BeInternetional大數據，盛名難負Agenda1.大數據的時代背景2.大數據時代的典型技術1.大數據的時代背景大數據浪潮興起的主要脈絡2008年9月，NATURE，“SPECIALS:BigData”12月，計算社區聯盟，“BigDataComputing:CreatingRevolutionaryBreakthroughsinCommerce,Science,andSociety”2009年10月，ToyHey,“The4thParadigm:Data-IntensiveScienceDiscovery”2011年2月，SCIENCE，“SPECIALS:DealingwithData”5月，EMCWorld’2011,“CloudMeetsBigData”6月，麥肯錫，“BigData:TheNextFrontierforInnovation,competition,andproductivity”6月，IDC(SponsoredbyEMC)，“DIGTIALUNIVERSE:ExtractingValuefromChaos”2012年1月，達沃斯世界經濟論壇，“BigData,BigImpact:NewPossibilitiesforInternationalDevelopment”3月，美國奧巴馬政府，“BigDataResearchandDevelopmentInitiative”5月，聯合國，“BigDataforDevelopment:ChallengesandOpportunities”美國政府的大數據計劃具有很強烈的宣傳符號色彩3月29日：奧巴馬政府以“BigDataisaBigDeal”為題發布新聞。宣布投資2億美元啟動“大數據研究和發展計劃”以圖增強收集海量數據、分析萃取信息的能力。與工業界、大學研究界、非營利性機構與管理者一起利用大數據所創造的機會。5月23日：在TechCrunchDisrupt大會上，透露了5項將要頒布的重要聯邦舉措。其核心是政府開放數據計劃，將政府數據和一些企業數據公開，以圖改善美國人的生活方式，進而創造工作崗位。6個首先啟動大數據計劃的政府部門中，國家科學基金會的研究內容提到要“形成一個包含數學、統計基礎和計算機算法的獨特科學”，其他大多是應對挑戰的數據工程類項目，如國防部高級技術研究局多尺度異常檢測項目網絡內部威脅項目INSIGHT(網絡威脅自動識別)MachineReading項目Mind’sEys(機器視覺)項目VIRAT(軍事圖像分析與預警)XDATA(半結構化與非結構化數據的計算技術與軟件工具)ObamaElectionTOPContributor麥肯錫的咨詢報告比較系統的確立了大數據的概念更為深遠的可能是“數據科學”的最終興起Allthemodelsarewrong,andincreasinglyyoucansucceedwithoutthem.-FromPeterNorvig,GOOGLE2007年，已故圖靈獎得主吉姆.格雷（JimGray）在他最后一次演講中描繪了數據密集型科研“第四范式”（The4thParadigm）的愿景。即相對于試驗科學（第一范式）、理論科學（第二范式）、計算科學（第三范式）而言。數據科學繼承了統計學的很多東西。。。強調后見之明（hindsight）或預見（foresight）而非洞察（insight）強調相關關系（correlation）而非因果關系（causality）Correlationisenoughandtheendoftheory!*“DataScience”在字眼上最早由EMC提出。。。BigData是什么–用于承載所有的概念BigData的定義–盛名之下，其實難負廣義的:大數據已經不再局限于技術領域。如今，大數據已成為一項業務上優先考慮的工作任務，因為它能夠對全球整合經濟時代的商務產生深遠的影響。除了為應對長期存在的業務挑戰提供解決方案之外，大數據還為流程、組織、整個行業、甚至社會本身的轉型激發了許多新的方式。狹義的:BigData泛指數據集的大小，產生的速度和數據類型超過了通常的數據庫，數據管理軟件在限定的時間范圍內所能獲取，存儲，管理和分析的范疇。這是一個相對的概念，不能從絕對意義上指明某一個數值來定義，而且這個相對的標準根據所處的行業和客戶的不同千差萬別市場曲線2.大數據時代的典型技術以GOOGLE為代表的互聯網公司是大數據發展的始作俑者大數據可以說發軔于GOOGLE于2003年陸續發表的一些技術論文-“TheGoogleFileSystem”“MapReduce:SimplifiedDataProcessingonLargeCluster”“Bigtable:ADistributedStorageSystemforStructuredData”HDFS是GFS的開源實現Fackbook的HayStack解決了海量小文件（如圖片）的存儲問題NoSQL(NotOnlySQL)GOOGLE的BIGTABLEAMAZON的DYNAMOYAHOO的PNUTSACIDvsBASEBasicallyavailableSoftstateEventuallyconsistent以弱一致獲取高可用基于SPANNER的混合型數據庫F1(用于GOOGLE的廣告系統)融合兼有了BIGTABLE的高擴展性與SQL數據庫的可用性和功能性BigData的代表技術

