數據的 采集技術
看起來比SQL更加友好，完全不懂技術的業務人員也可以操作。但是他解決的只是易用性的問題，功能和傳統SQL比起來不會更好，甚至不如SQL。
開拓新業務
A3 ：根據面試崗位進行相對的準備
現在都沒有想出來，看來數據服務本身還是比較敏感，服務模式也不太成熟，大部分停留在對內服務階段，還遠沒有達到拓展出公司新業態的程度。
負責數據智能部數據產品的規劃設計和系統架構。 在保險行業業務數據的基礎上，研究如何將數據轉化為服務，讓數據為企業的業務服務，為企業的客戶服務，同時為整個行業以及為社會服務。
最常見的兩類監管：
當指標不止一層的時候，一些指標是另一些指標加工而來的，從最終的報表到基礎數據之間隔著好幾層指標，每次算報表的時候都層層往下去算指標，開銷太大了，所以中間很多相對穩定的指標就放在緩存里，以提供給上游的指標使用。
作為數據分析工程師，使用數據的部分往往意味著前端展示技術。傳統的BI系統里的數據展示在大數據的時代過時了嗎？有哪些不同呢？我個人感覺，就外觀來說，沒什么不同，各種大屏展示，現在流行的說法是駕駛艙。
咱們看電話銷售，粗略估計一下，一個公司壽險電銷行業的銷售如果有3萬，每天要打8小時電話，按照3-5分鐘產生1M音頻文件算，每秒鐘大約300M的音頻。這些音頻數據如果不能在產生的時候就實時處理掉，而是積累起來，一天就是24T，后期再想從這些數據里去挖掘價值，就特別困難了。
這兩點要求，傳統的BI系統就不容易實現了，需要利用到大數據平臺作為支撐，才能提供實時的數據查詢展示，展示的數據可以實時下鉆，發現一個指標的關聯指標。
分析技術是大頭，也是現在公司里耗費人力最多的地方，業務需求最集中的地方。先說說傳統的，現在已有的分析方式是什么樣呢？
另外一方面對現有分析技術的改進，是引入 流式處理的模式 ，處理的不是靜態保存起來的結構化數據，而是處理的在一個數據流中的數據。
數據采集技術最大的作用是豐富了數據來來源，和大數據分析技術關系不大，但是往往是和大數據分析平臺集成在一塊兒，形成特定場景的整體解決方案。
*數據倉庫：和普通數據一樣的結構化數據，把業務線重新組織后重新放在另一個結構化數據庫里面，規整好的新數據庫即為數據倉庫。
傳統的持久化存儲技術，有傳統的數據庫，數據倉庫，nosql數據庫，在數據分析中都要用到。這一系列的技術比較成熟，應用場景也很穩定。
就目前保險行業而言，就算完全不使用大數據技術，對保險行業的日常運營來說，沒有任何影響，但是如果不使用大數據技術，那么對未來的運營，一定會有很大的影響。我們在這一部分，聊一聊保險行業里大數據分析的應用場景。
承保是新建保單，投保的時候填寫的，投保人和保險公司簽訂的合同。里面有投保人信息被保人信息，保障內容，賠付條款，免責條款，等等。保全和理賠是修改保單，變更保單的內容，或者拿著保單去理賠。
電商上的客戶大部分都是個人信息，而保險公司記錄了很多用戶生活中的社交關系信息，家庭人員關系，投保被保人關系，這就更加敏感了。
傳統的報表系統的實現方式是什么樣的呢？最底層是基礎數據，在基礎數據的基礎上加工為很多指標，將不同的指標拉到一個表里，生成報表。
大數據分析：在hadoop平臺上實現各式算法
業務數據都是結構化的數據，都是要錄入到業務系統里的，使用關系數據庫保存的結構化數據。
但是在這樣外觀下，大數據的數據展示至少有兩點不同：
光是聽到有這么多的數據，數據分析科學家們一定就很開心了。
數據還是這些數據，但是咱們換個角度看，數據會不一樣。這些保單相關的數據，也可以說全是用戶數據，用來記錄用戶的個人信息和個人行為信息的數據。
* 插碼：我們在瀏覽網頁，例如京東或者淘寶時，一些操作行為、習慣會被記錄下來，這些記錄的工具一般是網頁中的一段代碼，這些預先寫好的代碼被植入已有的系統后，就會具有相應的功能，這個被稱為“插碼系統”。
主要是數據展現相關的技術，數據可視化，多維度展現，數據展現和數據探索結合。
