未来数据仓库的应用趋势_数据中心

数据仓库只有在顺应业务发展过程中不断完善技术能力，提供更灵活、丰富的服务，才能更好地支撑银行发展。从基本的信息提供角色开始，数据仓库将逐步演化为连接市场与企业管理的重要桥梁。

数据仓库的应用范围及价值是由银行自身业务发展决定的。目前，数据仓库应用的三大核心领域是客户管理、风险管理和财务与绩效管理，涵盖了银行从市场到自身管理的一系列过程。因此，业务的发展趋势就是数据仓库的应用趋势，数据仓库只有在顺应业务发展的过程中不断完善技术能力，提供更灵活、更丰富的服务，才能更好地支撑银行发展。数据仓库从基本的信息提供角色开始，将逐步演化为连接市场与企业管理的重要桥梁。

一、银行变革为数据仓库新应用创造新契机

随着全球一体化进程的加快，国内银行的变革也在加快，金融创新风起云涌，我们来分析一下银行变革对未来IT及其数据仓库发展带来的影响。

1．流程银行

有人把银行IT系统建设划分为三个阶段：第一阶段是集中，第二阶段是以客户为中心、第三阶段是流程银行，可见流程银行对IT的重大影响。

“流程银行”强调按照横向设置流程，按照流程设置部门。银行各部门是按照前、中、后台严格分离设置。以“成本、灵活、风险”三要素为根基的IT架构设计思路，支撑流程银行的信息系统变革。

“流程银行”是通过一个个高效的流程连接银行前、后台实现业务操作。因此，从技术上说，处于后台数据分析核心的数据仓库如何配合前台业务，是后续发展的重点。银行针对客户价值分析、风险分析等一系列结果，都要以前台应用作为目标，前台的服务也要考虑如何充分应用后台资源。这将改变目前某些银行的数据仓库建设现状，即大部分的数据分析、处理是为了满足监管和宏观管理的需要。

2．事业部改革

从本质上来讲，事业部制是把市场竞争机制引入公司内部，按照产品、区域、渠道、客户等划分若干独立战略经营单位，实行“集中决策、分散经营”的一种组织管理模式，是对职能制管理模式的一次革命。

“集中决策、授权经营”是事业部制度的核心特征。为决策科学化而生的数据仓库就可以在这个过程中发挥巨大的作用。而植根在数据仓库中的风险管理同时扮演着重要的角色，这些是我们合理授权、决策的核心，也是工作过程中对各事业部进行及时监控管理的重要手段。

事业部制改革的出发点是要解决原来的业务、部门过大的问题，有利于精细化管理，对于数据仓库来说，事业部制的改革可能更需要我们针对事业部数据分析工作的专业化、精细化。例如对于信用卡事业部的支持，人才储备等。甚至对于数据仓库的应用人员，可能要改变目前的“待在后台接受需求”的方式，一部分人员要适度前置，事业部要培养一定数量的兼具IT和业务技能的分析队伍，及时跟踪业务变化，及时提出支撑需求。

3.利率市场化

我们将利率市场化总结为3个阶段：定价分析、利率定价、定价执行。目前我们在第一、二阶段的系统上存在较大的缺失。第一阶段只能通过报表支持，第二阶段只能通过人工测算，第三阶段目前主要涉及核心和信贷系统，基本功能都具备，但是由于没有一、二阶段的系统，导致定价执行系统的可操作性极差，基本上不具备实现利率市场化的能力。

数据仓库在第一、二阶段的工作中都处在极其重要的位置，数据分析系统需要能够做到对现有资产、负债进行分析，确定当前银行的资产水平、风险水平，并且能够分析不同产品、客户等级、合约、渠道、地区等维度对于利率的敏感程度，给利率决策提供数量化依据，也就是准确定价。再根据CRM系统提供的客户等级分类信息实现对不同客户、不同渠道服务灵活定价。

二、IT变革促数据仓库应用拓展

1．以管理会计、风险控制为核心

银行经营、管理活动最终都是以利润最大化为目标，通过数据仓库可以了解客户信息、评价业务风险，最终这些都将成为指导银行市场操作、制订市场计划的重要依据。管理会计系统能够全面反映现在和将来业务活动的价值、收益，并且以量化的形式展示出来，这是科学决策和经营的重要依据。以数据仓库系统为核心构建的BI系统，最终也必须以量化形式提供经营、决策信息，这也体现了现代信息技术和现代管理技术的智能化融合，是银行管理科学化的重要体现。

2．非结构化、半结构化数据分析

当前的银行数据分析，基本还停留在对结构化数据的分析层面，虽然供应商已经推出了非结构化、半结构化的数据分析工具，但国内还鲜有应用。

从发展趋势来说，除传统的营销渠道，近年来，类似Facebook这样的社交媒体发展迅速，逐渐具有了很大影响力，也逐步成为一些企业连接客户、产品营销、企业宣传的重要渠道。银行也应顺应潮流，进行一些有益的尝试。这些社交媒体中，拥有大量的非结构化、半结构化信息，这些信息是银行了解客户的珍贵资源。因此，对这些数据分析挖掘，也会逐渐成为银行工作的一个重要内容。

3．云计算平台

关于大规模数据处理，不能不提到云计算，这个概念比较宽泛，这里着重讨论基于开源的Hadoop云计算框架。

Hadoop框架的核心就是它的分布计算模型Mapreduce和分布式文件系统HDFS，相对于前面提到的基于X86的数据库产品，它体现了更好的扩展性，无论什么型号的机器，都可以加入Hadoop机群。Hadoop本身是开源的，理论上通过它构建一个无限大的数据处理机群，用上企业的所有机器，可以处理P级数据量。但针对银行的应用，无论是Hadoop上的Hive还是Hhase，要用于银行的数据分析领域，都需要找到合适的“场景”，也就是说，会有一定的使用限制。用它们去替代现有的关系数据库分析平台还有一定的困难。如Hbase针对用户访问的效率还可以，但使用局限性较大，无法实施灵活的查询，特别是涉及多表关联的查询；Hive可以灵活使用，但效率很低，如果用户交互操作，响应的服务质量SLA可能无法保障。

通过一阶段的验证发现，针对银行大量的历史归档数据来说，Hive和Hbase不失为一个好的选择。基于X86的架构保证了良好的扩展性，产品本身也是开源的，用户数据访问一般忍受的延迟都比较长，大部分需求都是脱机的，关键是相对较低的成本可以满足海量的历史数据存储及使用，而传统的历史备份方式会给数据的再使用带来很大的问题。维护不及时常常导致备份数据无法恢复，尤其是现在审计、监管、司法对历史数据的使用逐渐增多的情况下。

4．移动计算

伴随大规模数据的出现，采用传统的“抽取数据然后分析”的流程将面临很大挑战，数据规模大了，移动数据成了不能承受之重。以云计算为代表的大规模数据处理都倡导“移动计算”的概念，即数据不要移动，就近处理。目前，很多工具软件都在向这个方向发展，未来可以预测，数据分析软件可能会有这么一种趋势：就是与数据仓库平台的融合统一。

移动计算理念对后续数据仓库业务的开展会是一个很大的挑战，包括现有很多数据加工方法、数据质量管理方法等都会有一个很大的改变。

（文章来源：金融电子化）