业的风险控制、运营管理、销售支持和商业模式创新等领域得到了全面尝试。在国内，金
融机构对大数据的应用还基本处于起步阶段。数据整合和部门协调等关键环节的挑战仍是阻碍金融机构将数据转化为价值的主要瓶颈。
数据技术与数据经济的发展是持续实现大数据价值的支撑。深度应用正在将传统IT从“后端”不断推向“前台”，而存量架构与创新模块的有效整合是传统金融
机构在技术层面所面临的主要挑战。此外，数据生态的发展演进有其显著的社会特征。作为其中的一员，金融机构在促进数据经济的发展上任重道远。
为了驾驭大数据，国内金融机构要在技术的基础上着重引入以价值为导向的管理视角，最终形成自上而下的内嵌式变革。其中的三个关键点（“TMT”）包括：团队（Team）、机制（Mechanism）和思维（Thinking）。
1.价值导向与内嵌式变革—BCG对大数据的理解
“让数据发声！”—随着大数据时代的来临，这个声音正在变得日益响亮。为了在喧嚣背后探寻本质，我们的讨论将从大数据的定义开始。
1.1成就大数据的“第四个V”
大数据是什么？在这个问题上，国内目前常用的是“3V”定义，即数量（Volume）、速度（Velocity）和种类（Variety）。
虽然有着这样的定义，但人们从未停止讨论什么才是成就大数据的“关键节点”。人们热议的焦点之一是“到底多大才算是大数据？”其实这个问题在“量”的层
面上并没有绝对的标准，因为“量”的大小是相对于特定时期的技术处理和分析能力而言的。在上个世纪90年代，10GB的数据需要当时计算能力一流的计算机
处理几个小时，而这个量现在只是一台普通智能手机存储量的一半而已。在这个层面上颇具影响力的说法是，当“全量数据”取代了“样本数据”时，人们就拥有了
大数据。
另外一个成为讨论焦点的问题是，今天的海量数据都来源于何处。在商业环境中，企业过去最关注的是ERP（Enterprise Resource
Planning）和CRM（Customer Relationship
Management）系统中的数据。这些数据的共性在于，它们都是由一个机构有意识、有目的地收集到的数据，而且基本上都是结构化数据。随着互联网的深
入普及，特别是移动互联网的爆发式增长，人机互动所产生的数据已经成为了另一个重要的数据来源，比如人们在互联网世界中留下的各种“数据足迹”。但所有这
些都还不是构成“大量数据”的主体。机器之间交互处理时沉淀下来的数据才是使数据量级实现跨越式增长的主要原因。“物联网”是当前人们将现实世界数据化的
最时髦的代名词。海量的数据就是以这样的方式源源不断地产生和积累。
“3V”的定义专注于对数据本身的特征进行描述。然而，是否是量级庞大、实时传输、格式多样的数据就是大数据？
BCG认为，成就大数据的关键点在于“第四个V”，即价值（Value）。当量级庞大、实时传输、格式多样的全量数据通过某种手段得到利用并创造出商业价值，而且能够进一步推动商业模式的变革时，大数据才真正诞生。
1.2变革中的数据运作与数据推动的内嵌式变革
多元化格式的数据已呈海量爆发，人类分析、利用数据的能力也日益精进，我们已经能够从大数据中创造出不同于传统数据挖掘的价值。那么，大数据带来的“大价值”究竟是如何产生的？
无论是在金融企业还是非金融企业中，数据应用及业务创新的生命周期都包含五个阶段：业务定义需求；IT部门获取并整合数据；数据科学家构建并完善算法与
模型；IT发布新洞察；业务应用并衡量洞察的实际成效。在今天的大数据环境下，生命周期仍维持原样，而唯一变化的是“数据科学家”在生命周期中所扮演的角
色。大数据将允许其运用各种新的算法与技术手段，帮助IT不断挖掘新的关联洞察，更好地满足业务需求。
