宝马娱乐在线城-宝马娱乐在线

来自 世界互联 2019-10-01 21:34 的文章
当前位置: 宝马娱乐在线城 > 世界互联 > 正文

宝马娱乐在线城:长亮科技牵手南京银行 助力“

银监会在《中国银行业信息科技“十三五”发展规划监管指导意见》中,重点强调了大数据规划、建设及应用在银行整体数据管理及发展战略上的重要性。作为全国商业银行的杰出代表,南京银行一直都走在行业数字化转型的前列。今年3月,为落实数字化转型战略,南京银行正式成立数字银行管理部,以实现大数据体系对公司营销精准化和管理精细化的支撑,提升数据资产价值。

2007年工行基于当时较先进的企业级的数据仓库的体系架构启动了工行的企业级数据体系的建设,做了全行统一的管理数据的大集中。

结合南京银行全面落实“经营数据化”和“管理数据化”的发展战略,长亮科技此次为南京银行定制化的解决方案,旨在建设面向未来的企业级数据仓库。参照国际领先的数据仓库体系架构,规划支持中国银行业多法人架构及满足监管要求的企业级数据仓库平台的技术框架、数据模型及应用框架,结合银行的业务管理发展制定整体实施计划,基于MPP+Hadoop混搭模式,采用灵活的微服务应用架构体系,能帮助银行循序渐进地建设企业级商业智能与数据仓库体系。制定全面的行内业务数据及外部数据的标准规范,充分整合内外部海量数据,支持实时、微批、批量的数据分析,从中挖掘出有价值的信息,建设数字化管理体系,实现“大数据”带来“大价值”。

3)三大互联网渠道已建立,具备大数据基础

依托在大数据领域的持续创新和积累,长亮科技已经为国家开发银行、进出口银行、平安银行、恒丰银行、兴业银行、广发银行等几十家金融机构建设了基于主流架构的大数据平台及应用体系;案例涵盖基于Hadoop的企业级数据仓库平台、基于Hadoop的自定义查询平台、历史数据查询平台、数据管控平台、外部数据接入服务平台、大数据精准营销系统、大数据实时营销系统、大数据风险预警系统、跨界联盟与实时授信系统、统一监管报送系统、绩效管理系统等。返回搜狐,查看更多

转型有两个原因:

原标题:长亮科技牵手南京银行 助力“数字银行”战略

7)未来,场景化、标准化、平台化

近日,长亮科技与南京银行达成合作,将为南京银行提供定制化的企业级数据仓库解决方案,助力南京银行“数字银行”战略。

从十二五走到十三五期间,银行业面临的各方面的压力越来越大,从我们的年报数字可以看出去年四大行的利润增长基本上趋近于零增长。在这样的情况下,我们怎样通过IT的引领提升传统银行的竞争力,这是摆在我们面前的一个很重要的课题。

责任编辑:

3)中银开放平台,是中行大数据实施例子之一

为了给客户带来更好的场景服务,长亮科技以创新理念打造金融科技产品,用产品印证先锋者的强大驱动力,赢得了市场青睐。在数据应用方面,长亮科技商业智能团队经过多年的努力耕耘,为客户在大数据平台建设、企业级数据仓库、数据治理、数据挖掘分析等商业智能领域提供领先的金融IT技术解决方案,帮助金融机构构建以客户为中心的金融服务体系,提高其核心竞争力,包括市场洞察能力、风险控制能力、盈利能力和金融创新能力等,使其转化为行动力,从而创造更多商业价值。

目前已经有很多分行利用这样的平台开发出了很多比较受欢迎的产品,大家如果有兴趣的话可以在苹果的APP Store或者安卓的平台下载这个产品看一下。

4)大数据要解决3大问题

宝马娱乐在线城 1

01 中国建设银行信息技术管理部资深经理林磊明

2)自主可控,我们从几点入手

底下是分析挖掘平台,ODM、SaaS都是农行已有的云,大数据只是它的用户而已,我们在Hadoop分装了应用,为全行的分期挖掘提供服务支撑。对上层应用的服务有直接访问,数据文件和外部服务和数据快速复制等技术和应用进行连接。应用主要是对资产负债领域、电子银行领域、信用卡和个人金融领域、风险和财务提供了一些支撑。

我们在2003年初开始搞大数据,当时有很多困惑,首先感觉到大数据到来了,现在各个行业,中央台什么东西都用大数据说话,我们在银行业我们能做什么呢?

