以人人贷为例，借款人模型基于数据挖掘。这些模型融合了行业经验，经验得以转换为数据规则。违约贷款人的相关性描述，好比是否是工薪，仍是学生；是否有车子和屋子，有效联系人，地域以及其他一些神秘兮兮被以为是行业秘密的指征。这些模型得以区分客户属性，并进一步的通过模型计算出用户的违约概率，供审核参考。模型在用户递交填写完资料的环节即进行相关的分析判定，对于特征用户给出预警信号。
与银行的大额贷款不同，这些网贷公司的模型并不那么关心借款人的盈利能力，取而代之的是借款人的不乱性和持续还款能力。人人贷的宏观的风险治理逻辑是控制借款人的单笔贷款规模，以及交易笔数更多——“量大，件均小。”
那些普通的工薪阶层，月收入为3000-4000元，无固定资产，从事小生意、网商与个体商户，那些偏小微或者比小微还要小的人群是主要的借款人。对于他们的审核则在于是否有不乱的工作、是否有可以追诉的联系人等。那些借款需求很大的客户则很轻易让人人贷敬而远之，他们的数据特征更难掌握，单笔坏账轻易造成一定的冲击，不轻易缓释个体风险。
模型看重的是一种不乱性。逻辑上来说，由于借款金额很小，只要有持续工作，就可以还款。对于借款人来说，恶意欠款的几率被降低，由于很少有人愿意为了3-5万元，而损失工作以及不乱的社交关系。
对于出资人来说，实际上他们应该关心的不是一个人的违约情况，而是100个人里有多少人违约，即关注违约率。
事实上，这是基于大数法则的一种风险治理理念。借款用户因为金额相对较小，在地域分布和借款用户的行业分布上又有很好的分散性，因此系统性风险相对较小，单笔贷款违约的冲击也几乎可以忽略不计。恰是宏观的分散小额治理理念配合跟着数据积累不断精确的风控模型使得人人贷这样的公司的违约率可以控制在一个长期相称低的水平。
大数法则的路径是——假如你投掷1次硬币，你很难猜测正反面。但你投掷10次，可能会有5，6次正反面，但概率上仍是没有显著特征。但当你投掷了100次，你则可以很肯定的说，获得正面的次数是47-55次，当你投掷了10000次，正面数字是4990-5010次。这是被反复验证过的。所以当交易规模达到更大的量时，均值会非常不乱。
对于出资人来说，由于借款人是每月等额本息的还款，这保证了假如资金泛起题目可以及早收到警示。假如泛起逾期，以人人贷为例，正常的流程是——在借款逾期30天后，人人贷风险备用金会垫付给出借用户本交易所有的未还本金，同时人人贷贷后部分会继承对该笔逾期借款进行催收催缴，将追回的资金重新放回风险备用金中。
模型让可以网贷公司在互联网的高速公路上运行得更为安全，这也是它们得以在半年内达到10亿交易量的秘密所在。
现在想赚钱，如果通过老的方式很难在同行业占有一席之地，通过变相思维的方式，绕过那道马其诺防线，也许，赚钱就近在咫尺了。
网购省20%-90%神器免费领！