因此，BCG认为，大数据改变的并不是传统数据的生命周期，而是具体的运作模式。在传统的数据基础和技术环境下，这样的周期可能要经历一年乃至更长的时
间。但是有了现在的数据量和技术，机构可能只需几周甚至更短的时间就能走完这个生命周期。新的数据运作模式使快速、低成本的试错成为可能。这样，商业机构
就有条件关注过去由于种种原因而被忽略的大量“小机会”，并将这些“小机会”累积形成“大价值”。
具体而言，与传统的数据应用相比，大数据在四个方面（“4C”）改变了传统数据的运作模式，为机构带来了新的价值。
1.2.1数据质量的兼容性（Compatibility）：大数据通过“量”提升了数据分析对“质”的宽容度
在“小数据”时代，数据的获取门槛相对较高，这就导致“样本思维”占据统治地位。人们大多是通过抽样和截取的方式来捕获数据。同时，人们分析数据的手段
和能力也相对有限。为了保证分析结果的准确性，人们通常会有意识地收集可量化的、清洁的、准确的数据，对数据的“质”提出了很高的要求。而在大数据时代，
“全量思维”得到了用武之地，人们有条件去获取多维度、全过程的数据。但在海量数据出现后，数据的清洗与验证几乎成为了不可能的事。正是这样的困境催生了
数据应用的新视角与新方法。类似于分布式技术的新算法使数据的“量”可以弥补“质”的不足，从而大大提升了数据分析对于数据质量的兼容能力。
1.2.2数据运用的关联性（Connectedness）：大数据使技术与算法从“静态”走向“持续”
在大数据时代，对“全量”的追求使“实时”变得异常重要，而这一点也不仅仅只体现在数据采集阶段。在云计算、流处理和内存分析等技术的支撑下，一系列新
的算法使实时分析成为可能。人们还可以通过使用持续的增量数据来优化分析结果。在这些因素的共同作用下，人们一贯以来对“因果关系”的追求开始松动，而
“相关关系”正在逐步获得一席之地。
1.2.3数据分析的成本（Cost）：大数据降低了数据分析的成本门槛
大数据改变了数据处理资源稀缺的局面。过去，数据挖掘往往意味着不菲的投入。因此，企业希望能够从数据中发掘出“大机会”，或是将有限的数据处理资源投
入到有可能产生大机会的“大客户、大项目”中去，以此获得健康的投入产出比。而在大数据时代，数据处理的成本不断下降，数据中大量存在的“小机会”得见天
日。每个机会本身带来的商业价值可能并不可观，但是累积起来就会实现质的飞跃。所以，大数据往往并非意味着“大机会”，而是“大量机会”。
1.2.4数据价值的转化（Capitalization）：大数据实现了从数据到价值的高效转化
在《互联网金融生态系统2020：新动力、新格局、新战略》报告中，我们探讨了传统金融机构在大变革时代所需采取的新战略思考框架，即适应型战略。采取
适应型战略有助于企业构筑以下五大优势：试错优势、触角优势、组织优势、系统优势和社会优势，而大数据将为金融机构建立这些优势提供新的工具和动力。从数
据到价值的转化与机构的整体转型相辅相成，“内嵌式变革”由此而生。
例如，金融机构传统做法中按部就班的长周期模式（从规划、立项、收集数据到分析、试点、落地、总结）不再适用。快速试错、宽进严出成为了实现大数据价值
的关键：以低成本的方式大量尝试大数据中蕴藏的海量机会，一旦发现某些有价值的规律，马上进行商业化推广，否则果断退出。此外，大数据为金融机构打造“触
角优势”提供了新的工具，使其能够更加灵敏地感知商业环境，更加顺畅地搭建反馈闭环。此外，数据的聚合与共享为金融机构搭建生态系统提供了新的场景与动
力。
2.应用场景与基础设施—纵览海内外金融机构的大数据发展实践