第一是数据量太大了,原来只需要处理TB级已经转向需要处理PB级甚至以后EB级的数据量。如果是这么大的数据量,运用传统的设备没有办法进行相关的处理。

从大数据的起源开始,数据仓库到目前的大数据新形势下,数据仓库已经在做非常大的升级换代和变化。2014年工行从高成本封闭的专业系统(如:Teradata),开始向高性价比、通用设备和开放技术的系统转变。

从目前的分析角度来看,Teradata会保留,着重在高端的分析师分析挖掘的探索性的工作方面。后续工行的大数据体系会采用多种技术路线、多种技术平台共存的方式。

3)发展阶段

以应用为驱动,深入挖掘数据价值。做大数据应用的场景产品。此外中国银行还推出来口碑贷、中银沃金融的服务,都是按照这个思路去进行我们产品的组合规划和设计。

2)中行特别之处

1)工行大数据面临的挑战

第一,交易反欺诈,需要利用大数据流数据的技术,用户在做交易的过程中采用主机旁路技术,交易没有完成之前通过大数据在内存中进行一个判断。

我们在实施的方面采用分行试点的模式,有很多的调查机构在对大企业实施大数据项目做了总结之后发现大数据的项目实施方法上分两个流派,一个流派是自顶向下的,上来规划很大的大叔据的东西,从地层往下逐渐延伸,累了大量的数据,在这里面做清洗分析,在这里面找规律,再看这个企业怎么从数据里得到什么样的东西。另一个流派是从底向上的,先看需要哪些东西,再对这些数据进行整合。我看了很多相关的实例之后,后一个方法在现阶段的效果会更明显,有了清晰的需求才会更准确的对位需求的产品。所以我们在大数据实施的策略上采取小步快跑、快速迭代、迅速试错的方式。

再上面一层应用层,抽象了大数据相关的应用,包括用户可以自定义的查询功能。通过这些信息的服务,把这些服务抽象到我们的业务系统中,通过我们的管理会计系统,通过分析师平台、风险系统、营销系统,为我们在数据的运营、风险控制和营销方面都提供相关的支持,这就是主要的大数据分层体系。

工行在大数据应用方面主要侧重在风险方面。

排在第一位的是无法挖掘出数据的价值是什么, 第二位是企业或机构没有明确的大数据的战略目标和战略规划, 第三是缺乏核心技术, 第四是无法有效的整合数据资源, 第五是企业的内部无法对大数据的实施和规划达成共识。 总结了这样一些不太顺利的原因之后,我觉得有一个清晰的完整的系统性的战略规划,对中国银行以后大数据的建设的作用是非常巨大的。

在自主可控上,基础硬件、基础软件、数据模型、工具平台和制度管理都是自主可控的。

精准地建设客户的营销平台,把线下的客户信息和线上的客户行为统一在一起,把结构化的数据和非结构化的数据有机地提炼并且整合,争取能够较精确地描述客户的各项属性特征。

56+8是56个数据计算环境,8个是加载机,56个环境每个节点是12块3T的硬盘,有2块做Read1,是存放操作系统和重要的参数信息和数据库环境,其他10个环境是Read5来存放数据,一个节点存放有效数据10几个T,56的环境里有效数据将近300个T,Gbase有5到10的压缩比,各个字段可以选择压缩去,300个TB的数据换算成仓外的文本量,就算简单乘以300T也是1.5PB以上,现在折算成1.8PB左右,是PB级的。

中行的战略方向: 以平台为支撑构建大数据的技术体系; 以数据为基础充分整合数据资源; 以应用为驱动深入挖掘数据价值; 以人才为核心提升数据分析能力; 以平台为支撑构建大数据的技术体系。我们把大数据的技术体系分成战略层面、规划层面和设计及交付层面,在这里面最重要的是大数据的体系架构,分为业务架构、应用架构、信息架构和技术架构四个不同的架构,在这四个不同的架构里分别支撑我们的业务流程和端到端的场景及应用的组建及分析模块,最后是设计跟交付。

从设计目标有这几条:

5)建行大数据平台设计思路

大数据平台和集市,我们建成了4个集市,有3个集市在建的过程中,今年分行下半年要搞分行集市的试点。应用,我们提供统一的数据展示和服务。展示服务一个是对所有全行业的用户,对所有行业监管的各种报送,因为各种报送比较零乱,点也比较多,趋向不同部署也不一样,底层做了统一调度、统一监控和ETL,对全行描述类数据进行了统一管理,包括我们的数据标准和数据质量管理都在这里统一进行。

数据设计,我们有一个演变过来的整体的结构。这里面我想强调一点,大数据是数据的一部分,结构化的数据是大数据的一部分,这两个东西不要割裂来看。

数据集市层,现在规划8个数据集市,跟其他行没有太多区别,客户营销、风险管控、外部监管,对分行服务的集市,各行服务的对象都是一样的。底下研了数据提取平台,外部监管和数据提取任务特别重,早期都得到生产去导带生成,现在我们通过单独建一个环境,把一些数据预加工好,基本以宽表的模式,以前做加法的事情变成了做减法,至少80%的提出需求都在我的环境里直接提取,大大减轻了人力。

数据处理层,淡黄色指关系型的数据库,也就是MPP架构数据库。操作数据区、非结构化数据区、历史数据平台、流计算,流计算用Hadoop Stam架构。

4)硬件环境如何进行有效支撑?

