中小企業為台灣的經濟發展主力，然而中小企業常因缺乏足夠的擔保品、保證人不易尋覓、會計制度不全等等狀況，而未能在傳統銀行所制定的貸款制度下，取得足夠的融資金額來促成其發展。然而，隨著數位科技時代，網路高度普及、創新應用蓬勃發展下，造就了金融業的貸款服務轉型，我們也將此種基於網路技術的金融業務稱之為「互聯網金融（Internet finance，網路金融）」。
我們發現國外已有數個大數據的徵信公司開發網路貸款技術，運用大數據（Big Data）的雲端計算技術，降低內部審核成本且省去繁瑣的借貸程序，並利用這項技術的開發，解決了目前中小企業難以獲得所需資金的窘境。為了能使本國銀行亦能順應時代潮流，提升服務的品質，並解決目前台灣中小企業融資需求的缺口，本研究將透過質性研究的方式，選定臺灣在數位金融領域開拓較早的個案銀行進行訪談，首先設計訪談問卷，並與個案銀行的資深工作人員深度探討目前實體運作的個案銀行，是否有能使互聯網與銀行間相互融合的可能性，並在最後針對大數據徵信技術導入實體銀行後，可能會面臨的問題一一詳加探討。
臺灣在發展大數據徵信的步調晚於美國、英國、中國等國家，且不像其他大數據徵信發展多年的國家，有較大的互聯網公司驅動網路銀行的發展，但經訪談後我們發現，個案銀行因與中國的互聯網金融公司合作，實際上能擴大其資料庫，且運用其第三方支付的功能，能廣闊蒐集用戶在電商平台上的交易紀錄，並將其納入演算法模型中考量，得到更符合企業需求的評分分數。然而目前這項服務的服務對象仍以個人為主，針對企業的網路貸款服務仍在建置當中，但大數據徵信對我國中小企業的扶植和發展，確實是有利的，而未來這項貸款服務為台灣的經濟所帶來的成長也是指日可待。

Due to the development of information technologies, moblile network services and application of big data, lending industry had changed extremely. In the past decade, online Peer-to-Peer(P2P) lending plateforms have transformed the lending industry, which has been historically dominated by commercail banks. Information technology breakthroughs such as big data-based financial technologies(Fintech) and Internet Finance have been identified as an important disruptive driving forces for this paradigm shift.
There is also a new way called non-traditional onlin credit-scoring which made a significant impact on traditional credit system. Although banking industry has provided online loan application service, most financial institutions still evaluate applicants’ creditability and predict the probability of default by using official financial data and non-dynamic transaction information provided by applicants. However, in the Internet financial market, the transactions are conducted online and could have huge changes within minutes, even seconds. The informationa used in traitional credit risk management cannot be updated in real time. Therefore, a new method of analyzing creditability in Internet finance is urgently desired.
In this paper, we identified the differences between traditional and non-traditional credit scoring and considered that if it is possible for a traditional bank in Taiwan to applied non-tradtional credit scoring to make the company gain more profit,and let Small and Medium-sized Enterprises(SMEs) to have a more chance to have adequate access to affordable and transparent credit via bank.

一、中文部分
1.丁正中、李彥錚（2013），2013年美國FICO巨量資料分析研討會考察紀要，金融聯合徵信23期，頁41-42
2.丁冠齊（2015），巨量資料與個人資料保護法之研究，世新大學法律學研究所碩博士論文。
3.李小曉（2012），銀行挑戰者：阿里小貸，45頁。
4.李基賢（2011），中小企業信用評等模型之評估—財務比率與專家經驗，中興大學財務金融研究所碩博士論文，頁1-23。
5.唐方方（2015），中國互聯網個人徵信機構差異分析與合作模式，清華金融論壇第22期，頁93－98。
6.翁書婷（2015），金融大未來：FinTech完全解析，巨思出版社。
7.張麗娟（2012），環境風險評估與授信模式應用，中華管理評論國際學報第十五卷二期，頁1-23。
8.陳鼎文（2015），決勝數位金融新時代，頁75－77，豪隆製版印刷有限公司。
9.陳松興、江俊豪（2016），中國大陸互聯網金融之網路借貸發展對台灣數位金融之影響研究－以風險監理角度，兩岸金融季刊第四卷一期，頁103-115。
10.劉新海（2015），傳統個人徵信機構的大數據徵信－以環聯為例（下），清華金融論壇第23期，頁97－100。
11.鄭景鴻（2011），利用隨機早期檢測機制在非結構化的P2P網路中改善負載平衡問題，輔仁大學資訊工程研究所碩士學位論文。
12.鄭飛、高翔、倪經緯（2015），我國P2P網路借貸平台監管機制研究，清華金融論壇第23期，頁93-96。
13.謝平、鄒傅偉、瀏海二（2015），互聯網金融，頁186－195。
14.謝文瑋(2013)，突破傳統框架，巨量資料點燃微型信貸之火，臺灣經濟研究月刊第39卷五期，頁46-51。
二、英文部分
1.Jiaqi Yan, Wayne Yu and J. Leon Zhao（2015）,How signaling and search costs affect information asymmetry in P2P lending: the economics of big data, Financial Innovation, 1,19. ido：10.1186/s40854-015-0018-1
2.Viktor Mayer-Schoberger and Kenneth Cukier（2013）, Big Data — A Revolution That Will Transform How We Live Work, and Think, Houghton Mifflin Hatcourt.
3.Ying Wang, Siming Li, and Zhangxi Lin（2013）,Revealing key non- financial factors for online credit-scoring in e-financing, International Conference on Service Systems and Service Management （ICSSSM）,10,547-552.
三、網路資料
1.財務數據創新平台
http://findit.org.tw/tier
2.台灣資料經濟發展成熟度評估http://www.bnext.com.tw/article/view/id/34692
3.產業觀測－用大數據分析 提高銀行業獲利
http://www.chinatimes.com/newspapers/20140704000324-260207
4.銀行融資審核重要原則5P
https://friap.moeasmea.gov.tw/knowledge_detail.php?gid=2&nid=108
5.大數據徵信將重塑互聯網信用
http://news.sina.com.tw/article/20151029/15445249.html
6.ZestFinance Moves Into Near-Prime Lending With New Basix Loan
http://www.forbes.com/sites/laurashin/2015/07/15/zestfinance-moves-into-near-prime-lending-with-new-basix-loan/#85ab501783b0
7.Philipp Kallerhoff（2013）,Big Data and Credti Unions: Machine Learning in Member Trasactions.
https://filene.org/assets/pdf-reports/301_Kallerhoff_Machine_Learning.pdf