AgileprovisioningElasticcomputepowerScalablestorageresources

Devicemanagement

andanalyticsGeolocationinformationSocialbusiness

interactions

Datastreamsanalysis

HighperformanceInfrastructure

Ultralowresponsetime

HorizontalscalabilityHadoopNoSQLStreaming

PureSQLandRDBMSapproach

BetterhorizontalscalabilitythantraditionalRDBMS

RelativelowhardwareinfrastructureMPPDBSQLOnHadoop數據庫的擴展，延伸和增強是Hadoop技術在目前企業市場最迫切，最可行和可落地的需求Hadoop技術的可接受度是一個大問題MapReduce運算模式與以往的方式大相徑庭，具有比較陡峭的學習曲線以Hadoop技術為平臺的系統的設計，開發，實施，運維，優化對于企業來說是巨大的挑戰SQL支持為大數據技術的落地打開了一扇大門成熟的社區和技術體系架構業界大量的數據依然是結構化數據Pre-ProcessingHubQuery-ableArchiveExploratoryAnalysisInformationIntegrationDataWarehouseStreamsReal-time

processingHadoopLandingzoneforalldataDataWarehouseHadoopCancombinewithunstructuredinformationDataWarehouse1231.海量數據集成預處理2.歷史數據管理系統3.跨域探索性分析+ConsistencyAvailabilityTolerancetonetworkPartitionsCAPTheorem你只能最多同時具備兩個方面分布式計算之MPPShared-Nothing架構演進共享磁盤例如：InformixXPSOracleRACDB2pureScaleDBSAN/共享磁盤DBDBDB網絡SAN/FC完全共享例如：SMP服務器DB磁盤無共享例如：GreenplumDBDBDBDB網絡磁盤磁盤磁盤磁盤MasterMPP注：藍灰色表示共享資源動態數據的實時分析流數據結構或非結構化動態數據流流計算實時對流數據進行分析計算靜態數據上的歷史數據分析批處理模式查詢驅動：靜態數據提交查詢依靠數據庫，數據倉庫傳統計算模式流計算模式QueriesMemoryDiskUpdatesMemoryDiskEventDataQueriesAlertsActions流計算3.互聯網和大數據環境下的金融實踐這表明了什么?商業模式的差異是巨大的互聯網所有的模式都是以客戶中心，流量，入口，體驗至上(真正的以人為本),有兩個案例1.XX行的警告短信2.某歐洲企業的前臺，對于人的尊重，對比其他國內企業傳統行業怎么賺錢怎么賣怎么盈利互聯網不懂傳統行業這是劣勢，也是優勢(經驗是一種桎梏，守成也許適用，但是開拓未必)傳統行業門口的野蠻人整體趨勢脫媒和轉型是中國金融業當前和未來的重要經營主題。金融深化加劇金融脫媒效應，中國金融業面臨轉型和分化?；ヂ摼W金融的快速崛起和迅猛發展帶來金融脫媒和互聯網脫媒的雙重挑戰。在這種背景下更新轉型思金融重構價值鏈，是中國銀行業的重要變革方向?；ヂ摼W的本質是通過技術手段，解決了信息不對稱的問題,解決了“溝通”的問題，一切仰賴于信息封閉與不對稱產生超額利潤的模式與行業都會收到沖擊與挑戰互聯網法則一.