03 中国农业银行软件开发中心专家赵维平

在Gbase方面,56是生产环境,现在实现了56环境的双活,这两个56环境同时在工作,一个做T+1当天的数据加工,一个做隔一天的连级服务,这样的话连级服务的能力,按实侧的话会比以前做TD的测试中更强一点,另外个人客户集市、资产负债集市,还做了数据挖掘层次,Gbase集成了WODM和SaaS。Hadoop的生产环境是92个datanode和2个namenode。我们现在Gbase有236个节点,库内主副本的整个容量有5.2PB数据,Hadoop的集群是150个节点,容量是4.3PB。

第二,性价比,我们做过测量,通过开放式的弹性可扩展的普通PC服务器的方式,比传统设备在成本上介绍十几分之一或者几十分之一。我们在新平台上一方面引进了Hadoop平台基于普通的PC服务器进行搭建,短短一两年的时间已经扩展到150个节点,存储空间已经超过1PB,超过建设了十几年二十年的Teradata的数据容量。

第三,现在各个银行业碰到的比较大的困境,信贷资产的质量问题。工行持续在推动运用大数据驱防控信贷风险,工行成立了信贷防控中心,运用大数据技术在进行相关的防控。

非结构化数据信息库的建设情况,建行已经介绍了,工行也有点像。信息库的建设原则,因为非结构化的数据的量是非常大的,所以我们的原则是信息库建设没有把非结构化建设进行物理存储的集中,我们只是通过统一的搜索引擎让用户能够快速地搜索找到他需要的非结构化的信息。

4)大数据体系

金融在有些技术的选择上还是相对比较保守的,我们不会用的技术,不会用的版本,这也因为金融工委和国家人民银行对于我们的连续服务要求特别高,一旦出了事情领导交不了差。

刚才我提到了场景化,我们希望能够把金融数据的服务将来标准化和平台化,平台化之后能够在基础的大数据能力、基础数据的提供甚至一些分析数据的提供,基础应用,客户花香、征信评级的监测,为无论是内部的客户还是外部的客户提供更好的大数据技术,这是从技术方面来看大数据下一步做的工作。

4)让数据发挥较大价值

中银开放平台,2014年IDC金融的大奖,去年获得人民银行的奖,亚洲金融家组织把它评为今年较佳的金融云服务产品,这个产品是我们对大战略的落地实施的例子。这个产品的主要设计思路是我们把整个中国银行的大数据进行了归并整理之后,开发了1000多个标准的API接口,这些API接口可以用与我们的分行甚至我们的客户,在我们规划的未来里,可以通过这些API访问和使用中国银行的数据,用于加工得到自己想要的相关结果。

另外我们在研究也会尽快落地的分布数据库,会基于开源的底层架构,基于普通的PC服务器完成数据仓库体系的扩充。后续在大数据的处理加工方面会基于分布数据库进行处理。

我们在大数据的建设中充分体现了数据的价值:

通过银行的历程佐证这样一个观点。过去十多年期间银行基本上有两个拐点, 第一个拐点就是发生在互联网银行慢慢取代柜员,IT支持从支持几万十几万的柜员到支持面向所有的互联网客户,这里面发生了一个根本性的变化,无论是服务的形态还是IT的支撑,都发生了很根本的变化,这是移动和云要在里面发挥作用。 下一个拐点是什么?银行要从原来做的账务性的、交易性的处理转向能够渗透到经济生活的方方面面,这是一个场景化,如果抓不住这个拐点,银行就要被互联网金融颠覆或者管道化。

工行整个的战略思路是通过我们行的两库一司的建设来完善大数据体系。 两库是信息库和数据仓库,数据仓库在工行的建设和银行的建设中都是比较传统的,主要是应对我们之前的银行交易数据、账户数据,采用结构化的数据存储来进行相关的处理。前两年的时候工行启动了信息库的建设,主要指非结构的数据。 通过两库的建设,我们还建设了一支分析师队伍,能够对这些庞大的数据进行相关业务的加工处理和分析。

2010年基于我们的数据仓库的数据支持,我们推出了工行的MOVA管理会计系统,做了全行绩效考核的管理系统。 2013年随着外部形势的发展,大量数据爆发式的出现,我们引进了大数据领域在业界最流行的Hadoop技术,在Hadoop基础上搭建了信息库,发展是非常快的。

本文由宝马娱乐在线城发布于世界互联,转载请注明出处:宝马娱乐在线城:长亮科技牵手南京银行 助力“

关键词: