Las instituciones financieras utilizan la puntuación de crédito para evaluar los riesgos de incumplimiento de préstamos potenciales. Sin embargo, la información crediticia insuficiente limita la capacidad de la plataforma de préstamos entre pares (P2P) para construir una puntuación de crédito efectiva. En los últimos años, se han utilizado muchos tipos de datos para la puntuación de crédito para compensar la falta de datos de historial crediticio. La cuestión de si la información de redes sociales puede utilizarse para fortalecer el poder predictivo de las instituciones financieras ha recibido mucha atención en la industria y la academia. El objetivo de este estudio es probar la fiabilidad de la información de redes sociales en la predicción del incumplimiento de préstamos. Extraemos la información de redes sociales de los prestatarios de los teléfonos móviles y luego utilizamos regresión logística para probar la relación entre la información de redes sociales y el incumplimiento de préstamos. Se construyeron tres algoritmos de aprendizaje automático: random forest, AdaBoost y LightGBM, para demostrar el rendimiento predictivo de la información de redes sociales. Los resultados de la regresión logística muestran que hay una correlación estadísticamente significativa entre la información de redes sociales y el incumplimiento de préstamos. Los resultados de los algoritmos de aprendizaje automático muestran que la información de redes sociales puede mejorar significativamente el rendimiento de la predicción del incumplimiento de préstamos. Los resultados del experimento sugieren que la información de redes sociales es valiosa para la puntuación de crédito.