用戶，個人用戶，尤其是有黏合性的用戶，基于社會、組織、商業活動關系構成的虛擬社區用戶，自組織的有目的的群體用戶二.贏者通吃三.分散合作+開放四.用戶體驗至上總則：信息對稱、組織扁平、快速響應，互聯網代表的是一種平民化思潮互聯網為金融帶來了什么極為低廉的交易成本(x86&Cloud)更有效的更快速的大數據分析方法(BigData&FastData)無組織的組織力量-極致與動態的個性群體(以客戶為中心)新的自然壟斷平臺與生態環境(Unifiedplatform&Ecosystem)加上移動互聯網之后更是如虎添翼，永遠在線，模糊了線上線下的邊界(Neveroffline)全新的商業模式和意識形態互聯網金融環境下中國金融業面臨的挑戰除了數據本身的大規模增長以外，銀行業面臨的更大的挑戰是大數據帶來的業務挑戰，這包括：微型企業貸款市場上，銀行與互聯網起家的小額貸款公司難以競爭；在互聯網支付中，網銀支付所占比重越來越低，這使得銀行越來越難以知道客戶的消費行為；互聯網融資模式的出現，在未來可能會超過以銀行為中心的間接融資和以交易所為中心的直接融資模式，這會使得銀行逐漸被邊緣化。所有這些挑戰，本質上是因為銀行對于客戶的了解程度，數據的理解相對越來越弱數據量大PBLevel的挑戰互聯網化帶來的靈活敏捷性挑戰對于數據價值的認識與挖掘能力的挑戰互聯網金融的主要表現形式第三方支付平臺支付寶，快捷支付，PayPal，square移動金融Orange+巴克萊，法國電信網+巴黎銀行，中移動+浦發，M-PESA社交網絡金融Facebook

F幣，Twitter+PayPal

=

Twitpay網絡融資平臺P2P，眾籌，阿里小貸，鯰鄉小貸，余額寶以余額寶來分析產品特點有活期存款的流動性，收益遠高于活期，不設最低門檻的貨幣基金建行的觀察通過制度規避監管風險通過客戶篩選控制市場風險借助大數據降低流動性風險(海量taobao數據的深度挖掘，支付寶支付規律，消費模式，實現實時流動性預估)建行的啟示盡快推出類似產品強化“以客戶為中心”的創新意識(用戶想要什么樣的理財產品)加大信息技術與銀行經營管理的深度融合(復雜的流程通過技術自動化，簡化)基于海量消費數據的動態定價能力是互聯網金融的核心之一

風險的快速準確定價仰賴多源與維度的信息分析盈利

=

收益

–

壞賬

–成本價格

&總貸款量

客戶響應率

&平均貸款額

價格12價格總業務量1價格壞賬率2贏利驅動成分收支平衡曲線逆向選擇測試模型Price(APR%)9.812壞賬率不斷測試和學習Price營業利潤TP0影響最優價格的其它因素:市場競爭經濟狀況Etc...TP1經濟變好及競爭加劇TP2經濟變壞未知的價格彈性價格降低LoanSize貸款量隨價格降低而增加觀察和分析Price最優定價CreditLossRate$LoanSizeResponseRateTP考慮費用因素Taobao基于大數據平臺的數據運算與挖掘DataArchitectureofTaoBao-ForhugedatavolumeandhugetransactionHorizontalshardinginusercenterUserlogindata(90%log)andusermasterdata(10%log)areseparated,andstoredtodifferentdbclusters,OnlineandofflinedataisseparatedRead-writeseparationintradecenterChoosesuitablepartitionkeyRelievethereadbottleneckofmasterdb,scalereadnodesWriteonlyinonedatabaseforconsistency.DealwithcomplexquerySqlisfromcomplextosimpleMulti-tablejoin->complexqueryonsingletable->queryonprimarykeyRequestsPresentationSpringTradeCenter

