
星环助力恒丰银行打造基于hadoop大数据的数据仓库平台
近日获悉,恒丰银行数据仓库顺利升级为基于Hadoop大数据技术的数据仓库。这意味着国内银行数据仓库应用正式进入大数据时代。
随着利率市场化进程加快和互联网金融业态的飞速发展,传统银行与实体经济的横向联系增多,信息融合进程不断加快,商业银行的业务数据洞察能力迫切需要得到提升。
恒丰银行作为一家全国性股份制商业银行,处于快速发展的新阶段,业务模式的创新离不开数据的支持,也对企业数据信息服务的总体能力提出了更高要求。为贯彻“国际化、信息化、精细化、科技化、人才化”发展战略思想,新的IT五年规划明确提出要基于大数据、云计算技术构建全新的IT系统架构平台,用大数据思维升级改造原有的渠道服务、授信管理、内部审计、客户管理等应用系统,在客户服务、风险管理、内部管控、流程优化、营销管理等多个业务领域提升恒丰银行的运营效率和市场竞争力。
经过大量的产品调研和技术预研,并花费三个月时间与相关厂商进行技术交流和严格的产品POC测试,恒丰银行最终选择星环科技公司作为大数据技术领域的战略合作伙伴,共同打造企业级大数据应用平台。做出该选择主要基于如下两点因素:
1)TDH产品融合了Hadoop/Spark相关技术特点,支持在X86集群搭建开放和高度并行化的数据处理平台,表现出更好的性能优势,总体技术方案具备更高性价比;既能适应高并发低延迟的移动互联网实时数据检索需求,又能满足大体量数据的统计分析与业务建模需求,为企业级数据应用提供了一栈式的平台解决方案。
2)星环科技公司作为一家国内高科技软件企业,具备很强的自主研和服务支持能力,能较好地理解企业数据应用的复杂需求,较快地实现企业级应用所需的新产品特性,更好地支持企业应用创新。
由于TDH产品较好地支持了SQL2003标准和PL/SQL语法,恒丰银行大数据应用项目团队从2015年5月开始,仅仅花了几十天时间,就顺利完成了数据仓库平台从Oracle产品到TDH大数据产品的迁移工作。新的企业数据仓库平台,硬件投资仅为原来的三分之一,整体处理能力却获得了5-10倍的提升,解决了商业银行数据应用困扰多时的若干问题:
1)以往受限于单台服务器纵向升级代价太高,各应用系统的数据集市往往物理资源上独立配置不能共享,造成重复存储的冗余数据和较多信息孤岛,加大了总体硬件资源投入成本。TDH产品可实现硬件资源横向扩展,并在同一服务集群上有效独立分配内存、CPU等各应用所需硬件资源。TDH可以在一套大数据平台上搭建多个应用集市来满足多个应用系统的处理需要,同时解决大体量数据统计分析应用响应很慢的问题,极大减轻各应用系统现有数据库的处理资源瓶颈问题。
2)在TDH产品之上构建的业务数据探索集群,整合了数据可视化软件和星环公司基于R-Studio开发的可视化并行数据挖掘工具,恒丰银行业务团队第一次具备了T+1时效的自主数据分析和快速业务建模能力
TDH平台整体架构及功能性堪比硅谷同行,在国内独树一帜,于世界也处于领先水平。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10