当前位置:电子银行 > 正文
农商银行:大数据平台建设案例分享

  大数据技术经过近十几年的发展和完善已日渐成熟,并在各行各业产生爆发性的应用。其通过使用新处理模式,为人们提供更强的决策力、洞察发现力和流程化能力,大数据技术涉及数据采集、数据存取、统计分析、数据挖掘、模型预测和结果呈现等数据处理加工的各个方面,天然适合重度依赖数据开展业务的银行业。大数据的出现为银行业带来了新的革新动力,能够在客户体验提升、盈利能力提升、风险防控提升等方面发挥强大作用。目前四大国有银行及各大股份制银行已经制定了各自的大数据战略并探索了部分应用场景,中小银行也正在加快大数据建设步伐。

  一、北京农商银行:大数据平台建设项目

  随着数据成为企业的核心资产,北京农商银行面临大数据分析、应用方面的瓶颈和挑战,主要表现在两个层面。

  平台建设层面:在大数据和移动互联网时代,一方面,传统企业数据规模和访问量的快速增长,带来大数据的挑战,如更多的多样化数据存储、海量数据存储与计算,使得技术选择上向互联网公司靠齐;另一方面,数据的价值来源于对海量的客户交易、行为等数据的高效深层挖掘和分析,以便做到及时的精准定位和营销,进而根据不同的客户和市场需求设计不同的金融产品,提升银行的盈利能力。北京农商银行目前在这类基于大数据分析的金融业务创新领域存在缺失,因此当前迫切需要一种兼顾大数据低成本存储与高效处理的大数据平台,构成整体的数据应用体系。

  应用建设层面:以典型应用快速上线为实施准则。基于历史数据查询系统向大数据平台做迁移试点,实现试点应用快速见效,既能解决历史数据查询系统现阶段面临的批量任务冲突、查询时效性差无法满足业务要求等大数据问题,又能为后续实施其他复杂系统的迁移奠定基础;同时研究利用大数据平台把松散的半结构、非结构化信息转换为有价值的结构化信息,如地理信息数据、客户行为数据,将本行所有渠道的碎片化数据整合起来,丰富数据资产;用大数据分析技术,做基于大数据分析的交叉营销(借记卡向信用卡)、实时营销、精准营销等营销领域的研究和实践。

  在上述背景下,北京农商银行启动了大数据平台建设并以历史数据查询系统作为大数据平台的第一个迁移应用。

  (一)技术特色和实施过程

  1、平台层面

  大数据平台的建设,不但承担着解决目前北京农商银行面临的性能问题,更作为4V类型数据的集合,建立数据核心,通过线上线下数据的融合,充分利用外部数据和互联网交互数据的长处,为客户价值分析、潜在客户获取、风险管理等提供基础的数据支撑,为后续的数据挖掘与持续的业务创新提供关键的数据保障:一是统一数据架构应可承载各种类型数据的接入,如视频、音频、图像等非结构化数据,网页文件、日志文件等半结构化数据,传统的结构化数据。二是对于体量巨大的数据特别是存量数据(Volume),种类繁多的半结构化、非结构化数据(Variety),需要深度挖掘价值的复杂数据(Value),需要实时分析处理的数据(Velocity);通过大数据平台来做数据的抽取、架构、分析和挖掘。三是大数据平台与传统的数据仓库系统之间互为补充。数仓加工完成的数据可提供给大数据平台做高效分析处理,大数据平台加工处理完成的结构化数据可回流给数仓进行进一步的融合处理和展现。

  目前北京农商银行已搭建了企业级大数据平台,底层用HDFS分布式文件系统进行文件存储,Inceptor组件基于开源Hadoop的Hive,主要用于离线数据跑批计算;Hyperbase组件基于开源Hadoop的Hbase,用于支持数据高并发在线查询和非结构化数据的对象存储;Discover用于机器学习和数据挖掘;Stream用于支持数据的实时处理。北京农商银行大数据平台架构如图1所示。

  图1:北京农商银行大数据架构

  2、应用层面

  (1)由大数据平台统一管理结构化历史数据

  大数据平台进行结构化历史数据的统一计算和存储。上游源系统通过CD软件将数据文件每天推送到数据交换平台;大数据平台通过CD从数据交换平台获取数据文件,并将文件加载到贴源区;历史区通过拉链算法对全量数据进行历史存储;加工出数据集市对应用提供数据查询服务;同时规划大数据分析区,也叫数据实验区。主要用于数据挖掘模型训练。逻辑架构如图2所示。