ProductCenterCommentCenterUserCenterTairdistributedcacheDataAccessLayerHSFHorizontalshardinginusercenterread-writeseparationintradecenterCASE1CASE2CASE3AddsearchinproductcenterTFSTDDLSharddb,shardtableSupportsubsetofsql:joinisnotsupportednow.Limitedtransaction:notcrossdatabase,specialdatasourcesRead-writeseparationTairDistributedcacheTFSDistributedstorageformassive“small”file(<1M).HSFHighperformanceserviceframeworkforthecommunicationamongmodules業務模型?這是企業的隱私幾乎所有的客戶不愿意告訴其他人仰賴與對于業務的熟悉和創新仰賴于基于數據的建模數據標準和數據質量非常重要，并且是需要一開始就規劃和建立的(大多數傳統企業并不是這樣)需要數據科學家數據分析人員數據建模人員模型開發人員4.成功/失敗案例介紹典型場景與案例序號場景描述1歷史數據管理系統/平臺數據生命周期，全量數據存儲與管理2全息信息庫/渠道整合半結構化，非結構化數據與傳統結構化數據倉庫的融合庫3日志分析管理平臺針對運維，應用日志的存儲，管理與挖掘4用戶情感分析與挖掘文本處理，NLP5市場趨勢與行情挖掘預測ML，業務建模大規模并行計算能力6高頻實時交易分析內存計算，實時計算7歷史回放/市場監管歷史數據管理系統的變種…歷史數據管理的現狀與需求1.歷史數據時間跨度長、數據量大，目前做法主要是從備份系統獲取數據，操作周期長，數據恢復、提取過程復雜，對于部分歷史數據，可能難以提供。2.隨著歷史數據的日益增長，歷史數據管理應用己面臨著數據備份恢復時間長、運維成本高、存儲彈性擴展能力差、存儲成本高、無法滿足業務多維查詢的問題；3.電子影像及文檔服務平臺則存在海量歷史數據離線檢索不便、數據備份恢復時間長的問題。同時，隨著近年來業務的發展，產生了結構化數據與非結構化數據整合存儲與聯動查詢的新需求。4.基于全量數據挖掘與建模的需求歷史數據HDS能力需求序號能力描述1數據導入導出數據導入導出1.1數據導入從整合層和從數據服務層導入至歷史數據平臺，進行存儲的能力1.2數據導出從歷史數據平臺導出至數據整合層和數據服務層的能力2數據查詢兩種不同類型的查詢2.1簡單查詢基于單表或者兩個表的簡單在線查詢，基于關鍵id或者時間段的查詢，例如交易明細類查詢2.2復雜查詢多表連接查詢，批量在/離線查詢，支持多種查詢謂詞，多維報表類應用，分析類型查詢，如審計，司法類查詢3數據分析基于應用日志進行各種海量數據數據挖掘分析，客戶行為分析，精準營銷支持等4數據歸檔PB級別的歷史數據存儲，無需進行傳統備份5低成本-高擴展基于x86平臺，能夠上千節點的擴展性應用場景描述序號項目S1交易明細查詢S2外部，內部司法審計查詢S3應用日志分析S4數據導入導出S5數據模型與挖掘應用場景1–歷史交易明細查詢