金融行业在发展大数据能力方面具有天然优势：受行业特性影响，金融机构在开展业务的过程中积累了海量的高价值数据，其中包括客户身份、资产负债情况、资
金收付交易等数据。以银行业为例，其数据强度高踞各行业之首—银行业每创收100万美元，平均就会产生820GB的数据。
2.1大数据的金融应用场景正在逐步拓展
大数据发出的声音已经在金融行业全面响起。作为行业中的“巨无霸”，银行业与保险业对大数据的应用尤其可圈可点。
2.1.1海外实践：全面尝试
2.1.1.1银行是金融行业中发展大数据能力的“领军者”
在发展大数据能力方面，银行业堪称是“领军者”。纵观银行业的六个主要业务板块（零售银行、公司银行、资本市场、交易银行、资产管理、财富管理），每个
业务板块都可以借助大数据来更深入地了解客户，并为其制定更具针对性的价值主张，同时提升风险管理能力。其中，大数据在零售银行和交易银行业务板块中的应
用潜力尤为可观。
BCG通过研究发现，海外银行在大数据能力的发展方面基本处于三个阶段：大约三分之一的银行还处在思考大数据、理解大数据、制定大数据战略及实施路径的
起点阶段。还有三分之一的银行向前发展到了尝试阶段，也就是按照规划出的路径和方案，通过试点项目进行测验，甄选出许多有价值的小机会，并且不停地进行试
错和调整。而另外三分之一左右的银行则已经跨越了尝试阶段。基于多年的试错经验，他们已经识别出几个较大的机会，并且已经成功地将这些机会转化为可持续的
商业价值。而且这些银行已经将匹配大数据的工作方式嵌入到组织当中。他们正在成熟运用先进的分析手段，并且不断获得新的商业洞察。
银行业应用举例1：将大数据技术应用到信贷风险控制领域。在美国，一家互联网信用评估机构已成为多家银行在个人信贷风险评估方面的好帮手。该机构通过分
析客户在各个社交平台（如Facebook和Twitter）留下的数据，对银行的信贷申请客户进行风险评估，并将结果卖给银行。银行将这家机构的评估结
果与内部评估相结合，从而形成更完善更准确的违约评估。这样的做法既帮助银行降低了风险成本，同时也为银行带来了风险定价方面的竞争优势。
相较于零售银行业务，公司银行业务对大数据的应用似乎缺乏亮点。但实际上，大数据在公司银行业务的风险领域正在发挥着前所未有的作用。在传统方法中，银
行对企业客户的违约风险评估多是基于过往的营业数据和信用信息。这种方式的最大弊端就是缺少前瞻性，因为影响企业违约的重要因素并不仅仅只是企业自身的经
营状况，还包括行业的整体发展状况，正所谓“覆巢之下，焉有完卵”。但要进行这样的分析往往需要大量的资源投入，因此在数据处理资源稀缺的环境下无法得到
广泛应用，而大数据手段则大幅减少了此类分析对资源的需求。西班牙一家大型银行正是利用大数据来为企业客户提供全面深入的信用风险分析。该行首先识别出影
响行业发展的主要因素，然后对这些因素一一进行模拟，以测试各种事件对其客户业务发展的潜在影响，并综合评判每个企业客户的违约风险。这样的做法不仅成本
低，而且对风险评估的速度快，同时显著提升了评估的准确性。
银行业应用举例2：用大数据为客户制定差异化产品和营销方案。在零售银行业务中，通过数据分析来判断客户行为并匹配营销手段并不是一件新鲜事。但大数据
为精准营销提供了广阔的创新空间。例如，海外银行开始围绕客户的“人生大事”进行交叉销售。这些银行对客户的交易数据进行分析，由此推算出客户经历“人生
大事”的大致节点。人生中的这些重要时刻往往能够激发客户对高价值金融产品的购买意愿。一家澳大利亚银行通过大数据分析发现，家中即将有婴儿诞生的客户对
寿险产品的潜在需求最大。通过对客户的银行卡交易数据进行分析，银行很容易识别出即将添丁的家庭：在这样的家庭中，准妈妈会开始购买某些药品，而婴儿相关
产品的消费会不断出现。该行面向这一人群推出定制化的营销活动，获得了客户的积极响应，从而大幅提高了交叉销售的成功率。
客户细分早已在银行业得到广泛应用，但细分维度往往大同小异，包括收入水平、年龄、职业等等。自从开始尝试大数据手段之后，银行的客户细分维度出现了突
破。例如，西班牙的一家银行从Facebook和Twitter等社交平台上直接抓取数据来分析客户的业余爱好。该行把客户细分为常旅客、足球爱好者、高
尔夫爱好者等类别。通过分析，该行发现高尔夫球爱好者对银行的利润度贡献最高，而足球爱好者对银行的忠诚度最高。此外，通过分析，该行还发现了另外一个小
客群：“败家族”，即财富水平不高、但消费行为奢侈的人群。这个客群由于人数不多，而且当前的财富水平尚未超越贵宾客户的门槛，因此往往被银行所忽略。但
分析显示这一人群能够为银行带来可观的利润，而且颇具成长潜力，因此该行决定将这些客户升级为贵宾客户，深入挖掘其潜在价值。
在对公业务中，银行同样可以借助大数据形成更有价值的客户细分。例如，在BCG与一家加拿大银行的合作项目中，项目组利用大数据分析技术将所有公司客户
按照行业和企业规模进行细分，一共建立了上百个细分客户群。不难想象，如果没有大数据的支持，这样深入的细分是很难实现的。然后，项目组在每个细分群中找
出标杆企业，分析其银行产品组合，并将该细分群中其他客户的银行产品组合与标杆企业进行比对，从而识别出差距和潜在的营销机会。项目组将这些分析结果与该
行的对公客户经理进行分享，帮助他们利用这些发现来制定更具针对性的销售计划和话术，并取得了良好的效果。客户对这种新的销售方式也十分欢迎，因为他们可
以从中了解到同行的财务状况和金融安排，有助于对自身的行业地位与发展空间进行判断。
银行业应用举例3：用大数据为优化银行运营提供决策基础。大数据不仅能在前台与中台大显身手，也能惠及后台运营领域。在互联网金融风生水起的当
下，“O2O”（OnlineToOffline）成为了银行的热点话题。哪些客户适合线上渠道？哪些客户不愿“触网”？BCG曾帮助西班牙一家银行通过
大数据技术应用对这些问题进行了解答。项目组对16个既可以在网点也可以在网络与移动渠道上完成的关键运营活动展开分析，建立了12个月的时间回溯深度，
把客户群体和运营活动按照网点使用强度以及非网点渠道使用潜力进行细分。分析结果显示，大约66%的交易活动对网点的使用强度较高，但同时对非网点渠道的
使用潜力也很高，因此可以从网点迁移到网络或移动渠道。项目组在客户细分中发现，年轻客户、老年客户以及高端客户在运营活动迁移方面潜力最大，可以优先作
为渠道迁徙的对象。通过这样的运营调整，大数据帮助银行在引导客户转移、减轻网点压力的同时保障了客户体验。
BCG还曾利用专有的大数据分析工具NetworkMax，帮助一家澳大利亚银行优化网点布局。虽然银行客户的线上活动日渐增多，但金融业的铁律在互联
网时代依然适用，也就是说在客户身边设立实体网点仍然是金融机构的竞争优势。然而，网点的运营成本往往不菲，如何实现网点资源的价值最大化成为了每家银行
面临的问题。在该项目中，项目组结合银行的内部数据（包括现有的网点分布和业绩状况等）和外部数据（如各个地区的人口数量、人口结构、收入水平等），对
350多个区域进行了评估，并按照主要产品系列为每个区域制定市场份额预测。项目组还通过对市场份额的驱动因素进行模拟，得出在现有网点数量不变的情况下
