银行业金融大数据服务平台项目规划书.doc

《银行业金融大数据服务平台项目规划书.doc》由会员分享，可在线阅读，更多相关《银行业金融大数据服务平台项目规划书.doc（16页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、|银行业金融大数据服务平台项目规划书|项目介绍1.1项目背景银行业一直是一个数据驱动的行业，数据也一直是银行信息化的主题词。银行的信息化进程先后经历过业务电子化、数据集中化、管理模型化等阶段，如今随着大数据技术的飞速发展，银行信息化也进入了新的阶段：大数据时代。目前，国内银行都积累了海量的金融数据，包括各类结构化、半结构化、非结构化数据，数据量巨大，存储方式多样。但是这些海量数据还没得到充分利用，显得价值含量较低。只有经过合适的预处理、模型设计、分析挖掘后，才能发现隐藏在其中的潜在规律。而应用大数据分析技术，可以从海量的、不完全一致的、有噪声的、模糊的、随机的数据中提取隐含在其中的、人们事先不

2、知道的、但又是潜在有用的信息和知识。银行可以利用这些信息和知识来提升金融业务的服务效率和管理水平，银行的关键业务也能从中获得巨大收益。银行在大数据技术应用方面具有天然优势：一方面，银行在业务开展过程中积累了大量有价值数据，这些数据在运用大数据技术挖掘和分析之后，将产生巨大的商业价值；另一方面，银行在资金、设备、人才、技术上都具有极大的便利条件，有能力采用大数据的最新技术。建立“金融大数据服务平台” ， 可以通过对金融数据的挖掘、分析，创造数据增值价值，提供针对银行的精准营销、统一广告发布、业务体验优化、客户综合管理、风险控制等多种金融服务。1.2业务需求目前，银行客户对数据的利用仍是以各类统计

3、报表为主，存在以下重大弊端：1. 对数据的分析仅按照固定项目，对业务情况进行事后统计分析和监控。实际上没有找到隐藏在数据背后的原因，数据深度分析和数据挖掘能力不足。2. 对数据的分析仅作为专项的统计分析结果输出，对于数据间的因果影响、相关性分组或关联规则、聚类、描述和可视化等工作尚未开展，数据关联分析能力不足。|3. 统计分析侧重在事后的数据汇总，难以从数据汇总中得到客户服务事件发生的规律，以及前瞻性判断，数据的预测性分析能力不足。针对具体的金融业务，大数据分析在以下方面有着迫切的需求：统一广告发布：目前金融行业客户在广告方面投入大、渠道多，但在确认真实效果、提供优化广告策略时却不能提供确切的

4、数据证据。亟需利用大数据技术在收集各类型、各渠道广告发布数据的基础上，提供可靠的效果数据和优化策略建议。精准营销：目前金融行业的营销方式基本上还是粗放式的，调查方式粗糙，分析原因简单，对过程的控制力差，对客户和产品的推广都缺少针对性。亟需利用大数据技术来收集详尽数据、科学分析原因、严格控制过程、并有针对性地面向客户和产品进行营销推广。业务系统优化：目前金融行业对其业务系统的客户体验效果、客户转化率缺乏准确数据支持，也无法分析具体原因。亟需利用大数据技术获得各业务、各环节的客户转化率，从而有针对性地改进业务流程，提升服务质量。客户流失分析：对于如何稳定留存客户、降低客户流失率，目前金融客户还无法

5、准确分析客户流失的原因，也就无从提出有效的改进措施。亟需利用大数据技术在分析流失客户数据的基础上，提出改进客户关系管理效率和水平的有效建议。风险分析：金融行业对自己客户和业务的风险分析停留在初级阶段，缺乏全面掌握和提前预防的技术手段。亟需利用大数据技术获得存在较高风险的客户群体及业务，作为对其进行重点监控和提前做好预防措施的基础。通过建设金融大数据服务平台，研发基于大数据分析的统一广告发布系统、精准营销系统、业务体验优化系统、客户流失分析系统和风险分析系统，金融客户可以提升广告发布效果，提高营销针对性，优化服务质量，改善客户管理水平，预防风险冲击，进而为业务发展提供决策支撑，并促进相关领域构建

6、新的业务模式、服务模式。二. 项目范围北京 XXXX 技术有限公司自主研发的“金融大数据服务平台” ，旨在为金融行业客户提供包括数据采集、数据存储、数据预处理、数据挖掘、可视化展现、业务实现等全流程服务，以帮助客户实现各种金融业务。| 数据采集“金融大数据服务平台”首先需要收集各种金融数据，它们可能是结构化的，也可能是半结构化或非结构化的；既可能来自银行内部的各业务系统，也可能由外部提供；既可以是静态的（如属性数据） ，也可以是动态的（如行为数据） 。而金融数据采集产品就是根据业务需要，将这些数据采集到“金融大数据服务平台”中。 数据存储Hadoop 集群通过将数据分配到多个集群节点上并进行并

7、行处理，因此尤为适合对大数据的存储和分析。Hadoop 集群通过添加节点数量来有效的扩展集群，因此具有极好的可扩展性；Hadoop 软件都是开源的，也不必购买昂贵的高档服务器，因此具有很好的性价比。Hadoop 集群将数据分片发送至多个节点保存，因此具有极高的容错性。 数据预处理采集到金融数据来自多种数据源，大多存在着不完整性和不一致性，无法直接用于数据挖掘或严重影响数据挖掘的效率。因此在进行数据挖掘之前，通过使用数据预处理工具，灵活对原始数据的清理、变换、集成等处理，可以减少挖掘所需数据量，缩短所需时间，并极大提高数据挖掘的质量。 数据挖掘数据挖掘是通过分析数据、从大量数据中寻找其潜在规律的

8、技术。利用预测、关联、分类、聚类、时序分析等技术，数据挖掘可以从海量的、不完全的、有噪声的、模糊的、随机的数据中提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识。目前，传统的数据挖掘产品在大数据平台上还存在一些局限性，研发一套 Hadoop 平台下的数据挖掘工具是一项极具挑战性的任务。 可视化展现数据挖掘得到的结果，往往数据量巨大、关联关系复杂、维度多以及双向互动需求等。可视化展现工具以适合人类思维的图形化的方式对结果进行展示，提高了数据的直观性和可视性。可视化展现面向各类客户，通过选择合适的可视化模型，将枯燥的数据转换为令人印象深刻的美丽图形，极大提升了数据的利用价值。 业务实

9、现“金融大数据服务平台”的效果，最终需要集成在各类金融业务系统中才能得以体现。目前拟建设的金融业务系统有：精准营销系统、统一广告发布系统、业务体验优化系统、客户流失分析系统、风险分析系统等。|三. 项目目标实施针对银行的“金融大数据服务平台”项目，通过采集银行内部与外部、静态与动态的各类金融数据，搭建适于大数据存储与分析的 Hadoop 集群，对金融数据采取合适的预处理方式，利用数据挖掘技术得出隐藏在海量数据后的、有价值的潜在规律，以丰富的可视化模型向客户进行展现，在此基础上实现精准营销、统一广告发布、业务体验优化、客户综合管理、风险控制等金融业务应用。由此，提升金融业务的水平和效率，推进银行

10、业务创新，降低银行管理和运行成本。本项目的具体技术目标包括：开发金融数据采集工具：大数据分析需要收集来自银行内部的和外部的、静态的和动态的各种金融数据，为此开发各类金融数据采集工具，如动态采集 SDK、日志提取分析工具、外部数据导入工具等。搭建 Hadoop 大数据集群：搭建 Hadoop 大数据集群，是建设 “金融大数据服务平台”的基础。利用多台性能较为一般的服务器，组成一套基于 HDFS 和 Map-Reduce 机制的集群，并根据需要在其上安装 Hive、HBase、Sqoop 、ZooKeeper 等软件。实现分析挖掘算法：支持 Hadoop 的分析挖掘算法，是“ 金融大数据服务平台”

