方案背景

大數據是繼云計算、物聯網之后IT產業又一次技術變革。“大數據”是公司在日常運營中生成、累積的用戶網絡行為的數據。這些數據的規模龐大，以至于不能用GB或TB來衡量。對金融行業而言，虛擬化及電子化交易將成為大數據時代金融行業發展的特征。因此，積極針對大數據布局，從戰略層面應對大數據時代的挑戰，推進并建立起數據驅動型發展方式的金融機構將獲得比同業更高的效率。以有效提升交叉銷售、投資管理市場份額及能力，并由此培育出自己的信息核心競爭力。

方案目標

泓維明昊銀行大數據分析平臺圍繞運營優化、管理提升、風險控制為三大建設目標，主要體現為:

1．以用戶數據為核心的運營優化，通過客戶畫像、精準營銷、產品優化、輿情分析、市場和渠道分析，全面提高運營效率。 

2．以投入產出與價值貢獻為導向的管理提升，通過績效考核、領導駕駛艙、管理會計平臺等應用真正實現精細化管理。 

3．利用多維度的安全判斷和更細粒度的建模及預判實現中小企業貨款評估、實時欺詐交易分析、反洗錢業務分析等應用加強對商業銀行風險的識別、評價和預答，有效防范金融風險。

方案價值

1.高性價比，低TCO

整個系統架構，摒棄了傳統系統常見的向上升級(Scale-Up)的思想，不管是數據集市還是BI前端，都支持橫向升級(Scale-Out)。隨著企業的業務增長，數據分析需求都會大幅增長，基于X86 PC Server集群的平臺架構十分關鍵。在這種架構下，我們不用采購昂貫的小型機去支撐高并發，去支撐海量數據計算，去支撐數據分析業務的發展，而是采購多臺普通的PC Server搭建集群，建設高性價比的分析平臺。

2.快速發布，持續迭代

數據層敏捷:數據層無需做數據的預先匯總計算。傳統的架構需要將數據提前按照能考慮到的所有維度的組合，以及所需的指標進行匯總，或者通過打Cube的方式預先計算好。但敏捷BI的方式是：只將數據關聯做好，導入的數據還是細節數據，所有的計算都是在用戶點擊時發起實時計算。因此，數據層只需再建立一個輕量模型，導入新需求的細節數據即可。

應用層敏捷:采用靈活的ROLAP機制，每個點擊發起的需求都會實時拼出SQL，送給計算層去計算，比較容易適應業務變化。模塊層次少，建模完就可以直接設計報表和Dashboard，或進行探索式分析。因此對于終端用戶來說也簡單易用。

3.自服務式和探索式多維分析

基于主題的集市，已經將物理表結構在語義上轉義成便于理解的邏輯結構，終端用戶通過拖拉拽的方式可以輕松自定義報表或儀表盤。

前端系統的交互和分析能力:過濾、鉆取、縮放、關聯、變換、動態計算、鏈接等等。用戶通過發現問題，找到答案，做出商業決定，形成探索式的分析。

4.高可用性

離線分析平臺和在線分析平臺都是分布式架構。數據存儲是分布式的，數據的計算也是分布式的，還帶有備份機制和監控機制。當某一臺機器宕機，其他機器會自動承擔所有計算。該分析計算平臺應用廣泛，有的電信級客戶的數據量已經達到了上百T，依舊運行穩定可靠。該分布式數據集市支持對計算和存儲節點進行熱插拔擴展.可以從一個節點擴展到幾十個甚至上百個節點。

5.高并發性

在線分析平臺支持高并發。數據集市作為計算層，支持分布式計算，采用MapReduce架構來提高計算效率。BI前端可直接連Oracle或Hadoop，但是不建議采用Oracle或Hadoop來支撐高并發的OLAP系統。因為，Oracle是行式存儲的，在OLTP系統能支持好高并發，但支持不好高并發的OLAP系統;而Hadoop系統作為高性價比的倉儲系統，也不適合于做實時分析系統。泓維明昊的分布式數據集市，是列式存儲的，采用良好的內存計算技術.可基于多臺存儲和計算節點并行工作.非常適合海最數據的實時數據分析。