金融集团管理分析类应用现状分析及电商大数据实践设计方案

大数据分析平台总体架构——数据访问层 即席查询：通过即席查询工具或手工书写SQL语句，完成业务信息的即席查看。 多维分析：从多个维度灵活组合对目标值进行分析，常见功能包括上下钻取、透明钻取、旋转、分页、层钻、跨维钻取等。 主动问题发现：通过事件触发、规则匹配等方式发现企业运营中的问题，通过手机、邮件等方式报警。 决策层管理层业务人员即席查询静态报表多维分析仪表盘挖掘预测 仪表盘：通过仪表盘及其它展现方式对企业关键绩效指标进行展示，为领导层决策提供直观的数据支持。 静态报表：按照预先定义格式，批处理报表，在线查询报表等。 Office集成：将分析应用嵌入到Office界面中，利用Office的方便、易用特性，降低用户使用难度。 问题发现Office集成Web服务 挖掘预测：使用专业的软件工具，通过数理统计等高级统计分析算法，分析结构化、非结构化数据，通过数据模型去挖掘隐藏在数据中的价值。 数据科学家业务系统 Web服务：将分析应用的功能发布为Web服务，注册在企业服务总线上，供其它业务系统或分析应用调用，获取分析结果。 多种展现形式满足各层级用户及应用系统使用需求。

大数据分析平台一期硬件配置（续）所有服务器均采用开放的X86架构，单台服务器建议配置如下：服务器类型服务器功能数量CPUMemory网口操作系统内置盘数据交换平台数据接口服务器51664G210GbtCentos 6.32600GB 15K SAS disks RAID 0+1流程调度&ETL平台流程调度&ETL服务器71664G210GbtCentos 6.32600GB 15K SAS disks RAID 0+1元数据服务器Hive元数据库服务器21664G210GbtCentos 6.34600GB 15K SAS disks RAID 0+1管理分析平台数据集市服务器432128G410GbtCentos 6.32300GB 15K SAS disks RAID 0+11632128G210GbtCentos 6.314300GB 15K SAS disks RAID 0+1内存数据库服务器420256G210GbtSLES for SAP applications 11 SP28 600GB 10k SAS disks RAID 5BI应用服务器21664G210GbtCentos 6.32600GB 15K SAS disks RAID 0+1WEB服务器21664G210GbtCentos 6.32600GB 15K SAS disks RAID 0+1

电商大数据实践已经在外部非结构化数据统一制定目标和分析模型自定义报表工具行列简单定义方式多种格式报表集团决策层集团职能管控层各级业务操作层关注集团主要经营指标业务人员使用BI应用实现业务协作和创新BI分析工具供应链金融系统POP系统其他业务系统云数据推送平台已实现了主要零售及金融业务系统数据清洗整合，为未来金融集团数据平台提供了丰富的数据源。通过数据平台和BI应用建设，金融集团将搭建统一的大数据共享和分析平台，对各类业务进行前瞻性预测及分析，为集团各层次用户提供统一的决策分析支持，提升数据共享与流转能力采购管理系统查看职能部门的业务经营情况统一定义BI应用统一划分分析主题统一设计数据模式统一规划分析方法统一部署技术基础

通过加强业务协作，将分散在供应链金融、人人贷、保理等业务系统中的数据集中整合到数据平台，建立企业级视图，促进业务的集成和协作。这不仅为企业级分析和交叉销售提供基础，还为金融业务创新创造了有利条件。同时，提升数据建设效率和数据质量，改善企业整体数据的实用性和安全性，有效推动IT系统的建设和运行效率。

在大数据分析平台的设计中，结合非结构化和半结构化数据管理分析，采用X86 MPP集群和Hadoop集群等技术，实现了京东业务系统的结构化数据计算和沙盘演练功能。此外，还包括数据交换平台、实时分析平台以及历史归档查询平台等多个关键组件，全面支持大数据区的管理和应用。

