隨著海量數據存儲和處理技術的發展，數據的價值將進一步凸顯，銀行自身要用好數據，基于客戶賬戶數據進行客戶畫像，預測客戶潛在需求，推出有競爭力的產品，根據客戶消費數據，結合場景進行智能推薦，并進行風險預測和干預，提升盈利水平，作為金融數據服務提供方，要能在合規的前提下提供高質量的數據服務，打造場景化的金融生態體系。

云時代背景下，大數據(Big Data)吸引了越來越多的關注，數據中蘊藏著豐富的價值，通過提升數據管理和處理能力，應對數據急速增長的挑戰，更多、更好地挖掘數據的內在關系并加以應用，成了金融業發展共同的目標。

隨著業務發展和公司治理要求的不斷提高，各類應用系統產生的數據量急速增加。據初步統計，目前行內各應用系統每年產生的非結構化數據已經超過1PB，結構化數據也以百TB計，加之已歸檔的歷史數據，總數據量已經需要以PB為單位計算。

大數據的特點可歸納為“4V”。數據體量大，數據類型繁多，價值密度低，云主機租用，處理速度快。當前的軟硬件環境，在爆炸式增長的業務和管理數據面前，凸顯出了若干問題，包括數據存儲成本高、橫向擴展能力欠缺、大規模數據分析性能較差、歷史數據難以有效利用等。數據的急劇增長和類型復雜迫切需要快速且有效的處理技術，而以Spark、HBase、Kafka等為代表的Hadoop生態系統則是大數據處理領域的利器。

當金融業遇到大數據技術，能帶來什么點石成金的效果，可從幾個典型的應用場景中見到。

一是海量金融數據的存儲與管理，交易渠道的多樣化帶來明細類結構化數據的快速增長，“雙錄”等監管類要求使影像、圖片、電子憑證等非結構化數據也呈井噴之勢，傳統的數據庫、內容庫等技術因擴展性不高而應對乏力。Hadoop的分布式架構特點為應用提供海量數據管理方面的核心能力，包括結構化數據或半結構化數據的存儲、查詢等，在一定程度上替代傳統關系型數據庫的功能;非結構化數據的存儲和管理，在一定程度上替代傳統文件系統的功能;結構化數據、半結構化數據或非結構化數據的統計、分析、挖掘能力，可基于此構建數據倉庫或數據集市，形成互聯網銀行業務拓展的數據支撐，完成多格式文件隨機存取管理、海量數據統計、分析等多種場景的應用實踐。

二是客戶畫像與精準營銷。金融業面對的客戶群體數量眾多，需要快速識別目標客戶，推出有競爭力的金融產品并進行精準化營銷，依托大數據技術的客戶畫像正是實現該目標的利器，其核心是對客戶屬性的標簽化。

三是交易監控與實時風險識別。金融業競爭中，保證實時性也就保證了競爭的優勢地位，要做到交易快速響應，在用戶無感知的情況下，完成風險識別等操作，既確保交易的安全性，又不影響客戶體驗。

四是多維分析與商業智能。

五是基于內容的業務知識智能檢索。通過對于用戶輸入的關鍵字等內容與海量檢索對象進行相似度匹配，并依據相關性高低進行排序，返回用戶最可能需要的內容，并基于用戶反饋及時調整檢索結果，保證檢索的有效性。

六是歷史交易明細實時查詢。隨著互聯網金融的發展，交易的頻度和復雜性也隨之快速增長，域名注冊，交易數據源源不斷產生，如何提供高質量的數據查詢服務，滿足客戶全天候、場景化且實時性的數據訪問需求，成了數據管理的核心命題。

業務交易數據產生于各自的交易系統(如核心系統)，并通過交易系統提供當日數據的查詢服務。采用Hadoop集群進行歷史數據存儲，歷史交易數據通過數據交換平臺獲取，通過批量方式每日執行數據導入，數據導入過程支持數據校驗和異常數據清洗，清洗處理后的交易數據采用實時數據庫HBase作為存儲容器，保存業務系統歷史交易數據。對外提供了交易數據統一查詢服務，覆蓋交易系統中的當日交易數據和HBase中的歷史交易數據，對終端用戶提供統一的數據訪問視圖。

基于以上這些典型應用場景，依托大數據技術可實現風險實時管控、產品精準營銷、支持商業智能決策分析、海量知識快速檢索，更好地讓數據服務業務發展。目前，農行正在逐步構建從采集、存儲、分析、展現到應用的全流程數據服務體系，而在打造全行數據平臺的過程中，還需要著重關注以下問題：

第一，價值驅動，架構先行。數據的存儲和管理是手段，目標是獲取數據的價值。一切對于數據的管理均應基于其價值，對于價值密度高的賬戶類、交易類數據，不僅要管理好，還要利用好，建立數據間的關聯，挖掘潛在的價值。對于數據中臺的建設，要堅持架構先行，確立整體數據架構，通過數據治理等手段，加強數據模型的統籌管理，提升數據質量，并結合服務接口管控，提升數據服務能力，逐步實施架構演進，打造數據領域的開放平臺。