浦发银行卡中心大数据团队已经于2014年建设了Hadoop大数据平台，实现了批量计算的应用；2015年对平台进行升级，引入流式计算，并自主设计了事件式营销系统，内部代号“游隼”（Falcon）。该系统使用Storm和Kafka等大数据技术处理数据流，使用HBase和Redis等NoSql数据库技术进行数据存储和处理。
客户一旦进行交易，平台就会捕捉到交易事件并结合用户特征与平台预定义的活动进行对比计算，如果该客户的刷卡行为与特征能够满足活动规则，则通过短信、微信、APP等渠道推送预定义好的营销信息，进行实时营销。着眼于零售商业银行客户行为中的预测变化，可以使用一种“可伸缩的时间扫描算法”来检测高度多维的银行交易，从而检测客户消费行为中的一些变化。
前提是根据一系列标准，对相关数据进行分类，如：年龄段、性别、教育程度、家境，等等。而算法是，通过将个人客户的行为及其历史记录，与同类别群体的当前及历史行为作为比较，从而检测出行为中的时间变化点。该算法会考虑至少230种不同类型的变化点，他们是根据上文提及的多种分类标准和消费行为转变的多种时间尺度而得到的。
那些检测到的、不能用数据的随机波动来解释的变化，被认为是未来行为的可能，如单日信用卡消费热潮。可以使用机器学习来自动检测那些经实证检验后最有用的备选指标集。研究大数据的学者Artur Dubrawski曾撰文介绍了一个大数据模型，能够精确地提前三天预测某天的消费热潮。当然，与以往运用的数据挖掘技术不同，大数据需要更庞大的数据仓库、新兴技术来存储与支撑，这也是信用卡行业需要进一步去提高的。
当然，信用卡行业也很期待大数据的来临，利用新兴技术，结合丰富的数据，深入挖掘有效信息，通过细分客群，为客户提供更好的服务。信用评级傳统金融机构的征信信息来源主要是央行征信，但央行征信仅有3亿多人有信贷记录，信贷记录又主要来源于商业银行和农村信用社等金融机构。随着互联网不断渗入人们生活，互联网行为数据是央行征信的有效补充，可以不断强化征信数据的时效性、全面性和层次性，从无形中记录用户的行为，去伪存真，还原真实的客户，从而大大提升信息的利用率和有效性。
传统上，金融机构的授信审批决策主要依赖于信贷人员的主观经验和判断，缺乏统一的标准，不利于金融机构整体风险政策的执行。随着大数据时代的到来，银行可以通过移动互联网等渠道，取得越来越完善的贷款人信息：同时，强大的底层技术也可以完成复杂模型所带来的巨大计算量。这两点同时为信用评分模型注入了新活力，信用评分模型的进步带来的是银行坏账率的下降。
