银行大数据应用不是搞底层研发，而是要解决实际问题，实际问题只能来源于业务。大数据可应用的方向很多，如客户服务提升、信用评级、风险防范、业务拓展、业务创新等，银行不可能在同一时间面面俱到，还要找准方向，聚焦问题，找准业务合作部门，重点突破，分步建设。
尽管大数据产生价值的潜力巨大，但也不能急功近利。大数据的价值类似于“蜜蜂模型”，即除了蜂蜜的价值外，更大的价值在于传粉对农业的巨大贡献。也就是说，大数据除了产生直接的财务价值外，更体现在对商业模式变革的推动作用上。
- 数据是根本
中国工程院李国杰院士指出，大数据的力量来自“大成智慧”。每一种数据来源都有一定的局限性和片面性，只有融合、集成各方面的原始数据，才能反映事物的全貌。事物的本质和规律隐藏在各种原始数据的相互关联之中。对同一个问题，不同的数据能提供互补信息，综合分析可对问题有更深入的理解。因此在大数据分析中，汇集尽量多来源的数据是关键。
大数据能不能出智慧，关键在于对多种数据源的集成和融合。单靠一种数据源，即使数据规模很大，也可能出现“瞎子摸象”似的片面性。数据的开放共享不是锦上添花的工作，而是决定大数据成败的关键因素。
数据是未来商业银行的核心竞争力之一，决定着银行的未来发展，这已成为银行业的共识。银行拥有丰富的数据资源，不仅存储了大量结构化的账务数据、强实名认证的客户信息，还存储了大量用户浏览、行为点击等非结构化数据。
银行通过整合客户交互、交易流水、位置轨迹等数据，从海量数据中沉淀并提升银行数据资产，形成以客户为中心的指标标签体系，并在银行内部各个部门、各个条线间进行共享，节省数据成本，减少信息不对称风险。
同时，通过跨行业的外部合作，如与互联网公司、电信运营商、征信企业等建立数据战略合作关系，在保障数据安全的基础上开展数据合作，打通单一行业的大数据孤岛，实现跨行业的数据共享。
- 平台是基础
海量、高效、弹性、共享的大数据平台是银行大数据能力的关键组成部分，是提高数据采集、整合、分析效率，缩短数据应用和业务创新周期的关键。
大数据平台不仅包括Hadoop分布式批量数据处理系统，更是一个多样化的生态系统。在数据处理维度方面，包括数据采集层、数据整合层、数据分析层、数据应用层；在数据服务维度方面，包括数据存储与分析探索区、数据产品与服务区、实时流处理区；在数据管理维度方面，包括源数据管理、指标管理、元数据管理、数据安全管理等模块。
单一的技术平台或工具产品不可能满足多样的结构化和非结构化数据处理的需求，这决定了大数据平台的技术架构必然是混搭架构，既有分布式，也有集中式的集群；既有面向业务的应用集群，也有面向客户的应用集群。大数据平台的规划设计需要自下而上的业务需求与自上而下的总体规划相结合，要具有前瞻性和灵活性。
人工智能与大数据技术导论
410