基于逻辑数据仓库，我们对互联网金融产生的信息进行了整合，接下来我们分析一下互联网金融对数据架构中数据应用环节的转变诉求。
互联网金融产生的大数据信息，对银行的各个管理分析域都有影响，不过首当其冲受到冲击最大的应该是客户关系管理和营销领域。互联网营销一般具有以下特征：
1）基础数据复杂。除了传统线下业务数据，还包括线上行为数据。
2）客户变量特征。大量的客户行为变量在营销过程中需要被加工和使用，而且这种行为变量需要不断地动态扩展。
3）营销的实时性要求高。需要数据采集和分析都具备实时性，需要引入流计算和内存处理技术。
4）数据和应用之间的交互性强。数据支持实时决策的同时，因决策推荐，又产生新的行为特征，需要被分析和使用。(www.xing528.com)
2.互联网金融对数据应用层架构设计的影响
在互联网金融领域，客户关系管理和营销形成了新的模式，这就需要对数据应用环节的数据集市、数据分析工具和方法进行优化和改进。我们选择客户数据集市（也称360度客户视图）和数据挖掘方法这两个点进行分析和阐述。
（1）360度客户视图的建设 360度客户视图可以理解为以银行传统的ACRM为基础，补充外部客户信息和互联网行为分析信息。这种新的360度客户视图从数据上具备以下的特征：客户标签从大量的非结构化数据信息源实时加工而来；因为客户行为类型很多，随着业务分析诉求的变化，行为标签呈现变化快的特征，而且需要这些标签可动态扩充；对一个客户来说，并不是所有的标签都有值，而行为标签呈现的是大量的没有值的特征，因而形成庞大的稀疏矩阵。
处理实时、动态、可扩充的稀疏矩阵，传统的关系型数据库就勉为其难了。而这种新的数据特征又恰好符合了大数据的技术特征，可以依托于大数据技术处理来解决问题。主要优势体现在：在分布式数据库的数据整合存储上，直接基于MapReduce进行数据加工处理，提升数据ETL处理的效率。同样可以采用基于Spark的内存加速处理来满足应用时效性高的要求。基于Hbase的数据存储，支持大量的计算结果进行列式高压缩比存储，实现快速的检索访问。基于底层分布式数据存储和开源的数据分析和探索函数包，直接进行低成本的数据挖掘探索，满足业务快速创新的需求。
（2）数据挖掘的改变 在传统数据时代，采用SAS和SPSS进行数据挖掘已被广泛使用。在大数据时代，从行为分析探索、数据的多样性等角度产生了更多的数据挖掘需求，因此大数据时代的数据挖掘工具和方法也呈现新的特征：开始广泛使用开源的数据挖掘工具，原来基于样本的数据建模逐步开始转变为基于全量的数据建模。之前的工具倾向于把数据抽取到专有平台上进行建模，而大数据架构鼓励在大数据分布式存储平台直接进行建模。这些新特征符合大数据开放、开源以及分布式处理的特征。
随着大数据技术不断地创新与突破，如何将这些新技术更好地服务于不同的数据处理场景，业界同仁仍在进行探索与实践。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
