由於對特定人員、行業、商圈等垂直目標的深耕，更容易建立相應的風險點和風險控制策略。
例如:
大學生消費貸款主要是針對大學生的特點。
農機行業融資擔保。
批發市場商圈信用。
2.基於自有平臺身份數據、歷史交易數據、支付數據、信用數據、行為數據、黑名單/白名單等數據進行風險控制。
身份數據:實名認證信息(姓名、身份證號、手機號、銀行卡、公司、職務)、行業、家庭住址、公司地址、關系圈等。
交易數據/支付數據:比如B2C/B2B/C2C電子商務平臺的交易數據，P2P平臺的貸款和投資的交易數據等。
信用數據:比如P2P平臺的借款、還款行為積累的信用數據，電商平臺根據交易行為形成的信用數據和信用評分(JD.COM白條、支付寶花唄)，SNS平臺的信用數據。
行為數據:比如電商購買行為、互動行為、實名認證行為(比如類似新浪微博公司認證、好友認證)、修改信息(比如修改家庭、公司地址、通過換頻確認工作穩定性)。
黑名單/白名單:信用卡黑名單、賬戶白名單等。
3.基於第三方平臺服務和數據做好風險控制。
互聯網征信平臺(非PBOC征信)、行業聯盟* * *享受數據的FICO服務(如小貸聯盟、P2P聯盟)。
零售決策(紅色)，Maxmind服務
IP地址庫、代理服務器、盜/偽卡數據庫、惡意地址庫等。
輿情監測和趨勢，口碑服務。如宏觀政策、行業趨勢、個案分析等。
4.基於傳統行業數據做風險控制。
人民銀行征信、工商、稅務、房管、法院、公安、金融機構、車管所、電信、公用事業(水電、煤炭)等傳統行業的數據。
5.離線現場盡職調查數據
包括自建風控團隊做線下盡職調查模式和與小貸公司、典當公司、第三方信用管理公司等傳統線下企業合作做風控的模式。
雖然看似與大數據無關，但線下風控數據也是大數據風控的重要數據源和手段。