信用卡业务数据优化分析

目前,国内信用卡业务利用数据分析技术支持转型已成普遍共识,数据分析方法论备受关注.从统计学的角度,数据分析方法论分为数据收集、数据加工和整理、数据分析等三个主要阶段.从IT公司实践角度,全球企业级数据仓库、分析型应用和数据仓库服务领域的领导厂商NCR将数据分析方法论分为5个阶段,包括定义业务问题范围、选取与抽样、探索型数据分析、建模和实施等;领先的数据分析软件供应商SAS公司也提出了数据分析的6步分析法.     

数据仓库应用及未来发展

人们对信息技术广泛应用的过程中所形成的大量电了化数据的分析需求导致了数据仓库的产牛。从技术角度描绘，数据仓库是一种对历史数据进行有效整合，并面向业务分析主题而建设的海量数据存储。它集成了分布在组织中不同系统中的商业数据，为决策者提供各种类型、有效的数据分析，起到决策支持作用，是一系列技术工具和数据管理机制的统称。     

数据仓库构建探讨

一、数据仓库的体系结构在一般的数据仓库应用系统中,根据系统体系结构的不同,数据仓库设计的内容和范围不同,并且设计方法也不同。本文介绍了不带 ODS 层的体系结构中数据仓库的设计方法。数据从业务系统经过抽取、清洗、整合和加载等过程进入数据仓库。这一步骤主要考虑业务数据     

基于商业银行ODS模型的需求版本差异化管理探讨

数据仓库之父Bill Inmon在系列书籍《Building The Operational Data Store》中，首次提出了操作型数据存储（ODS，OperationalDataStore）的概念，即在数据仓库的DB—DW两层体系结构基础上加入ODS，形成了DB—OBS—DW三层体系结构。这种结构不仅支持准实时业务数据库中数据的暂时存储，还对同时关联到历史数据与实时数据分析的数据提供了暂时存储区域，从而有效地解决了企业日常的分析决策和管理要求。     

数据仓库中的逻辑数据模型

在数据仓库项目中，我们常常需要进行数据整合，即将企业不同业务系统的数据进行抽取、清洗、转换，最后变成可以进行数据分析的企业基础数据集。逻辑数据模型（以下简称LDM）就是企业基础数据的一部分，它是企业数据资产的全面的、准确的描述，是数据整合的核心或目的。数据整合就是将不同来源的数据整合到一个统一定义、统一形式的LDM中。     

数据仓库数据管理的关键技术

数据仓库不是一个单纯的软件系统,而是一项工程,这决定了其技术的多样性和复杂性。本文从数据管理角度将数据仓库的技术需求按其工作过程分为三类：数据获取、大数据量管理和数据提供（如图1所示）,并选取其中的几项关键技术进行分析。     

数据仓库及相关技术：为金融机构打造新的竞争力

数据分析技术需要一定的数据积累,各金融机构的数据仓库真正发挥作用需要假以时日。到2010年,我国银行业金融机构的数据仓库已经初具规模,并且开始为金融机构的业务发展以及日常管理提供切实有效的支持。     

“大数据”下财务外包企业发展趋势研究

财务外包服务企业是金融服务外包企业的重要组成部分，当前我国财务外包公司发展仍然处于初级阶段，财务公司存在业务比较单一，人员规模较小，人员素质不高等制约因素。这些因素严重影响了我国财务外包公司的发展。本文认为，“大数据”是掌握数据的主体通过IT技术建立数据仓库，提供数据安全服务、挖掘数据潜在的商业利益信息，进行商业化的数据分析，从而获得自身的商业价值。     

业务数据时变性在数据仓库实现中的研究

一、引言数据仓库是企业宝贵的资源,它是对原有数据库系统中的数据进行集成和重组而形成的数据集合,能为企业提供有效的信息。从商业业务数据经过ETL过程,到最终的面向终端用户,数据仓库共包括4层:操作层、原子/数据仓库层、部门/数据集市层、个体层。这些不同层次的数据是构成     

对农村信用社构建大数据分析平台的一些思考

自2009年起,云南省农村信用社整合了行内包括核心业务、信贷管理、财务管理、网上银行、贷记卡等20多个交易系统数据,开始构建自己的数据分析平台——操作型数据存储（ODS）。作为企业级的基础数据平台,ODS承担着全行数据整合、数据治理、数据分析、数据交换及数据服务等重要职能,包括经营决策支持、1104数据报送、金融标准化数据报送、个人结算账户报送等10多个数据应用系统,并为操作风险实时预警系统、     

数据仓库建模三步曲

在数据仓库系统中，如何对海量数据进行有效组织和管理，并使之支持干变万化的分析型管理业务需求，主要依赖于数据仓库系统逻辑数据模型(Logical Data Model，简称LDM)的设计。逻辑数据模型的设计优劣程度直接决定数据仓库系统建设目标的实现。     

