四大银行的CIO们如何看待大数据,数字银行

作者: 澳门金莎娱乐网站  发布:2019-09-11

原标题:长亮科技牵手南京银行 助力“数字银行”战略

01 中国建设银行信息技术管理部资深经理林磊明

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。

图片 1

 图片 2

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。

1)银行压力越来越大

图片 3

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”。

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。

中国建设银行

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。

2)过去十多年期间,银行业务出现两个拐点

中国建设银行信息技术管理部资深经理林磊明

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

大数据怎么样能够在智慧银行的方向上起到更大的作用呢?

1、银行压力越来越大

责任编辑:

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。

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。

3)三大互联网渠道已建立,具备大数据基础

2、过去十多年期间,银行业务出现两个拐点

这几年银行三大互联网渠道已经建立: 手机银行,已达到1.8亿多; 网上银行,我们有2亿; 微信银行,它占的客服服务总量已经超过了传统的客户服务。 这意味着我们的渠道、我们场景化的实践已经见到了效果,另外我们做大数据要具备的基础已经存在。

大数据怎么样能够在智慧银行的方向上起到更大的作用呢?

4)大数据要解决3大问题

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:

谈大数据,对传统银行来讲,要解决3大问题: 怎么样提升对于客户的识别? 怎么样对于客户的营销? 怎么样提升对于风险的防范?

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。

所以,无论是用传统的结构化的数据,还是用现在互联网形态下面非结构化的数据,要解决的问题都是这些,只不过我们现在有了更丰富的数据源,有了更好的对于数据处理的方法。 目前,建设银行已经成立了上海大数据分析中心,这不属于技术部门,属于信息管理部门。

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。

5)建行大数据平台设计思路

3、三大互联网渠道已建立,具备大数据基础

从设计目标有这几条:

这几年银行三大互联网渠道已经建立:

策略上架构先行,我们已经有很好的基础架构。1、基础能力上,我们在做一些基础的大数据分析工具的搭建。2、要想明白用数据做什么?我一直不太同意你先不要管你做什么,先把平台搭起来,我不太清楚有多少人从做数据仓库过来,当时提的很多的概念是垃圾进垃圾出,到了大数据时代没人提这个事情了,好像所有大数据都是质量很高的,但这方面要警惕。

手机银行,已达到1.8亿多

功能架构设计,和大家都差不多,从采集、存储、分析、展现到应用。我要强调的是从这个结构来说,这是很完美的一个结构,但要能够实时或者及时地反映到你的业务流程当中去,反映到你的营销当中去。不要拘泥于一个结构。

网上银行,我们有2亿

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。

微信银行,它占的客服服务总量已经超过了传统的客户服务

6)建行大数据成果

这意味着我们的渠道、我们场景化的实践已经见到了效果,另外我们做大数据要具备的基础已经存在。

我们的大数据平台取得了一些成果: 实时的数据仓库上:我们能够对客户经理做实时的数据提供和交付,提供无论是并发的访问还是实时服务方面。 从数据的应用模式上:我们总结了六类数据应用模式,包括挖掘类、数据实验室、机器查询、仪表盘、固定报表、自动查询等等。

4、大数据要解决3大问题

建立“模型实验室”:现在越来越发挥了更大的作用,我们能够基于结构化和非结构化的数据支持大数据模型的研发,这个模型研发出来我们能够很快地把它部署到生产当中去,能够为一些决策,未风先管理服务。

谈大数据,对传统银行来讲,要解决3大问题

在非结构化大数据的应用方面,做探索:比如客户行为偏好的数据,录音文本、地理数据的应用、能耗数据的应用、媒体信息、员工行为数据等等。通过位置服务终端识别的新技术新数据的采用,拒绝可疑风险事件,上半年避免1.9万起,避免客户损失1.4亿,这种数据越来越大。

怎么样提升对于客户的识别?

7)未来,场景化、标准化、平台化

怎么样对于客户的营销?

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。

怎么样提升对于风险的防范?

02 中国工商银行软件开发中心信息科技专家王晓平

所以,无论是用传统的结构化的数据,还是用现在互联网形态下面非结构化的数据,要解决的问题都是这些,只不过我们现在有了更丰富的数据源,有了更好的对于数据处理的方法。

图片 4

目前,建设银行已经成立了上海大数据分析中心,这不属于技术部门,属于信息管理部门。

1)工行大数据面临的挑战

5、建行大数据平台设计思路

如何处理数据量的快速增长?首先全行的数据量的快速增长,包括我们现在工行每天的交易量,外部互联网金融,工行的三大互联网平台造成用户的交易数据和行为数据有大幅的增长。 如何快速智能分析历史数据? 工行从2000年开始建立数据仓库以来,拥有了庞大的历史数据资产,在新的环境下怎么能够快速地智能分析,对我们提出了更高的挑战。 如何使用内外数据,描述客户特征?在数据源方面,除了本单位数据,也需要采纳外部的数据来配合进行分析。工行已经引入了征信数据、税务数据等,怎么做到比较全的数据去描绘我行的客户特征,这是作为我们的一个新的课题。

从设计目标有这几条:

2)工行大数据战略思路

策略上架构先行,我们已经有很好的基础架构。1、基础能力上,我们在做一些基础的大数据分析工具的搭建。2、要想明白用数据做什么?我一直不太同意你先不要管你做什么,先把平台搭起来,我不太清楚有多少人从做数据仓库过来,当时提的很多的概念是垃圾进垃圾出,到了大数据时代没人提这个事情了,好像所有大数据都是质量很高的,但这方面要警惕。

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。

功能架构设计,和大家都差不多,从采集、存储、分析、展现到应用。我要强调的是从这个结构来说,这是很完美的一个结构,但要能够实时或者及时地反映到你的业务流程当中去,反映到你的营销当中去。不要拘泥于一个结构。

3)发展阶段

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。

工行大数据的发展历程可以分几个阶段,从TB级已经进入了PB级的建设阶段,接下去在可预见的几年内会进入EB级的庞大体量。

6、建行大数据成果

最早工行是2000年初,那个时候大数据的领域更多的还是应用在一些报表的快速展现,所以那个时候我们是基于比较传统的Oracle和SaaS,做了T 1的动态报表,行领导和管理层能够在第二天上班前看到我们行昨天的经营数据,这是最早建立的。

我们的大数据平台取得了一些成果:

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。

实时的数据仓库上:我们能够对客户经理做实时的数据提供和交付,提供无论是并发的访问还是实时服务方面。

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。

从数据的应用模式上:我们总结了六类数据应用模式,包括挖掘类、数据实验室、机器查询、仪表盘、固定报表、自动查询等等。

2014年工行基于大数据,原来的大数据采用连机异部批量的方式,通过文件存储的方式,不管是数据仓库还是信息库,在时效上相对来说比较慢,所以自主研发了一个流数据平台,能够提供实时或者准实时的流数据处理。 2015年下半年和今年正在推动分布式数据库的落地工作,会和企业级数据仓库做一个互补。这是大数据的主要技术演进。

建立“模型实验室”:现在越来越发挥了更大的作用,我们能够基于结构化和非结构化的数据支持大数据模型的研发,这个模型研发出来我们能够很快地把它部署到生产当中去,能够为一些决策,未风先管理服务。

4)大数据体系

在非结构化大数据的应用方面,做探索:比如客户行为偏好的数据,录音文本、地理数据的应用、能耗数据的应用、媒体信息、员工行为数据等等。通过位置服务终端识别的新技术新数据的采用,拒绝可疑风险事件,上半年避免1.9万起,避免客户损失1.4亿,这种数据越来越大。

在大数据平台上,我们可以把它抽象成如下几层:

7、未来,场景化、标准化、平台化

第一层是数据采集,统一针对外部和内部的数据进行相关的数据收集,包括日志信息、行为信息和业务信息。

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。

再上面一层计算层,是我们不单单提供了传统数据仓库的批量计算的能力,也通过一些流数据的技术提供了实时的计算能力。

中国工商银行

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。

中国工商银行软件开发中心信息科技专家王晓平

5)分布式、开源、通用成为趋势

图片 5

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。

1、工行大数据面临的挑战

转型有两个原因:

如何处理数据量的快速增长?首先全行的数据量的快速增长,包括我们现在工行每天的交易量,外部互联网金融,工行的三大互联网平台造成用户的交易数据和行为数据有大幅的增长。

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。

如何快速智能分析历史数据? 工行从2000年开始建立数据仓库以来,拥有了庞大的历史数据资产,在新的环境下怎么能够快速地智能分析,对我们提出了更高的挑战。

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。

如何使用内外数据,描述客户特征?在数据源方面,除了本单位数据,也需要采纳外部的数据来配合进行分析。工行已经引入了征信数据、税务数据等,怎么做到比较全的数据去描绘我行的客户特征,这是作为我们的一个新的课题。

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。

2、工行大数据战略思路

本文由金沙国际唯一官网发布于澳门金莎娱乐网站,转载请注明出处:四大银行的CIO们如何看待大数据,数字银行

关键词: