مؤسسات مالی از امتیازدهی اعتباری برای ارزیابی خطر بالقوهٔ نکول وام‌گیرندگان استفاده می‌کنند. در سال‌‌های اخیر، بسیاری از وام‌دهندگان به پتانسیل خوب وام‌گیرندگان کم‌سابقه یا فاقد سابقهٔ مالی کافی پی برده و به‌دنبال استفاده از انواع داده‌‌های جایگزین به‌منظور جبران کمبود داده‌‌های سابقهٔ اعتباری برای محاسبهٔ احتمال نکول و امتیاز اعتباری‌اند. این تحقیق به‌دنبال بررسی اثر متغیر‌ها و داده‌های مرتبط با شبکهٔ اجتماعی افراد بر امتیاز اعتباری آن‌هاست. این کار با یافتن اطلاعات معنی‌دار در مورد داده‌‌های اجتماعی افراد انجام می‌شود تا چگونگی اثر چنین داده‌هایی در امتیاز اعتباری آن‌ها اندازه‌گیری شود. فرضیهٔ اساسی این تحقیق این است که افراد با امتیاز اعتباری بالا با افرادی مشابه و هم‌سنخ با خود ارتباط اجتماعی دارند. در این تحقیق، مجموعه داده‌ای بالغ بر ۳۰۰ هزار از وام‌هایی که توسط یک بانک ایرانی به افراد حقیقی پرداخت شده است، برای تأیید و توضیح اثر متغیرهای شبکهٔ اجتماعی در امتیاز اعتباری مورداستفاده قرار گرفته است. بررسی‌های انجام‌شده با استفاده از روش رگرسیون لجستیک نشان می‌دهد که از نظر آماری، متغیر‌‌های اجتماعی افراد قابلیت پیش‌بینی احتمال نکول وام آن‌ها را دارد. نتایج الگوریتم‌‌های یادگیری ماشین نیز نشان می‌دهد که اطلاعات شبکهٔ اجتماعی می‌تواند عملکرد پیش‌بینی نکول وام را به‌طور قابل‌توجهی بهبود بخشد.