基于大数据技术银行业发展分析.docVIP

基于大数据技术银行业发展分析 　　摘 要 大数据技术的不断研发和广泛应用，为金融业，尤其是在银行业领域带来诸多便利和创新。以移动银行服务业的兴起更是加速了银行业的发展和转型。余额宝、微支付、P2P、微众银行等新兴金融业态更是推动了移动运营商广泛涉足相关金融服务的速度。在大数据时代，如何随着大数据技术的发展，挖掘和利用海量的信息资源，从中遴选出符合银行业务发展的“价值”数据出来，成为本文探讨和研究的重点。 　　关键词 信息技术；银行业；大数据；金融服务 　　中图分类号：TP39 文献标识码：A 文章编号：1671-7597（2015）04-0105-02 　　随着经济社会信息化程度的不断加深，产生了大量的、无序的、复杂的、多源的信息数据。这在移动金融服务领域尤为突出。如此以来，移动金融与传统金融则会形成业内的对比，甚至会引起金融变革。金融领域的变动，又会对银行发展带来一定的影响。从银行业自身发展来讲，有必要加快对大数据时代银行业的相关数据以及内外环境进行考察、研究，以便更好服务好新常态下金融业和银行业的发展需要。 　　1 大数据技术 　　1.1 大数据基础 　　大数据（Big Data）概念最早是由咨询公司McKensey提出，近几年来以云计算为数据处理技术平台的新的数据处理方法。其主要有四“V”特征，即：Volume（特大的数据量）、Variety（特别多种多样的数据）、Veracity（数据真实性高且有价值）、Velocity（输入和处理速度快）。知名IT巨头如Microsoft、Oracle、VMWare、FaceBook等以及IT行业争相加入有关大数据的软硬件技术的研究之中。《Nature》、计算社区联盟（Computing Community Consortium）、《science》等都对大数据做过相关报道和研究，由此引起科学界对大数据的关注和着迷[1]。 　　1.2 大数据技术概述 　　当前，大数据处理方式可分为两大类，即：数据批量处理（Data Batch Processing）和数据流处理（Data Stream Processing）[1]：前者，采用先存储后处理方式，对实时性要求相对高且处理速度快的需求。后者，采用直接处理方式，是一种“化整为零”的策略。大数据的关键技术主要在于对大数据存储与管理方面和对大数据检索使用方面（包括数据挖掘和智能分析）。目前，以数据流方式进行数据处理的代表技术是推特研发的Storm系统；以采用批量数据处理方式为代表的谷歌研发的MapReduce模型，都是较成熟的开源大数据处理技术。详细地来讲，大数据技术核心在数据挖掘方面，即利用分类 （Classification）、关联规则（Affinity grouping or association rules）、复杂数据类型挖掘（Text、Web、图形图像、视频、音频等）等技术进行挖掘[2]。最后，通过预测模型、建模仿真等进行预测，并通过云计算、关系图、标签云等进行结果呈现，实现堆积数据的再挖掘、再利用。 　　2 银行业面临的相关问题 　　2.1 海量数据利用和管理问题 　　当前，在建立以大数据技术为基础的数据分析或应用模型的过程中，存在海量数据利用和管理问题。 　　一是缺少有效支撑大数据分析的数据源和存储。随着移动金融服务的兴起，银行业纷纷转向网络金融战场，并上线数据仓库系统，以此汇总各地分布的源数据，并通过数据预处理、转换、集成和存储等，消除“脏、乱”等数据，形成可供挖掘的“有用”数据。而由大数据理论可知，适度混乱的源数据更有利于创造更多价值。追求更多价值与追求数据来源的精准之间存在矛盾。此外，既定主题的检索无法实现对于其他新增属性的检索、分析，不适应实际应用需求。 　　二是数据分析模型和工具有待研发。当前，大数据应用技术虽然得到了长足发展，但是其核心目的是通过运用科学算法，将海量数据中的“价值”数据探寻出来以便服务决策和应用。这种科学算法又常常是借助于相应的数学工具和模型。如何选择数学算法或分析模型来研究既定预测的目标，当前在学术界、银行业、IT业界都还没有最佳成熟案例，更没有普适模型。为此，要找寻一种可以既能准确预测，又能反复进行数据修正和差错分析的大数据技术，在技术层面，仍有一段路程要走。 　　2.2 技术人员匮乏和新增成本投入较高 　　当前，大部分银行仍未建立起比较专业的数据分析队伍，从银行业务，到数据分析工具使用，再到有价值数据的敏感性，最后到数据与业务综合融合的提炼力，同时具备这4个特点能力的数据分析人员极度匮乏。此外，对于银行机构而言，实时的联机交易、高效地数据仓库联机分析处理效率以及高可用性的关键业务应用需同时具备的“苛刻”要求，使得大数据技术的应用对CPU的数量、内存空间、存储能力