该行网点的理想布局图。该行根据项目组的建议对网点布局进行了调整，并取得了良好的成效。这个案例可以为许多银行带来启示：首先，银行十分清楚自身的网点
布局，有关网点的经营业绩和地址的信息全量存在于银行的数据库中。其次，有关一个地区的人口数量、人口结构、收入水平等数据都是可以公开获取的数据。通过
应用大数据技术来把这两组数据结合在一起，就可以帮助银行实现网点布局的优化。BCG基于大数据技术而研发的Network
Max正是用来解决类似问题的工具。
银行业应用举例4：创新商业模式，用大数据拓展中间收入。过去，坐拥海量数据的银行考虑的是如何使用数据来服务其核心业务。而如今，很多银行已经走得更
远。他们开始考虑如何把数据直接变成新产品并用来实现商业模式，进而直接创造收入。例如，澳大利亚一家大型银行通过分析支付数据来了解其零售客户的“消费
路径”，即客户进行日常消费时的典型顺序，包括客户的购物地点、购买内容和购物顺序，并对其中的关联进行分析。该银行将这些分析结果销售给公司客户（比如
零售业客户），帮助客户更准确地判断合适的产品广告投放地点以及适合在该地点进行推广的产品。这些公司客户过去往往需要花费大量金钱向市场调研公司购买此
类数据，但如今他们可以花少得多的钱向自己的银行购买这些分析结果，而且银行所提供的此类数据也要可靠得多。银行通过这种方式获得了传统业务之外的收入。
更重要的是，银行通过这样的创新为客户提供了增值服务，从而大大增强了客户粘性。
B. 大数据和人工智能在互联网金融领域有哪些应用
大数据从四个方面改变了金融机构传统的数据运作方式，从而实现了巨大的商业价值。这四个方面（“四个C”）包括：数据质量的兼容性（Compatibility）、数据运用的关联性（Connectedness）、数据分析的成本（Cost）以及数据价值的转化（Capitalization）。
大数据在金融业的应用场景正在逐步拓展。在海外，大数据已经在金融行业的风险控制、运营管理、销售支持和商业模式创新等领域得到了全面尝试。在国内，金融机构对大数据的应用还基本处于起步阶段。数据整合和部门协调等关键环节的挑战仍是阻碍金融机构将数据转化为价值的主要瓶颈。
数据技术与数据经济的发展是持续实现大数据价值的支撑。深度应用正在将传统IT从“后端”不断推向“前台”，而存量架构与创新模块的有效整合是传统金融机构在技术层面所面临的主要挑战。此外，数据生态的发展演进有其显著的社会特征。作为其中的一员，金融机构在促进数据经济的发展上任重道远。
无论是在金融企业还是非金融企业中，数据应用及业务创新的生命周期都包含五个阶段：业务定义需求；IT部门获取并整合数据；数据科学家构建并完善算法与模型；IT发布新洞察；业务应用并衡量洞察的实际成效。
在今天的大数据环境下，生命周期仍维持原样，而唯一变化的是“数据科学家”在生命周期中所扮演的角色。大数据将允许其运用各种新的算法与技术手段，帮助IT不断挖掘新的关联洞察，更好地满足业务需求。
C. 如何将数据挖掘技术应用与互联网金融
互联网金融，目前需要算法的是主要是风控模型。能查到的有IPC、FICO、WeCash之类的。
当然你可以版自己拿一些权模型比如”逻辑回归“来实现对用户打分卡及细分，计算贷款利率、期限、额度。数据挖掘嘛，首先是要定位一个商业问题，然后再评估该问题在进度、资源、数据等各个约束下的可行性，往往还是分析思路是关键。数据挖掘和互联网金融相结合需要软件作为桥梁，目前好一些的软件公司有高达软件，百会，用友，金蝶等
首先你要选择一个安全的互联网金融平台投资理财，判断一个互联网金融平台是否安全，可以看看如下几点：
是否采用了第三方的资金托管