業務需求針對交易明細，放開給終端用戶進行查詢，面向普通用戶和分行支持網銀或者柜臺進行在線查詢，服務器響應時間要求為在線SLA或者異步方式針對特殊帳號，如taobao類海量交易帳號，可適當延長SLA具體查詢類型用戶帳號+查詢時間段基于單表或者少量表連接應用場景2–司法與審計查詢業務需求支持離線批量查詢，查詢類型多變，不固定格式有單獨的審計數據庫，如審計庫無數據，需要在歷史數據HDS中進行查詢，或能導入至審計數據庫針對特殊帳號，如taobao海量交易帳號，可適當延長SLA具體查詢類型無具體類型ad-hoc查詢應用場景3–應用日志分析業務需求支持離線批量查詢和分析，查詢類型多變，不固定格式基于應用程序日志等日志數據進行用戶行為，用戶偏好等客戶化分析為精準營銷進行服務來自外部的半結構化，非結構化數據存儲與分析具體查詢類型復雜查詢，多表關聯應用場景4–數據導入導出業務需求交易明細數據，加工后的數據，公共處理的數據，輕度加工匯總的數據以及其他各類數據的高速導入導出能力與其他各類源數據庫的交互能力高性能，大吞吐量并行導入導出應用場景5–數據模型與挖掘業務需求海量歷史交易數據的數據建模與挖掘，產生用戶消費行為數據分析圍繞以客戶為中心的各類應用客戶360視圖客戶細分客戶生命周期管理宏觀經濟類面向互聯網背景的業務探索已經展開：服務營銷DDN專線連接一對一客戶信息綁定（唯一識別）基本的功能賬單、積分、額度。。。消費提醒（取代短信？）還款（微信支付？？？）信息推送（較少）未來LBS->想象空間太大語音->機器人客服幾個數字3000千萬持卡人已粉100萬每年上億條的短信費用呼叫中心成本技術性探索也已未雨綢繆：某商業銀行案例（續）打通社會化大數據庫，期待社會化數據內外通達如何把品牌價值透過網絡雜音直擊目標客戶，并及時發現客戶的需求做好精準服務是考驗自身技術段位的如果把銀行內部的客戶號和新浪的微博號掛接起來，在一定程度上就可以做群體營銷了。外部數據引入的動作很關鍵，把微博、QQ、郵箱等社交化的、能很快找到客戶的方式能通達起來。跟傳統的數據存儲放一起，同等對待，建立一個更加立體豐富的數據庫。基本信息、愛好信息、行為信息、分析信息互聯網金融模式新浪微博開發平臺上做了一個繳費應用——“V繳費”國外典型案例：摩根大通已經開始使用Hadoop技術以滿足日益增多的用途，包括詐騙檢驗、IT風險管理和自助服務150PB在線存儲數據、30,000個數據庫和35億個用戶登錄賬號Hadoop能夠存儲大量非結構化數據，允許公司收集和存儲Web日志、交易數據和社交媒體數據。數據被匯集至一個通用平臺，以方便以客戶為中心的數據挖掘與數據分析工具的使用。BankingSolutionsTreeImproveCompanyPerformanceCustomerIdentificationCustomerAttractionCustomerRetentionCustomerDevelopmentEntityResolutionTargetCustomerAnalysisEconomicValueAddCustomerSegmentationLook-a-likeModelingOfferOptimizationNetLift/UpliftModelingChurnPredictionCustomerLifetimeValueSentimentAnalysisLoyaltyModelingComplaintsManagementCustomerProfilingUpSell/CrossSellOptimizationMarketBasketAnalysisPropensityModelingOperationsPlanningAdministrative/GeneralFacilitiesManagementIT/SecurityAnalyticsCostAnalysisDecisionSupportBusinessForecastingEventSimulationWorkforceAnalyticsEmployeeChurnEmployeeUtilizationMarketingServices/ProductsManagementConsumerCreditModelingRiskScorecardSpendAnalysisChannelPreferenceProductOptimizationAssetAllocationAnalysisCommercial/BusinessRiskandExposureAnalysisRetirementBenefitsAnalyticsTreasuryManagementAssetManagementModelingGeneralEconomicForecastingPricingStrategiesPortfolioOptimizationRegulatoryAdherenceAnalysisPhase1Phase2Phase3IncreaseSpendEfficiencyCampaignAnalyticsTradePromotionModelingMarketingMixModelingIncreaseCustomerAcquisitionCustomerSegmentationChurnPrediction,LoyaltyProgramAnalytics&TargetingCustomerLifetimeValueCustomerSegmentationSiteSelectionDigitalPresence&SocialMediaAnalyticsCrossChannelCustomerViewIncreaseBasketSizeCorrelationAnalysisAffinityAnalysisCross-sell/Upsell&NBO?Copyright2012EMCCorporation.Allrightsreserved.53發展方向建議-樣例5.超越大數據，發展與展望金融服務業“大數據”發展的10大趨勢（Sungard）對更大的歷史數據集的需要新的監管和合規要求更加深入的數據分析自身風險管理框架的完善對風險可審性與管理強度的要求利用更多服務交付渠道帶來的更多數據及其分析需求市場中對數據處理基礎設施的大量投資幫助金融服務業充分掌握數據價值、降低成本并發現套利需要重新設計ETL流程以適應數據擴展使用預測信用風險模型移動設備的普及要求處理和整合非結構化數據推動了對數據處理算法的需求風險管理數據集成分析&價值但最大的趨勢可能是。。。金融業發展互聯網金融和大數據的一些思考金融的客戶數據和交易數據是大數據的重要組成部分，是進行金融互聯化最大的寶藏之一外部/線上數據作為銀行內部數據的補充，現階段內部的客戶行為數據和交易數據具有最大的價值大數據的技術架構不一定馬上能夠解決，重要的是大數據應用的理念金融機構的比較優勢壟斷性的線下能力金融專業能力強大的資本實力和雄厚的客戶資源積累了非常多的客戶資金數據當前金融業從事互聯網金融和大數據的幾大缺陷戰略上重視度不夠，資源投入不足，缺乏有效的基礎架構支持內部管理中互聯網文化與傳統銀行文化存在沖突商業模式上對互聯網精神尊重不足銀行創設的平臺較為封閉，銀行服務反而是短板大數據人才(基礎架構人才，應用開發人才，大數據分析人才)的缺乏。為什么大數據現在在國內叫好不叫座深層次的原因，數據化，量化管理和決策與我們的文化與習慣不太契合案例:一個做BI和前端展現的朋友和我講的一個企業老總的故事,數據裁剪不分緣由的問責制，缺乏支持創新的文化和氛圍現有的基礎架構是面向功能性的，而不是面向主題和客戶，導致數據的不一致性，質量問題和集成性問題。具有政治壁壘屬性技術的成熟度，最后一公里的實現缺乏相應的技術人才，咨詢人才和業務人才能夠實施和運維的基礎技術人才–不多將業務問題轉換為大數據架構上的模型的咨詢人才–非常少運用新的技術力量提供的能力優化業務模型的業務人才–幾乎沒有互聯網企業的比較優勢創新基因更符合互聯網精神的企業文化監管套利平臺競爭方面的先發優勢如何將推進大數據技術在傳統企業落地

