對消費者和企業領導人來說，大規模收集和銷售個人數據是一個日益敏感的話題。人工智能和機器學習等有前途的技術依賴於收集大量數據。但隨著人們看到自己的數據被一些科技公司濫用，業內所有人都在努力尋找合理數據收集和侵犯隱私之間的界限。

這條分界線的位置取決於所面臨的風險。一項新的研究表明，只要數據得到很好的利用，人們分享數據時就會感到非常自在，尤其是在貸款領域。最近ZestFinance調查發現，美國成年人中有一個共識——71%的受訪者表示，如果貸款的決定更加公平，他們願意與貸款人分享更多的個人數據。

報告稱，美國聯邦消費者金融保護局(Consumer Financial Protection Bureau)認為，約有2600萬美國人是“信用隱形人”，因為他們沒有在這三個信用機構之一的記錄。另有1900萬人的檔案資料不足，無法被貸款系統判定為合格。還有數百萬人的信用檔案在某個階段出現了重大錯誤。這些人面臨著更高的拒簽率，更高的貸款費用，劣質的金融產品——儘管他們中的許多人實際上可能擁有很高的信用。

大多數受訪者還認為，當前的信貸體係不公平。超過80%的非洲裔和西班牙裔美國人，以及70%的成年人都表示，他們希望有更好的方式向放款機構證明自己。

一般來說，人們在申請信用卡、汽車貸款、抵押貸款或任何一種產品時，都會用他們的信用評分來判斷。隨著國家人口激增、城市越來越多，信用評分開始成為一種更容易開展業務的方式，也就意味著放款機構的工作人員不太可能知道所有顧客的名字。後來，用戶的數據資料都合併到了區域信用局，而隨著時間的推移，這些地區信用局已合併為三個全國性的個人徵信機構：Experian、Equifax和TransUnion。他們基本都採用了Fair Isaac Corp.的方法，也就是FICO評分系統。FICO成立於1956年，這個評分體系已經成為美國個人信用統一量化標準的重要參考，目前美國大部分信用機構都採用該評分系統來量化個人信用質量和風險。

美國的徵信機構們確實在規範徵信體系、減少借款人遭受的主觀偏見方面取得過巨大進展，但如今這個傳統的信用評分開始顯現出一定的局限性了。

傳統的評分模型只考慮與信用行為直接相關的項目——也就是說，你使用了多少信用額度，或者你在過去6個月裡是否有逾期付款。具體來看，評分模型主要由償還歷史（35%）、信用賬戶數（30%）、信用年限（15%）、新增賬戶（10%）和已用信用產品（10%）組成。

1. 償還歷史包括各種信用賬戶的還款記錄、公開記錄及支票存款記錄、逾期償還的具體情況等。
2. 信用賬戶數包括仍需償還的賬戶數量、賬戶餘額、信用額度使用率、賬戶償還率，主要是用於分析對於一個客戶，究竟多少個信用賬戶是足夠多的，從而能夠準確反應出客戶的還款能力。
3. 信用年限主要指信用賬戶的賬齡，既考慮最早開立的賬戶的賬齡，也包括新開立的信用賬戶的賬齡，以及平均信用賬戶賬齡。
4. 新增賬戶數包括新開立的信用賬戶數量和時長，用戶被查詢信用頻率、新增賬戶還款情況等。
5. 已用信用產品包括所持有的信用賬戶類型和每種類型的信用賬戶數。
6. 信用分數範圍為300-850，分數越高，代表用戶信用風險越小。

而至於你的工作經歷、你在家鄉如何，以及成千上萬的其他未被發掘的信息，評分系統都不會考慮進去。難怪70%的受訪者表示，很難讓金融機構把他們看成一個介於300至850之間的數字。

超過60%的X世代和千禧一代在調查報告中稱，目前的評分系統會讓他們失敗。有三分之一的租房者表示，信用評分阻礙了他們買房，而大多數獲得貸款的人表示，他們不知道自己為什麼會得到利率。更糟糕的是，幾乎20%的美國人沒有銀行賬戶，或者根本沒有信用記錄。

有證據表明，沒有信用記錄的人也可以是個好客戶。在加利福尼亞州，一個為無銀行賬戶的居民提供服務的非營利性機構，在2017年發放了180萬美元發薪日貸款，但只有9900美元的壞賬，違約率遠低於1%。

有研究指出，為了讓更多的人進入銀行系統，銀行需要接受其他傳統信用評分以外的數據，它可以包括及時的公用事業支出，有拖欠工作的歷史，甚至包括多年前你成功還清的巨額債務（在傳統信用評分模型界定的期限之外）。將這些新增的數據納入信用評分決策，可以更細緻地反映借款人的風險狀況，幫助銀行在信用譜系中進一步發現有價值的借款人，並標出那些在賬面上看起來不錯的非優質借款人。