如果没有采用资金托管，那么投资人的资金则有可能进入一个平台固定资金账户，如此便形成了资金池，而资金池中的资金平台本身则是可以随意挪用，因为风险极高，13年底就有多家P2P平台私自挪用资金池的资金卷款跑路。另外一旦形成资金池，本身就存在非法吸储的法律风险。
采用资金托管后，投资人所有的资金平台无法接触，因为投资充值等等资金交易都需要资金托管平台的交易密码，如此不仅保证投资热资金安全，也杜绝了资金池的形成，法律风险和道德风险大大降低。
2.平台是否为抵押型项目
因为国内的信用体系不完备，所以一般信用借款标的风险极高。所以有足额抵押的项目平台相对风险更低，而有抵押的项目通常是个人住房以及车辆抵押最佳，此类抵押物最为保质且流通性强变现快借款金额小，万一出现逾期不会对P2P平台造成太大影响，极大降低个人投资风险。
3.一定要注重平台项目的真实性
部分跑路平台或者骗子平台发布的项目多为虚假标的。而所谓的信用借款项目则风险更大。个人房产以及车辆抵押类的项目要注意是否房屋它项权证以及车辆抵押登记。还有就是抵押资产的实地评估照片，以及借款合同、借款人基本信息等等。
4.不可盲目相信部分平台的风险投资
现在整个互联网动辄一个创业公司就号称拿到XX万风投多有夸大不实，P2P平台多部分所谓的风险投资亦是多有夸大或不实成分，风险投资在P2P领域已经沦为平台背书工具。
5.不可盲目追寻高收益
国家法律明确规定民间借贷利率不可超过银行同期利率的4倍即（24%），超过此利率不受法律保护，目前P2P平台的平均收益在16%左右。
7.切记勿投天标秒标
此类标的多为骗子所为，之前多家上午开业下午跑路的平台就是通过天标秒标吸引投资人卷款跑路。8.警惕远离自融性质平台
平台自融基本特征表现为资金为自己使用，这种形式无疑是拆东墙补西墙，资金漏洞会越来越大，一段出现集中赎回的情况必然资金链断裂，后果就是平台垮台投资人本息全无。
你可以研究下天雄投资，这家平台是当前国内为数不多的在以上几点做的不错的平台之一。
E. 互联网金融和互联网保险有哪些创新应用
互联网金融是传统金融行业与互联网精神相结合的新兴领域。互联网金融与传统金融的区别不仅仅在于金融业务所采用的媒介不同，更重要的在于金融参与者深谙互联网“开放、平等、协作、分享”的精髓，通过互联网、移动互联网等工具，使得传统金融业务具备透明度更强、参与度更高、协作性更好、中间成本更低、操作上更便捷等一系列特征。理论上任何涉及到了广义金融的互联网应用，都应该是互联网金融，包括但是不限于为第三方支付、在线理财产品的销售、信用评价审核、金融中介、金融电子商务众筹创富通宝等模式。不是互联网和金融业的简单结合，而是在实现安全、移动等网络技术水平上，被用户熟悉接受后，自然而然为适应新需求而产生的新模式及新业务。
F. 怎样判别互联网金融应用的好坏
作为投资人来说，最应该注意的
1、是否保障本金，如何保障？（如果有担保版机构参权与，则提供担保方的真实营业信息，并且须具备担保资格证）
2、注册资本（很多人都说这个看不看无所谓，但试想一个注册资本只有10万的公司开启的应用，值得信任吗）
3、仔细研读提供的 注册协议，责任协议等等之类的。（很多人都不看这些基本的东西，导致最后出问题了，找不到责任人）
树懒理财，也行。
G. 如何将互联网思维应用到银行的日常信贷业务中去
首先抄需要定义的是，什么是互联网思维？
信息的快速传递？产品与用户的互动？
银行的日常信贷业务是银行对公司或个人的业务
如果是信息的交互，可能是银行和公司通过互联网的特点实现高效沟通，尽可能迅速地形成业务匹配。
H. 如何利用互联网金融创新促进企业发展
好大的话题（不是课堂论文吧？）
