金融大数据的四步走战略 安全性是关键

2014年将是大数据的回归之年。之前让人感觉无所不能的大数据，将真正面对实施阶段的考验。今天，51CTO将与张子良老师共同探讨传统行业大数据中的金融大数据。

金融大数据的四步走

金融大数据，目前有四个阶段。第一阶段是基于数据存储;第二阶段是分布式计算;第三阶段是大数据挖掘与分析;第四阶段是数据服务。对于商业银行，包括工商、建设、农业、交通和中行这国有五大行来说，都处于第一阶段。其中，建行处于平台选型阶段。农业银行已经完成数据存储方面的工作，但还未上线。而张子良老师负责的光大银行项目，在2013年10月上线，是国内第一家真正意义上将金融大数据应用到银行核心业务系统的案例。

银行的大数据处理

银行等金融机构，对大数据的处理需求有其特殊性。第一个就是结构化数据存储，第二个是数据挖掘。下面我们将逐一为您解开。

结构化数据存储，商业银行有实时查询数据库，用来处理历史金融数据。受限于传统ROE(Oracel、DB2、Sybase等)数据库的单表数据量瓶颈。银行数据超过一定上限就会影响查询效率。解决瓶颈的方法只能通过提高成本，大量购买高性能硬件和应用软件来解决。虽然银行IT部门预算丰富，但也还是需要平衡性能与成本的关系。

另一方面，银行需要在现有的数据上进行增值挖掘。如果依靠传统VR，对成本的影响巨大。采用大数据技术、采用分布式集成框架、采用开源框架，一方面满足了成本依赖，另外一方面运算性能方面有所提升。

在业务数据模型方面，商业银行分为两个层面。第一个层面就是面向业务层面，我需要选择哪些参数来构成我参与预算的数据模型。这是业务层面上面，这一部分是与以前的模型一致。

另外一部分就是针对数据模型还有什么样的计算方式，需要哪些数据的输入，这方面发生了变化。因为你传统离岸模式是单机的，运算性能始终都是它无法突破的东西。所以说它对数据处理的时候，往往是基于销量数据的，基于出让数据做小批量的数据尝试，然后得出一些规律性的东西，然后再反向推导到其它数据，这是传统的模式。在这个环境里面有了一种突破，就是我可以去全量数据，构建数据模型的参考体系，这个数据量更大。另外一块性能更高一些，比单机模式要快。

微信扫一扫实时了解行业动态

微信扫一扫分享本文给好友