事实上，数据分析大体有两种模型，一种是基于假设的模型，比如说我们要关注那些高价值的数据，关注相关领域的数据，关注那些能够提升效率的数据。
FICO在数据流特征分析领域不断推动创新，尤其是在欺诈防范这一领域。 其反欺诈解决方案模型依靠交易特征，概括了数据在交易过程中的特征，以便计算相关的欺诈特点的变量，而不依赖由此生成的既有数据。
另一种模型就是一种非基于假设的模型。因为，由大数据带来的变化是分析时必须减少对于固有数据的依赖，分析模型将能够根据数据流中的动态数据自我调整。为了应对不断增加的数据流中的动态数据，就需要集中研发自我学习的技术，包括自适应分析和自我矫正分析技术。Lansing相信，这些关键技术将弥补传统方式的不足，甚至将可能在某些领域取代传统的模式。
据悉，现在就已经有一些新兴银行在利用FICO的这种自学习分析方式进行小额贷款。这些贷款并不按照传统的贷款审批模式，而是针对次贷或一些特定的人群随机发放小额贷款。由于采用系统学习的模型方法，小额贷款出现坏账后，相关信息将自动输入系统，以供系统学习，然后再发放更多的贷款，并不断重复进行这个自我学习的过程。
这一做法只是在一个很窄的人群范围内采用，事实上很多大型银行接受这种方式也需要相当长的时间。但是不可否认，这种小额贷款方式可以逐渐补充原有的信贷方式，更好地为客户提供服务。
个性与共性
数据分析和预测的技术有没有可延展性，即能不能从银行业拓展到其他领域呢?实际上FICO对于客户行为的了解，不仅仅局限于银行业，还包括保险业和零售业，这是因为客户行为从数据分析角度看具有共性。
Lansing表示：“比如，在保险行业当中的欺诈行为和银行当中的信用卡欺诈的行为是非常相似的。在营销解决方案方面，很多零售业的用户行为和银行业的用户行为也是非常相似的。同样我们在金融行业的客户管理经验，也可以应用到零售行业。”
FICO擅长于分析一些复杂、困难的问题，而公司声誉也正是基于在金融行业里的优秀表现所建立起来的。因此，FICO除了开展信用评价为核心的业务之外，还开展了应用软件业务，帮助全球金融机构提供诸如巴塞尔合规咨询、账户管理系统、反欺诈系统、催收与资产保全系统、信用评分模型和技术等多方面的产品和服务，为非金融机构提供基于数据分析的市场营销解决方案等，并扩展到利用分析工具帮助客户解决任何分析业务方面。
比如在大数据方面，可以基于零售分析提出营销解决方案。如今，零售市场被细分为很多区域化市场，逐渐走向精细化，某一企业可能会专门针对某一个具体的市场，针对某一特定人群发送电子邮件、短信甚至明信片，来进行个性化的营销活动。因此，整个零售市场的主要特点就是个性化和活动管理。
例如，一个客户每六个星期都会到某超市购买某种牌子的洗涤剂，这样这位客户下次再来的时候，就是超市为他提供洗涤剂营销和服务的最好时机。
Lansing认为，利用数据分析，实现一个单一的细分市场，应该是营销的未来发展趋势，而对于银行业来说，一对一的营销能力同样被看重。为此，今年5月FICO还收购了Entiera公司，更好地支持FICO为银行和零售行业客户提供一对一营销的解决方案。据悉，Entiera公司独特的客户对话管理解决方案可以帮助企业在SaaS环境中生成、监控和分析营销解决方案，还可以存储非结构化的数据，让营销方案和决策更便于操作。