BigData需要仰賴一個可擴展的基礎架構和大數據團隊2BigData的應用需要在一開始就找準可度量的業務價值5圍繞推進以客戶為中心的創新1BigData要真正發揮力量需要依靠先進的分析技術4最初的努力需要著重于內部已有數據的利用和挖掘3實驗精神和試錯精神-Readytofail!6大數據的愿景我堅定的相信，如果傳統的行業，金融，電信，醫療，政府與公共事業等等，能夠善加利用和挖掘數據的寶藏一定會給人民群眾帶來更多的驚喜，便利，大幅的提高客戶的滿意度和生活的幸福感。如同目前的互聯網企業一樣對于企業的影響我的建議IT和業務部門需要能夠識別，利用大數據處理技術來給實際的業務，商業和企業發展以巨大的幫助CIO和IT領袖需要開始投入資源，或者使用一個實際的業務項目來演練大數據技術，鍛煉整個相關的團隊IT部門將要全面的支持大數據的方案，并且這種支持并不是暫時，而是長遠的在進行技術路線或基礎設施規劃時，需要考慮投入適當的預算，人力和項目來應對大數據的挑戰企業的數據倉庫和數據集市面臨巨大的變革來迎接大數據的時代，或者面臨被淘汰的危險考慮使用新興的大數據技術架構或適合于本行業的大數據方案來擴展和延伸當前的企業數據倉庫商業分析人員在使用大數據處理技術對業務提供指導必須要謹慎的考慮數據的真實性和分析結果的可信度以及數據隱私，否者會對商業產生不可估量的損害上線試點項目或者系統，持續收集反饋信息，積累經驗，與成熟的有經驗的廠商進行合作，確保整體規劃方向正確，確保初創項目得到最好的咨詢和實施服務大數據技術未來的熱點方向大數據時代的信息隱私保護–用戶偏好與客戶把握與隱私保護為天然的矛盾少數派報告關于一切數字化后，人類無處遁尋的災難，信息隱私保護的問題，對于再無隱秘可言的擔心。人們會被預測將要犯罪而被逮捕。黑鏡子第三季關于虛擬人生的探討基于大數據的建模預測分析技術[真正帶來價值的部分]統計學習,機器學習DeepLearning圖片視頻等非結構化數據的實時分析[非結構化數據的處理]中文文本的語義級別信息挖掘[NLP,智能問答系統]冬天能穿多少穿多少，夏天能穿多少穿多少。。。StaticwebsiteWebfrontendUserDBQueueAnalyticsDBBackgroundworkersAPIendpointnginx1.5+modsecurity+openssl+bootstrap2postgresql+pgv8+v8hadoop+hive+thrift+OpenJDKRuby+Rails+sass+UnicornRedis+redis-sentinelPython3.0+celery+pyredis+libcurl+ffmpeg+libopencv+nodejs+phantomjsPython2.7+Flask+pyredis+celery+psycopg+postgresql-clientDevelopmentVMQAserverPublicCloudDisasterrecoveryContributor’slaptopProductionServersMultiplicityofStacksMultiplicityofhardwareenvironmentsProductionClusterCustomerDataCenterDoservicesandappsinteractappropriately?CanImigratesmoothlyandquickly?目前傳統IT架構-非互聯網化架構日益受到的挑戰超越大數據,大數據已是過去時!Software-DefinedDatacenterNewData-fabricsTheSoftwareDefinedDataCenterNewExperiencesNewBizModelspioneeredbynewConsumer