11、的一个关键组成部分。在利用传统数据挖掘技术的基础上，实现包括抽象的数学算法（如关联算法、分类算法、聚类算法、时序分析算法等） ，以及在此基础上针对金融业务的专业算法（如客户行为特征模型、效果分析模型等） ，作为进一步构建抽象模型和金融专业模型的基础。构建分析挖掘模型：支持 Hadoop 的分析挖掘模型，是“ 金融大数据服务平台”的另一关键组成部分。在上一步基础上，快速构建抽象的数学模型（如神经网络模型、事物关联模型等） ，以及针对金融业务的专业模型（如精准营销模型、广告效果评估模型等） 。实现 ETL 工具：数据预处理也是“金融大数据服务平台”需要解决的问题之一。利用市场上已有的数据预处理成果

12、，研发一个支持 Hadoop 的 ETL 工具，实现包括规范化、数据抽样、数据排序、汇总、指定因变量、属性变换、数据替换、数据降维、数据集拆分、离散化等功能。实现可视化展现工具：“金融大数据服务平台”上的分析结果将主要采用丰富多彩的可视化形式向用户进行可视化展现。利用市场上已有的相关技术和产品，研发一个可视化|展现工具，可以支持：分类树图、视觉聚类图、关联图、序列图、回归图等多种可视化形式。实现金融业务应用：将分析挖掘的结果集成到具体的银行业务系统中，如精准营销系统、统一广告发布平台、业务体验优化系统、客户综合管理系统、风险控制系统等。具体方式既可以是实现某个独立的新业务系统，也可以是在现有系

13、统中实现一个或多个新模块，从而扩充或提升原有的功能。本项目的具体业务目标包括：精准营销：综合分析客户行为特征信息和金融业务分类信息，可以得到客户最有可能感兴趣的业务以及业务最有可能的潜在客户群，以此为基础有针对性地开展营销；统一广告发布：分析广告效果分析信息，可以得到各类型、各渠道的最佳配置或薄弱环节，以此为基础改变广告策略、提升广告效果；业务体验优化：分析客户业务体验信息、客户流失信息，可以得到客户在各业务、各环节的转化率，分析流失原因，在此基础上改进业务流程、提高服务质量，以提升客户满意度；客户流失分析：综合分析客户行为特征信息、客户流失信息及其它信息，得到客户的全方面分析结果，在此基础上

14、改进客户关系管理的效率和水平；风险分析：分析客户属性数据、风险分析数据，可以得到存在较高风险可能的客户群体和业务信息，在此基础上区分特别关注目标、制定预防措施，降低这些客户和业务可能带来的冲击 。四. 技术方案4.1总体架构“金融大数据服务平台”由数据采集层、数据存储层、分析挖掘层和业务应用层组成，总体框架如下图所示：|数据源传统系统 电子银行手机银行数据采集层动态采集 S D K外部数据源日志提取分析工具外部数据导入工具 其它数据提取工具关系数据库数据存储层H a d o o p 集群分析挖掘层客户行为特征模型 精准营销模型业务体验优化模型 客户流失分析模型业务应用层精准营销系统统一广告发布

15、系统客户流失分析系统数据提取 、 导入数据预处理建模 、 评估可视化展现 、统计分析报表风险分析系统广告效果分析模型风险分析模型业务体验优化系统数据采集层：负责从各类数据源中提取、导入数据，主要产品包括：动态采集 SDK、日志提取分析工具、外部数据导入工具、其它数据提取工具等。数据存储层：负责将预处理后的数据进行存储，主要由可进行横向扩展的 Hadoop 集群构成，另外辅之以关系数据库作数据中转、元数据存储、供某些软件使用等用途。分析挖掘层：负责金融数据经建模、挖掘、评估和发布，核心是实现两类数据挖掘的算法和模型：一类是抽象的数学算法及模型，另一类是在此基础上针对金融业务的专业算|法和模型。业