大数据分析平台的演进可以分为多个阶段：首先是建立数据交换平台和NAS存储集群，设计并实施数据库和数据区交换组件；其次是搭建历史归档查询平台和内部管理分析应用平台，部署MPP集群和BI分析应用环境；最后是优化数据交换平台，增强基础计算平台，引入更多数据源并优化实时分析平台。这些措施实现了数据按照贴源数据模整合和生命周期归档管理，提升了实时分析环境的能力。

电商大数据分析平台演进路线 本方案以电商大数据实践为背景，详细阐述大数据分析平台的演进路线、实现步骤与设计方案。 第一阶段：基础平台搭建 (2013年) 以基础平台搭建为主，配合初期业务开展。 应用建设从客户信息管理、风险管理和运营管理三方面开展。 搭建大数据处理平台和实时分析平台。 应用方面开展实时分析和数据产品封装。 开展客户信息管理、信用风险评级和业务统计分析三类应用建设。 开展贴源数据整合，初步建立企业级数据视图。 实现对管理分析类应用和实时分析类应用的支撑。 规划数据管控蓝图，初步实施数据质量和技术元数据管理。 第二阶段：深化分析体系 (2014年-2015年) 全面开展内部管理分析、实时分析和沙盘演练应用建设。 初步展开增值数据产品开发工作。 全面开展大数据分析平台建设，引入更多数据源。 丰富并完善平台数据区建设。 随着应用体系的搭建，完善数据质量和元数据建设。 开展数据标准化工作。 深化分析体系，形成深度智能化业务分析。 第三阶段：持续优化提升 (2015年以后) 性能持续优化、数据平台持续完善。 持续深化数据管控体系，形成金融集团企业级的数据管控体系。 总结 该方案涵盖了大数据分析平台从基础搭建、深化分析到持续优化的完整演进路线，为电商企业构建高效、智能的大数据分析体系提供了清晰的路径和指导。

电商大数据实践：数据质量管理框架构建 数据质量是构建可靠大数据分析平台的关键。以下框架概述了提升和管理电商数据质量的流程： 1. 数据质量要求确认 与业务需求和数据标准相符，明确定义数据质量要求。 2. 数据质量考评 制定量化评价指标，评估数据质量。 识别数据质量问题，如不一致、不完整、不准确等。 3. 数据质量提升 数据补录： 补充缺失数据。 手工修正： 人工纠正错误数据。 自动修正： 开发程序自动修复数据问题。 4. 数据质量监控 持续监控数据质量，识别潜在问题。 定期进行数据质量检查，生成分析报告。 数据质量管理框架的关键要素： 业务规则 数据一致性 数据完整性 数据唯一性 数据准确性 数据及时性 数据质量标准 数据质量验证规则 数据质量考核指标 通过实施此框架，电商企业可以确保其大数据分析平台建立在可靠和高质量的数据基础之上，从而做出更明智的业务决策。

数据管控层电商大数据实践方案 金融数据管控体系包含：- 组织架构- 评价与考核- 管控流程- 管控平台 数据标准管理数据质量管理元数据管理工作流管理 组织- 数据与信息标准化委员会- 数据管理人- 数据所有人- 数据生产人- 数据使用人- IT支持团队 考核指标- 责任评价标准- 执行评价政策- 执行评价标准 数据类型- 数据格式- 业务分类 数据质量- 真实性定义- 及时性定义- 完整性定义 元数据- 技术元数据- 流程评价与考核流程- 考核指标- 建立/维护流程标准- 建立/维护流程组织- 建立/维护流程评价与考核- 业务含义一致性定义 数据认责平台- 安全等级- 权限限定 业务元数据管理- 元数据- 数据全生命周期- 数据安全管理- 数据标准- 数据安全- 元数据 数据安全- 审计定义- 保留策略- 数据停用- 数据共享- 数据移动- 数据存储- 数据创建