问如何促进企业发展，主要应从互联网金融本身的特专点去把握。
总体而言，属互联网金融具有成本低，效率高，覆盖广，发展快，管理弱，风险大。理解各个特点，就不难把握其对企业发展促进的点了。具体方式可以按照上述特点展开。
进一步，如果想了解互联网金融前言理论，可以参考网页链接。
goodluck。
I. 区块链技术如何应用于互联网金融公司
区块链是一种分布式点对点结构，具有去中心化、公开透明、安全程度高、可回追溯性强答等优势，是彻底解决信任、效率、贸易等问题的有效技术。所以，区块链技术最有可能现在金融领域掀起变革，如交易所清算、跨境支付、银行间清算等。同时，区块链技术还能够帮助解决实体经济的很多协同问题，如物流、供应链等。譬如，对保险企业来说，区块链能够防止保险欺诈，还破解了“定性管理难题”，而且智能合约的推动，有助于提升用户体验。
不过，目前仍处于实验阶段，但资本已经快速跟进布局。据前瞻产业研究院发布的《中国区块链行业商业模式创新与投资机会深度分析报告》数据显示，2012-2015年间，区块链领域的风险投资额增长超过200倍，从200万美元增至4.69亿美元，全球约有205家风投机构参与投资。
不过，虽然区块链发展热度不减，但距离大规模应用还相差甚远，至少面临着技术、应用、安全性等多个层面的问题。更重要的是，政府监管没有跟进，相关企业不得不考虑政策风险。
J. 征信在互联网金融中有哪些新的应用模式
征信是指按一定规则合法采集企业、个人的信用信息，加工整理形成企业、个人的信用报告等征信产品，有偿提供给经济活动中的贷款方、赊销方、招标方、出租方、保险方等有合法需求的信息使用者，为其了解交易对方的信用状况提供便利。
征信分为个人征信和企业征信。
2013年3月15施行《征信业管理条例》中规定：任何经营个人征信业务和企业征信业务的机构都需经得国务院征信业监督管理部门批准，取得经营许可证在人行备案。否则一律不得开展征信业务。
但是目前牌照还没下发到机构，所以市场上还没有一家真正可以做个人征信的机构，但是在市场上已经有个人征信的业务在开展，不过不是叫信用报告人家叫信用分值，其实都是个人征信雏形。
征信业近两年也迅速发展，征信市场发展逐渐分化，依托大数据征信机构侧重点也不同，但是基本宗旨是服务经济，目前各个征信机构相互竞争都有自己的优势，面向社会经济在广阔的市场中想要占有一席之地就需要术业有专攻。
目前征信机构大概偏向就是建档型征信，评级性征信，融资性征信。
社会信用体系的建设是为了规范市场，那么征信服务的就是经济实体。
题主问到征信在互联网金融中有哪些应用，有哪些新的业务模式。
现在言归正传。
因为目前的征信市场还在初步发展阶段，市场对征信的认知度普遍不高，所以要开展征信业务也是有挑战的，那么前期肯定是培育市场的一个过程。
征信是支持互联网金融发展的一个重要基础，还是要回归其属性。
所以征信机构肯定要开展一些新的业务模式，让市场自己去发展倒逼政府下发推动征信业发展的政策文件。
央行下放权力给机构做征信除了简化自己的业务让征信机构能提供更加专业化的服务给实体经济外，也是希望整合市场资源最后达到信息共享。
目前很多空壳子的征信机构，他们构思了一个美好的蓝图，想让小贷公司、P2P等一些民间借贷机构上传自己的数据，但是目前没有一家强大的征信机构能妥谈让他们接入都自己的系统，给自己的数据库上传数据。据我所知现在金融办逐步让一些小贷公司对接到央行的征信系统，如果是这样，那么征信机构想整合更多的信息资源就更难了，优势也不明显了。
所以征信机构更是要开展一些新的业务模式，比如融资，P2P信用认证，金融超市，主体担保型征信业务。