  图2:北京农商银行大数据平台逻辑架构

  复用数据仓库架构中现有的数据交换平台,贴源存储各类源系统数据文件,如交易类、账单类、账户类、客户类、共性文件。供下层大数据平台数据获取,错误重跑要求。同时利用Flume和Kafka对客户行为类数据进行采集并将之转为结构化数据落地HDFS进行存储;基于大数据平台,获取文件缓存层数据文件,并贴源存储于HDFS文件系统。供上层数据加工层进行ETL加工处理。通过HBase、Hive、Spark等分布式数据处理和计算组件,对数据进行分层加工和处理,形成便于前台访问的接口数据文件或HBase表,供应用层接口访问;同时也可以利用SparkR和机器学习算法,在大数据平台进行快速的模型迭代训练。技术架构如图3所示。

  图3:北京农商银行大数据平台逻辑架构

  图4:北京农商银行大数据平台数据流

  大数据平台数据流如图4所示,数据交换层,源系统抽取或推送的数据(1.0),生成增量数据文件(1.1)和全量数据文件(1.2),大数据平台从ETL平台上获取数据文件(1.3)放入到HDFS上;对HDFS上的文件进行清洗、标准化,然后加载到inceptor中(2.1)inceptor中的表,通过跑批的任务(2.2),将增量数据分别更新到拉链表(2.3)和增量表(2.4)中;此时的拉链表和增量表进行数据汇总运算(2.5),形成应用集市;应用集市的数据供应给历史数据查询系统使用(3.0)。

  (2)基于大数据平台的贷款违约预测模型的研究

  本文模型案例基于TDH平台Discover开发,在此引擎上通过综合应用数据分析与机器学习算法,实现了对贷款客户违约特征的相关性分析与相关性显著差异检验,以及图表直观展现贷款客户特征与贷款违约之间的关系,并利用逻辑回归模型对贷款客户特征与贷款违约之间的关系进行实证分析。本案例具体步骤主要包括以下5大模块,如图5所示。

  图5:基于大数据平台的贷款违约预测模型的5大模块

  (3)结构化、半/非结构化数据的采集与流处理技术的整合研究

  利用开源组件Kafka分布式消息订阅组件、Sqoop数据库直连组件、Flume日志导入等数据集中组件,完成客户行为数据的采集和结构化转换的实践与研究,建立关系型数据库与大数据平台数据交换机制,为后续建立数据仓库和大数据平台整体数据架构打下基础。构建一套结构化/非结构化数据采集的处理框架(如Flume、Kafka、Sqoop等组件的在处理非结构化数据中的实际应用),同时验证行内现有非结构化或半结构化数据的接入,如客户行为日志信息等。

  利用大数据平台的Stream组件,进行流处理技术的实践和研究,建立流处理技术开发框架,为后续基于流处理技术做实时营销和实时推荐打下基础。构建一套流式数据处理的处理框架(例如:Spark-Streaming、Storm等组件在处理流式数据中的实际应用),同时验证行内现有流式数据实际需求的接入,对流式框架进行功能性及效能性验证,为未来构建流式应用提供技术及测试数据指标支撑。技术架构如图6。

  图6:技术架构

  通过在应用服务器上部署flume节点1、2,使用tail文件的形式获取文件流,然后使用flume节点3进行数据收集和简单过滤后,传入kafka中。使用StreamingSql进行文件流的实时ETL,将半结构化数据转化为结构化数据。最后将数据写入HDFS中进行持久化操作,或直接实时写回Kafka,使其他业务系统可以使用实时结构化数据。

  (二)应用效果

  大数据平台一期项目已经于2017年4月14日正式投产,投产后解决了历史库批量及历史数据查询系统效率问题。数据处理性能得到了大幅提升。历史交易对手信息重构方面,投产前用Oracle集群按照交易对手集市的逻辑计算历史交易对手,投产后改用大数据平台效率提升120倍。历史数据查询系统的历史交易对手查询,每笔交易对手的查询单查询效率投产后提升了120倍;同时历史库跑批任务,以个人活期账户主文件为例,该表的跑批作业投产前后跑批效率提升了65倍。

  此外,鉴于北京农商银行历史数据情况,利用大数据平台对大数据快速处理的能力,持续地、快速地优化历史交易对手,受到业务一致好评。

  二、山东农信:基于大数据建设的统一监管数据报送平台

  随着我国金融行业改革的不断深入,银行业监管要求日趋严格。按照监管要求,山东省农村信用社联合社(以下简称山东省联社)积极建设监管报送系统并组织专人进行数据报送,但在报送过程中也出现了诸多困难和问题。

  一是需要报送的项目和数据较多。根据监管要求,需要报送的项目包括银监会非现场监管数据、监管数据标准化(EAST)、客户风险统计报表、人行反洗钱数据、个人征信数据、企业征信数据、标准化存贷款数据、支付信息统计、理财与资金信托等10多项。由于各报送项目需要报送不同的数据接口格式,且每个报送系统数据量大、数据组织复杂,数据来源存在交叉现象,建设统一的监管数据报送平台已成为金融机构信息系统建设中非常重要的任务。

  二是监管要求涉及业务全面、业务关系复杂,报表之间的校验关系复杂,数据一致性要求高,银行需要多部门配合报送。

  三是在业务系统建设过程中数据标准不统一,导致监管数据抽取加工过程复杂,对数据存储和加工提出了较高的要求。

  因此,采用先进的技术架构以及成熟的工具产品建立基于大数据计算技术的统一监管数据报送平台,可以极大的提高数据报送质量和效率,并有效减轻数据报送的工作量。

  针对多种数据的监管报送要求,统一监管数据报送平台实行统一规划、集中管理,既实现了报送系统的平台化建设,又实现了系统间相关数据的共享,提高了报送效率,保障了数据一致性。基于分布式计算、分布式存储等大数据技术,构建基于DB2 DPF的数据加工平台,满足了海量数据的加工和存储需求。

  (一)系统架构

  从上图中可以看出,基于大数据计算技术建设的统一监管数据报送平台按照数据架构层次可分为数据产生层、数据交换层、数据整合层、数据应用层和数据展示层。

  数据产生层是数据的来源,包括业务办理、内部管理过程中产生的数据,主要是指核心业务系统、信贷管理系统、国际结算系统、理财业务系统等业务办理过程中产生的数据以及人力资源管理系统等使用过程中产生的数据。

  数据交换层作为系统间数据交换的枢纽,对于数据产生层、数据整合层、数据应用层之间数据进行双向交换。数据不允许系统间点对点传输,所有系统对下游提供数据均通过数据交换层,数据交换层本身不产生数据,但可以对源数据做一些清洗处理。交换方式分为批量交换和实时交换,其中批量交换用于产生层与整合层、应用层间非实时的、大数据量的数据交互,实时交换用于系统间少量、实时或者准实时的数据交互。数据交换采用DATASTAGE工具进行数据的抽取、转换和加载过程,部署采用集群架构,不仅可以提高数据抽取效率,还可以避免机器的单点故障。

  数据整合层是将数据按照一定规则进行整合后统一存储,以方便后续的查询和分析。数据整合层作为数据集中存储、整合的核心,实现了数据共享,避免了系统间数据重复存储和加工问题。

  数据应用层主要存储基于数据整合层提供的原始数据和衍生数据,根据业务需求进行相应的加工,提供应用所需的结果数据或接口数据,并提供用户使用数据的界面和方式,它对整合后的数据进行深度分析,利用不同手段对数据处理结果进行展现,包括固定报表、多维分析、灵活查询等。

  数据展示层提供了机构、用户、角色的统一管理,并根据监管部门要求生成报文并管理报文,展示层还提供数据补录界面,用于弥补监管报送需要而基础业务系统数据缺失内容。

  (二)平台特点

  统一的数据平台:统一监管数据报送平台通过对银行核心、信贷等业务系统数据按照监管报送要求进行整合,并按照业务类型进行了宽表处理,建设了统一的监管数据集市,为监管上报提供质量良好的数据源,为后续建设的各类数据报送等系统提供数据基础,减少后续建设的重复投资,确保数据源的稳定性和数据一致性。

  统一的报送平台:统一监管数据报送平台是面向监管要求的应用报送平台,已集成了目前监管要求的6个报送系统,并提供灵活的扩展接口,以便快速搭建后续新的报送系统,并能够确保新应用的扩展,做到不影响已有报送系统的功能,确保了平台的稳定性和扩展性。

