【案例】金融行业如何挖掘有效用户信息？

【导读】随着互联网金融的兴起，传统金融企业与互联网企业竞合加剧，越来越多的传统银行通过整合大数据资源，加强数据挖掘，提升数据分析效率。助力业务转型、创新和发展，提高精细化营销、管理和决策水平，这里大数据扮演着非常重要的角色。

案例一：广发银行信用卡
其实广发银行很早就认识到，大数据挖掘分析在客户维护、营销推广、风险管理等领域的核心价值和战略意义。由于各业务部门业务发展需求差异，从2002年起，信用卡、零售、风险管理、小企业金融等部门先后各自建立了数据挖掘分析系统，带来了重复部署投入、资源使用不均、系统扩展性不强、数据共享性差等问题。随着各业务条线的需求日益清晰、对数据挖掘资源需求趋于共性，考虑到集中管理、数据等资源共享、平台扩展、信息安全等诸多因素，急需对全行数据挖掘分析资源进行整合并统筹分配使用，以节约资源投入、提升数据挖掘分析效率，实现数据共享、灵活扩展。

大数据平台部署

全行统一数据挖掘分析平台利用SAS网格技术的资源集中管理、负载均衡、架构灵活和高可用性等特点，规范管理数据分析，实现了全行数据分析资源的集中优化管理、数据的有效治理及共享，提高数据分析处理效率，合理控制了全行数据分析挖掘工具及系统资源的重复投入，不仅很好地满足全行各业务条线的数据分析需求，还可针对未来爆发增长的数据服务需求进行后续补充。

广发银行全行统一数据挖掘分析平台技术架构如图所示。

数据挖掘分析平台技术特点

(1)集中管理

平台实现了广发银行数据分析资源的集中管理和分配，包括分析平台的数据安全集中管理，用户访问权限集中管理，资源分配集中管理，任务调度集中管理等，支持全行的数据分析应用按作业、队列、主机和用户进行管理，进行不同作业的优先级设定，基于事先制定的规则排队作业，更好地利用计算资源，支持自动识别、分配、管理和优化计算资源和程序流，用户和应用程序可以利用所有的计算资源，进行更大型、更复杂的数据挖掘分析。

(2)负载均衡

平台实现了分析平台资源的动态优化管理，通过负载均衡管理技术，实现了数据分析多任务的均衡处理，缩短了业务分析总体处理时间，降低了单节点主机资源的消耗，满足了业务分析峰值的负载要求，提升了分析平台的处理性能。平台可以自动为应用程序生成多线程和分布式处理，在多个计算资源上运行，从而加速应用程序的运行效率，更有效地利用计算资源。

(3)高可用

平台提供高可用性手段来支持关键的应用服务，使用网格节点作为容灾热备节点，进行无中断的运行维护。自动检测网格中的软硬件故障并及时恢复，确保运行作业能够及时完成。借助于网格计算架构的作业检查点、重启特性，实现成功检查点自动重启作业。

(4)灵活扩展

平台的技术架构支持计算资源的动态扩展，可灵活地逐步添加硬件资源，以应对不断增加的用户数量和业务需求。允许网格环境中的服务器脱机而不中断业务，从而方便地进行硬件服务器的维护。专业分析工具的配置充分考虑了全行各业务发展目前及未来的数据分析需求，通过灵活的分析产品配置，运用许可分阶段更新激活的方式，实现了分析平台在数据分析、数据挖掘功能方面的灵活扩展。

案例二：某城市农商行-商业智能平台建设

“数据分散、口径不统一”是该银行在数据化运营面临的主要问题。通过搭建大数据信息报表，构建了包含报表，分析，数据挖掘和业务监控的数据中心应用，以领导决策分析为向导，通过系统进行展现，为经营管理提供数据支撑。

从技术上来讲，金融机构在大数据利用上存在两个重要节点：一，是底层基础数据的处理，包括整合、清洗以及数据统一平台的建设，这一点需要结合业务、战略去分析规划设计。二是挖掘数据背后隐藏的规律、相关关系等。

总结

综合以上的分析和案例，银行、金融机构对于“大数据”的驾驭要从眼下痛点着手，底层基础数据方面要对数据质量，标准规范和约束性提出要求。数据分析、运营化管理结合业务需求，制定规范流程，可视化前端展现流程分析。领导层可通过BI等项目对重要指标实施监控及实时的分析。

大数据是重塑金融竞争格局的重要支撑，为金融企业带来创新动能，善于高效运用大数据的金融机构，将在未来的竞争中脱颖而出，大数据的应用水平也将成为金融企业打造差异化竞争优势的重要支柱。但机遇与挑战并存，面对大数据挑战，传统IT架构亟待转型。目前广发银行统一数据挖掘分析平台已经具备了一定的数据处理能力，但要面对未来爆炸式的数据量增长，还需进一步优化，可利用分布式存储技术，使用集群应用、网络技术，分布式文件系统等功能，将网络中各种不同类型的存储设备集合起来协同工作，共同对外提供数据存储及业务访问功能，在提升系统I/O读写性能、数据高可用性和管理复杂性的同时，有效降低存储成本。

挖掘更过金融行业数据，请前往云途数据市场：http://mall.37degree.com/