16、务应用层：负责将分析挖掘结果的可视化展现形式，集成到相应的金融业务系统中。另外，在数据采集层和数据存储层之间，由 ETL 工具负责数据预处理任务；在分析挖掘层和业务应用层之间，由可视化展现工具负责分析挖掘结果的可视化展现任务。4.2技术架构“金融大数据服务平台”的技术架构采用多层次形式，如下图所示：静态数据日志文件 其它数据C / S 应用客户端数据采集M a p - R e d u c e日志分析 、 提取S q o o p关系数据库导入 定制化程序其他数据采集H D F S + M a p - R e d u c eK e t t l e , 数据抽取 、 转换 、 加载H i v e H

17、 B a s e Z o o K e e p e r关系数据库R 分析包 , S A S , 分析挖掘模型R 分析包 , S A S , 分析挖掘算法R 图形包 ， 可视化展现业务系统 1 业务系统 2 业务系统 3 数据源数据采集层数据存储层分析挖掘层业务实现层动态数据数据源包括各类动态数据（如行为数据） 、静态数据（如属性数据） 、日志文件以及其它数据等，可以是结构化的、半结构化的和非结构化的数据。在数据采集层，各采集工具根据具体情况采用不同的技术实现方式，如对动态数据的采集，使用 C/S 架构的客户端采集 SDK，对日志文件使用 Map-Reduce 方式的分析提取工具，|对静态数据按

18、Sqoop 方式从关系数据导入，对其它数据则使用定制化程序，等等。ETL（数据抽取、转换、加载）将采集到的各种数据整合成统一的数据模型，包括数据清洗、数据转换、数据规约、数据集成等。为加快项目进度和保证项目质量，初步决定在某个支持 Hadoop 的开源 ETL 产品（如 Kettle）的基础上进行二次开发。在数据存储层，Hadoop 集群使用 Hadoop 技术生态圈的诸多关键技术，包括：分布式存储 HDFS 系统、并行处理 Map-Reduce 机制、No-SQL 数据库 Hbase、数据仓库 Hive、协调系统 ZooKeeper 等。此外，还需用到关系数据库担任数据中转、元数据存储、供某

19、些软件使用等用途。分析挖掘层的任务是在 Hadoop 集群实现各种分析挖掘算法和分析挖掘模型。算法和模型有两类，一类是抽象的数学算法（如聚类算法、关联分析算法）和数学模型（如神经网络模型、事物关联模型等） ，另一类是此基础上构建的专业算法（如金融客户分类算法、效果评估算法）和专业模型（如客户行为特征模型、效果评估模型） 。为加快项目进度、保证项目质量和扩大适应范围，初步决定在 SAS 和 R 的分析挖掘包的基础上实现算法接口，并利用算法接口构建大部分模型，其余部分视实际情况而以自主研发方式构建。可视化展现将分析挖掘结果面向用户进行各种可视化展现（如散点图、直方图、分布图、饼图等） ，分析挖掘的质量也决定着展现的质量。为加快项目进度，初步决定在某个可视化展现开源产品（如 R 的图形包）的基础上进行二次开发。在业务实现层，分析挖掘结果集成到相应的金融业务系统中。具体方式既可以是实现某个独立的新业务系统，也可以是在现有系统中实现一个或多个新模块，从而扩充或提升原有的功能。4.3物理架构“金融大数据服务平台”采用集中部署方式，硬件环境由 Hadoop 集群服务器和数据库集群组成，如下图所示：关系型数据库H a d o o p 集群D N 2 D N 3N N 1 N N 2 D N 1 D B D B. . .