  统一的流程管理和控制:统一监管数据报送平台具有良好的权限控制功能,实现了系统相关人员角色和功能模块的自由定制,使填报人、审核人、复核人、数据查看人等多种角色有了比较明确的责任划分和操作权限控制。同时实现数据采集、数据维护、数据加工、数据检验、报文生成等处理的全流程管理,进一步落实了监管统计数据各环节的质量控制责任,做到从数据源到生成指标的数据质量全流程监控。

  统一的批量调度:批量调度程序基于J2EE开发,引入DBUTILS、QUARTZ等开源计算框架,调度任务按照自动化程度分为手动和自动两种;调度周期分为定时调度和批量调度两种;所有任务之间通过配置依赖关系来决定任务执行的触发条件和执行的先后顺序。

  通过基于大数据计算技术建设的统一监管数据报送平台,不仅夯实了信息数据基础,提升了监管数据报送质量,而且通过平台的建设,有效的提升了金融机构的管理理念。通过统一监管数据报送平台建设,共减少冗余存储1.4T;基于平台相比单个建设报送系统减少工作量投入19人月,同时开发效率提升40%,平均开发周期缩短2-3个月;减少设备投入3台小型机,6台X86服务器;数据抽取效率提升150%,整体缩短数据加工抽取时间3小时。特别是在数据报送质量方面效果显著,如标准化监管数据报送,数据自动采集比例从2014年底的67.78%提高到2017年6月的90.76%,支付信息统计分析系统数据加工过程由上线时的8小时缩短为现在的1小时,数据报送的质量和时效性都大大提升。

  三、东莞农村商业银行:大数据平台建设项目

  东莞农村商业银行(以下简称“东莞农商银行”)非常重视科技创新在提升客户体验、创造利润、防范风险等方面的作用,而随着近年来业务的高速发展,历史数据存储和数据快速增长等问题日益凸显,传统技术对这些问题的解决渐显乏力,引入大数据技术不得不提上日程。

  东莞农商银行大数据平台建设项目采用咨询与实施相结合的方式开展,通过与咨询规划能力较强的专业咨询公司及大数据项目实施经验丰富的IT公司进行三方合作,使得大数据平台建设项目既有理论支撑,又能落地实施。本文将从从现状分析、应用规划、平台实施三方面对项目进行具体说明。

  (一)东莞农商银行现状分析

  项目组通过对各业务部门进行访谈及问卷调研,了解东莞农商银行各业务部门在大数据应用方面的现状和期望,同时也从大数据角度分析了行内的数据源情况。

  各业务部门在大数据应用方面的现状和期望主要包括:各部门目前的数据应用现状;未来3-5年内希望实现的对业务具有支撑作用的重要大数据应用场景;大数据应用的关注度和迫切性;目前各部门在大数据获取和支持方面的情况;各部门对历史数据查询的期望。

  数据源情况主要包括:目前行内已经积累了行内行外的多种源数据,包括结构化和非结构化数据,其中对结构化数据的分析应用已经基本支持行内日常业务分析、监管报送和高层管理的要求;另一方面,基于行内已有的非结构化数据,如文本、语音等,引入大数据相关技术进行语义分析,并与结构化数据相结合加强数据价值的挖掘,可进一步支撑大数据应用和业务发展。行内已有的大数据数据源主要有:

  1、行内结构化数据:源业务系统数据和数据仓库数据。

  2、行内非结构化数据:图像(贷款办理、柜面业务、财务系统等产生的扫描件),语音(柜面业务、呼叫中心等产生),视频(柜面业务,监控)等。

  3、行外结构化数据:企业网络舆情信息、人行征信信息、工商注册信息、诉讼信息、向第三方购买的数据等。

  4、行外非结构化数据:网络爬虫数据、向第三方购买的非结构化数据等。

  (二)应用规划及实施线路

  1、应用规划

  结合现状分析以及与行内业务管理人员的交流,项目组收集并总结了基于大数据平台的应用提升要求,并形成了大数据应用规划,主要包括客户洞察、营销支撑、运营提升和风险管控4个领域,各领域的具体应用如图所示:

  大数据应用规划图

  2、实施路线

  项目组认为在东莞农商银行大数据应用实施上,不但需要参考业务部门对大数据应用需求的迫切度和关注度,另一方面也需要考虑行内数据和技术的支撑情况,将大数据平台基础建设,客户洞察、营销支撑、运营提升和风险管控四大领域的应用建设按照时间顺序排列,制成大数据应用规划实施路线图:

