大数据与金融：三言两语难以和盘道来

纷飞

2014年，从开年以来，就喜事频频，可以看出，2014年是不平凡的一年，就大数据而言，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。
而大数据与金融之间的关系，也人们最为关注的。
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。
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。

xiaoguozhi

确实，大数据势不可挡啊