信用卡数据仓库系统建设的研究

本文从探讨当前商业银行信用卡系统现状出发,提出建立银行信用卡业务的数据仓库应用系统,包括数据仓库系统功能的设计、数据集市的建模、数据采集系统的功能设计、系统架构和关键技术。     

构建银行业BI应用

目前BI解决方案的体系结构主要有集中式的BI体系架构和分散式的BI体系架构两种。在分散式的BI体系架构中，对后面基础平台的性能要求不高，但从工程实施角度来看，主要存在数据冗余比较严重，难以保证数据一致性，从数据采集到用户访问的延时太长等问题。在集中式的BI体系架构中，它能提供业务用户一致的信息视图，业务的分析与应用都非常灵活、易于扩展，并且整体实施成本较小。但这种结构要求基础数据仓库平台具有非常强大的并行处理能力和线性扩展能力，     

Teradata整合大数据分析架构

本刊讯大数据分析和数据仓库解决方案厂商Teradata天睿公司日前宣布,推出Teradata统一数据环境和统一数据架构。Teradata统一数据环境和统一数据架构包括Teradata Viewpoint、Teradata连接器和Teradata重要基础架构等新软件以及Teredata数据仓库专用平台2700和Teradata Aster大数     

数据仓库实践问题浅析

提到数据仓库的建设方法，自然离不开自顶向下、自底向上两种方法的对比和讨论。这里不再赘述两的概念和优缺点。目前多数人倾向两结合的方法，即首先划分出数据仓库主要的几个主题区域，逐一划分数据内容和基本的数据模型，形成数据仓库的总体框架，然后在此框架的指导下，根据各部门的业务需求，     

银行数据仓库建设谈

数据仓库是一项管理技术，银行最需要数据仓库技术，我国商业银行目前建设数据仓库主要存在数据集成度不高、数据资源挖掘不充分等问题；建设好银行数据仓库要注意解决储户资料单薄和银行数据集中统一以及优良的系统设计等问题，未来的银行数据仓库将支持多维分析和未来状况预测。     

Teradata Aster大数据综合分析平台助推客户业务价值提升

作为全球领先的大数据分析和数据仓库解决方案厂商,Teradata天睿公司一直致力于帮助行业客户提升业务价值。在2012年11月29日的媒体见面会上,Teradata天睿公司大中华区Aster事业部总监孔宇华阐述了近期发布的Teradata Aster大数据综合分析平台的特性、Aster如何帮助客户分析大数据提升业务价值,以及在银行和金融系统的成功应用。     

建立新数据管理体系支持新巴塞尔协议

经过一段时期的数据集中．金融企业已经积累了大量的数据，似乎实现数据分析应用的时代已经来临。但是在实际工作中，这种数据分析应用项目并没有大规模的出现。为什么会出现这样的局面？数据分析应用还能实现吗？这是困扰很多商业智能从业人员的难题。 从本期开始．“商业智能”栏目将刊登以“金融数据管理与应用”为主题的连载文章。该专栏文章结合作者自身的工作经验．涉及三个方面的数据分析应用：金融企业数据管理、分析型客户关系管理和金融企业风险管理。其中数据管理部分介绍影响金融企业实施数据分析应用的主要障碍及其解决方法．其余两个部分则是当前金融企业数据分析应用的重点课题。对于很多计算机应用系统建设处于系统集中中前期阶段的金融企业，具有相当的推导作用。[编者按]     

论银行数据大集中的最终目标

该文总结了国外银行业数据大集中的发展阶段，认为我国银行业目前基本已经实现了整合集中(Data Consolidation)，提出数据整合并不是银行数据大集中的最终目标，银行应该在数据整合的基础上构建分析型客户关系管理系统和数据仓库管理系统，实现经营模式由以“账务”为中心向以“客户”为中心的转变。全面提升市场竞争力。     

构建数据仓库系统的技术分析

随着计算机技术的成熟和并行数据库的发展，面对急剧膨胀的信息量，信息处理技术的发展趋势是：从大量的事务型数据库中抽取数据，并将其清理、转换为新的存储格式，即为决策目标把数据聚合在一种特殊的格式中。这种支持决策的、特殊的数据存储即被称为数据仓库。数据仓库技术可以有效地帮助组织从海量数据中淘金，为管理人员提供科学的决策支持，协助进行有效组织管理，控制运营风险，创造利润。为此，国内外许多行业和部门都在紧锣密鼓地建设自己的数据仓库。本文研讨构建数据仓库系统的关键技术，旨在为搭建数据仓库系统平台做探索性研究…