  大数据应用实施路线图

  在近期,大数据平台的工作主要是应用场景驱动的大数据开发,首先是平台软硬件的安装部署,以及历史数据查询和存储的落地实施;然后实施客户画像、客户流失分析、精准营销、交易反欺诈等业务应用,其中根据行内项目计划,交易反欺诈应用集市也作为本次大数据平台建设项目的内容。

  在中远期,随着业务的发展、银行对数据的认识有所提高并且重视程度不断加大,业务部门对数据分析的要求以及认知程度也越来越深,大数据平台建设日趋完善成熟,该阶段,在客户洞察方面,完成客户资产识别、新客户识别、客户实时行为分析;营销支撑方面,对实时营销、交叉营销、事件式营销、社交网络营销做相应的活动;同时在运营提升方面,加强舆情分析以及产品和服务优化、客服中心优化、网点(ATM)布局优化;在风险管理方面,开始着手完成客户经理“私售”行为识别、贷后风险异动识别、优化催收管理、担保圈管理等分析应用。

  (三)项目实施

  东莞农商银行大数据平台实施内容主要包括3部分:大数据基础平台、历史数据查询平台和交易反欺诈应用集市。

  1、大数据基础平台

  大数据基础平台的建设目的在于整合各业务系统的数据,准确完整地分析行内现有数据的特点、流向以及使用标准,建立层次合理的数据模型,规范数据架构,完善数据存储和管理机制,满足东莞农商银行业务持续发展的要求,为大数据应用提供数据基础和技术基础。

  (1)平台基础软件

  目前市场上有较多的大数据解决方案提供商,东莞农商银行综合考察了多家产品的性能、稳定性、易用性和可维护性等要素,最终选定了星环科技公司的Transwarp大数据综合平台(Transwarp Data Hub, 简称TDH)作为大数据基础平台的支撑软件。TDH平台的主要组件如图所示:

  星环TDH平台组件图

  本项目主要使用4个组件: HDFS Hadoop分布式文件系统、Inceptor分布式内存分析引擎、Hyperbase实时分布式数据库和Stream流处理引擎。

  (2)系统架构

  大数据平台在系统架构上分为四层:数据采集层、数据层,数据接口层和数据应用层,系统架构图如下图所示:

  大数据平台系统架构图

  图中红色虚线框内是大数据基础平台,与数据仓库平台进行数据交换,是数据仓库体系在大数据环境下的一个重要补充和衍生。大数据平台使用Hadoop处理非结构化和半结构化数据,处理完的数据再导入到数据仓库或各应用系统中以便做进一步的数据展示与分析。以下对大数据平台4层架构作进一步说明:

  数据采集层:从银行内部信息系统、外部互联网、第三方的数据等数据源采集数据,数据采集方式包括数据探头、数据抓取、日志采集、数据桥接等。

  数据层:对采集的结构化数据和半结构化、非结构化数据进行集中管理,进行数据清洗、标准化、存储、索引、数据挖掘、数据分析等操作,实现对大数据的集中管理。数据层将根据处理大数据的类别,分为实时数据区、批量数据区和数据查询功能。在数据层,采用Hadoop,Stream,Hbase,Hive等大数据处理平台和工具,实现批量数据区、实时数据区和数据查询的处理。

  数据接口层:提供支持web环境、数据建模工具、数据可视化工具、数据获取API等外部系统获取和使用大数据平台的数据的技术接口,支持大数据的广泛应用。

  数据应用层:该层将根据数据应用的场景,并依托数据应用的工具,实现大数据应用,本项目已实现历史数据查询和交易反欺诈应用。未来应用场景将基于东莞农商银行的业务范围和特点,实现客户画像、精准营销、风险管控、运营优化等主题的细分场景应用。

  (3)物理架构

  大数据基础平台的物理架构图如图所示:

 

  大数据平台物理架构图

  其中黑色的8个节点是本期项目已建设的结构化大数据集群的物理设备,可用容量约128T(总容量384T),可满足数据仓库历史数据未来5年的存储需要;灰色部分是未来扩容及新建集群的物理设备。

  2、历史数据查询平台

  历史数据查询平台主要使用对象是数据研究分析查询应用及各渠道终端,能实现灵活查询和批量导出。目前它可为业务人员提供《传票流水历史》、《核心非财务交易流水历史》、《表外账交易明细历史》等16张重要流水或明细表的历史数据,其结合星环TDH平台的HyperBase特性,能实现大时间周期、海量历史数据的秒级查询响应。

  历史数据查询平台目前存储的数据主要来源于行内各业务系统或监管系统,分数据缓冲层(ODM)、历史数据层(HDM)、公共数据层(CDM)、决策支持集市(DSM)。ODM层负责数据的接入处理;HDM层负责存储技术层面历史数据;CDM层负责存储业务层面历史数据,包括数据仓库的基础层、共性层和集市层的数据。DSM层负责银行内部决策信息支持,包括历史数据查询集市。相关数据区域和数据流向如图所示:

  图历史数据查询平台数据流图

  具体数据处理流程为:

  (1)数据仓库处理数据后,以批量方式向大数据基础平台提供当天的接口数据;

  (2)历史数据基础平台完成当天数据加载及处理后,以批量方式提交给历史数据查询集市;

  (3)数据进入历史数据查询集市后,按照设定的数据处理顺序,完成数据的整合、汇总处理,然后供历史数据查询应用进行即时的数据检索。

  3、反欺诈应用集市

  反欺诈应用集市主要是根据T+1批量分析的标签数据,实时地对交易数据进行甄别,实现对实时交易数据的欺诈识别及控制等功能。该集市的技术实现结合了HDFS、Redis和Storm的技术特点,即以Hadoop分布式文件系统作为基础存储,以Redis内存数据库作为缓存,以Storm对交易数据流实现高速匹配。

  其数据内容主要以结构化数据为主,系统每天预加载批量分析的标签数据,并且实时收集来自于网银系统、信用卡系统等交易相关系统的实时交易数据。数据模型采用实时统计的维度数据模型或逆范式宽表,实时分析及匹配欺诈引擎规则,达到对交易数据的实时甄别及控制。在数据生命周期方面,实时数据区域只保留当日数据,历史数据会在新数据开始接收前归档清理。相关数据区域和数据流向如图所示:

  交易反欺诈应用集市数据流图

  具体数据处理流程为:

  (1)数据仓库完成数据处理后,以批量方式向反欺诈集市提供当天的接口数据,如客户标签数据;

  (2)网银、信用卡等业务系统发生交易时,交易数据传递给实时数据处理区;

  (3)实时数据处理区接收到实时交易数据后,在内存中实时匹配欺诈相关的规则,实现以内存数据处理技术和流式数据处理框架,完成实时数据统计及甄别;

  (4)实时数据处理平台完成数据处理后,立刻将结果反馈给业务系统。

  (四)应用效果

  1、大数据平台的建立有效解决了东莞农商银行历史数据的保存问题。

  长期以来,为了保证数据仓库的批处理时间和查询响应速度,5年以上的历史数据只能从数据库清理到磁带上,一旦需要查询这部份数据,只能从磁带中恢复,耗费大量的人力物力。考虑到一体机设备的价格较高,存储性价比较低,新一代数据仓库的建成也无法解决此问题。而大数据平台的节点是相对廉价的PC服务器,节点数量理论上能无限扩展,因此能以较低的存储成本把历史数据存储周期延长,实现历史数据保存15年以上的存储规划,有效解决历史数据的保存问题。

  2、大数据平台的建立提高了东莞农商银行的风险防范能力。

  大数据平台上的反欺诈应用集市构建了诈骗识别模型,实时地对交易数据进行甄别,实现对实时交易数据的欺诈识别及控制,有效防止欺诈交易的发生。目前系统能支持500万以上的客户量,用户环境的页面响应快速,每个交易监控的最大响应时间小于2秒,平均响应时间小于1秒,满足日峰值200万笔的业务处理要求,支持TPS大于1500笔/秒,满足稳定、可扩展以及未来业务高速增长的要求。

  3、大数据平台的建立有助于东莞农商银行实现数据资产化,提升盈利能力。

  大数据时代的来临,“数据资产化”的概念受到各行业的高度重视,但数据资源转化为数据资产的一个必要条件是数据能为企业带来经济价值。东莞农商银行的内部数据几乎囊括了其客户的最核心价值,但以往仅仅作为会计账务及其附加流水而保存,只有依赖大数据的数据挖掘技术,才能获取这些数据背后的规律,进而提升盈利能力,创造经济价值,真正实现数据资产化。

相关链接:

作者: 来源:Fintech创新 发布时间:2018-05-16 08:47:59
 
 
  我要发表留言  查看所有评论
 

*
 限制字数显示剩余字数,最大长度: 500 还剩: 500
用户名:
       尊重网上道德,承担一切因您的行为而直接或间接导致的民事或刑事法律责任