InternetgiantsInternet-of-thingsPervasivetelemetryMainframeClient-Server&WebCLOUDERAOperateatScaleinahighlyautomatedwayAWSVMW...ETC超越大數據-云時代的新平臺建議NextGenerationPlatform大數據快數據快速迭代開發與集成FromVMwareFromEMCIaaS云抽象化與應用自動部署擴容與運維新一代金融的IT服務層次

以云服務為基礎，以數據為核心，以分析為手段基礎云服務數據云服務應用云服務“整合”–互聯網基礎設施化，建立互聯網基礎設施云服務平臺，提供支撐互聯網銀行的IT基礎設施“創新”–以渠道拓展和風控加強兩個層面為基礎，去進行業務、服務、營銷和服務創新，提升業務“關鍵”–扎實的數據服務基礎和云服務能力是支撐互聯網銀行各服務正常和低風險運轉的重要保障新一代金融的IT服務細化

數據的核心價值數據處理融合大數據的數據倉庫數據服務數據管控業務創新渠道創新互聯網、移動、自助等營銷創新整合創新基礎設施接入和虛擬化管理存儲服務器網絡關鍵客戶賬戶交易數據操作系統風控創新以數據為核心競爭力服務創新基礎云服務數據云服務應用云服務...ETC支持開放標準并與開源有效互動以數據為中心不與特定云平臺綁定,方便靈活部署針對企業的需求針對開發者的需求3個平臺無縫集成1.應用虛擬化平臺，支持多種IaaS2.數據中心平臺3.應用開發與服務平臺可伸縮的存儲和計算: