近年来,个人信用消费贷款在高速发展的同时,随着同业竞争的日益加剧和优质客户资源贷款需求的逐渐饱和,客户准入门槛不断降低,导致其不良贷款余额和不良率也随之直线上升,贷款违约风险不断暴露并有急速上升态势。因此迫切需要识别和提炼出对个人信用消费贷款的违约具有显著影响的各类因素并加以运用到实际风险控制中,促其走向良性发展轨道。本文从国外流行的FICO个人信用评分系统、传统商业银行的违约风险控制和新兴互联网金融企业的违约风险控制等三个角度对现有的个人信用消费贷款违约风险控制现状进行了分析,认为我国人行征信体系不完善,覆盖人群相对有限,致使金融机构无法有效复制国外流行的FICO个人信用评分模式,同时传统商业银行对个人信用消费贷款这一新兴业务品种仍大都沿用以往抵质押类个人贷款的违约风险评估模式,无法准确反映客户的潜在违约风险状况,而新兴互联网金融企业通过大数据和人工智能技术建立的信用评估体系也存在数据真实性和有效性等缺陷,实际应用效果还有待时间的检验。基于此,本文从理论分析角度,将个人信用消费贷款违约的影响因素分为客户特征因素和贷款特征因素等两方面,并通过大数据技术从传统商业银行的海量数据中提炼出客户贷款申请前持有的近半年日均金融资产和关联违约人数等新的特征因素,将其与历史贷款履约次数、月贷款频率和客户贷款申请时实际占用的授信比例等已有研究成果较少甚至尚未涉及的特征因素作为本文研究的重点。通过Logistic回归模型、Lasso-logistic回归模型和决策树模型比较后,最终选定预测效果较好的Logistic回归模型进行个人信用消费贷款违约影响因素的实证分析。模型准确预测的比率为81.34%,说明本文建立的预测模型效果较好,对各金融机构开展个人信用消费贷款违约风险控制具有较强的参考意义和指导价值,据此本文也提出了针对性的建议。