敏捷BI——金融行业大数据时代的神兵利器
随着互联网的不断发展，各个行业都将不可避免的与大数据发生碰撞与交集，金融行业的发展也必将与大数据BI结合的愈加紧密。
在现今的时代，金融行业的客户行为分析、差异化营销、差别定价，以及风险实时监测和预警等各领域都将通过大数据BI的支持使金融行业的业务定制更加合理，并且规避金融风险。
许多专家学者都曾断言，在不久的将来传统行业必将逐步向线上转移，行业内的竞争也将更多的在信息平台上展开。
大数据将给传统金融行业带来什么呢？
金融行业的数据分析人员可以通过大数据分析客户的产品需求与服务趋向，有针对性的安排服务更深入的挖掘客户价值，真正做到“以客户为本”；
贷款机构可以通过大数据判断客户的信用度趋势，确定信用评级，并跟踪数据，在可能出现信用变化前提前分析出可能性，使银行可以尽快调整贷款策略，从而即降低金融欺诈或信用风险的产生，又能优化业务链运营成本；
信用卡发卡银行可以根据用户的信用卡消费记录更好的有针对性的提供各类促销及优惠活动如此等等。
凡此种种一旦实现，将会很好的帮助传统金融行业拓展业务以及让自身的发展更加成熟稳健。
而金融行业又将以何种手段面对这个大数据时代带来的转变呢？我认为敏捷BI必将成为金融行业面对数据时代的一把神兵利器！
面对庞杂无序的数据
传统的数据库无法面对海量数据的运算，当运算数据超过GB级别以后将无可避免的造成长时间卡顿或死机，这对金融用户造成的损失是不可估量的。而面对大数据的一体机或其他解决方案将耗费大量成本以保障现实数据的运算，但随着线上业务的不断加深，又面临着可能现今花费数百万购置的产品在2、3年后却又面临淘汰或不堪使用的困扰。
敏捷BI使数据分析工具更轻巧
不同于传统BI的底层数据——ETL——数据仓库——数据集市——报表层——展现层的经典架构，敏捷BI会将数据直接装载到内存数据集市中，由内存数据集市直接存储细节数据，所以不存在DWA或者Cube，然后用户就能直接在前端BI平台上开始数据分析了，真正做到了数据分析层面的举重若轻。
传统商业智能的做法
敏捷BI的做法
通过结合列存储、内存结算、库内计算、分布式计算等技术，使得敏捷BI可以将高成本的传统BI架构完全抛却后还可实现海量数据（超过10亿量级的数据）实时分析与数据联动，保障数据的实时处理的高性能计算，达到用户点击时进行即时计算的效果。并且因为分布式计算的引入，敏捷BI可以很好地对当前系统的扩容问题进行处理，当数据处理需求超过当前硬件处理能力时，增加一至数个分布式节点即可保障系统稳定运行，不会造成前期的大规模投入短期完全失效的尴尬。
面对复杂多变的需求
使用传统BI将不得不面对动辄半年或更长的开发时间，在企业付出了大量的开发成本之后，获得的仅是一个固化的分析系统，它仅仅能按照半年或一年之前设定的分析策略与指标对数据进行分析，一旦企业有了新的需求，将不得不面对又一个长周期的开发过程，这根本不可能满足现今社会的不断变化发展的态势。
敏捷BI使数据分析工具更多变
据Forester的调查报告显示，建好了传统BI的企业或者机构，有大约83%的数据分析需求未能得到满足，大多数时候，人们还是会用Excel等工具去分析数据，这样的问题为什么会出现呢？
正如上文所述，敏捷BI无需把数据预先汇总即DWA或者去打Cube，放弃重量级的数据建模工作，取而代之的是超轻量级的数据结构。从数据分析的角度来说，传统BI的重量级的建模汇总的数据基本已经固化了分析组合和分析指标，而敏捷BI的细节数据将给业务带来更大的灵活性，就好像打破原有的计划经济格局转而实行市场化经济一样。现今的市场瞬息万变，也就难怪计划经济模式的传统BI会有83%的数据分析需求无法满足了。
复杂的重量级建模与敏捷BI的轻量级建模对比
敏捷BI的轻量级建模，很好的解决开发周期长、上线使用率低的问题，2-6周的快速开发能够保障企业的分析需求快速上线，使得就算最终用户对数据分析的需求有极大的调整时，也能保证需求的上线效率，从而有效保障了敏捷BI对数据分析需求的掌控能力。
项目成功率对比
而同样的，因为敏捷BI的轻量级的数据结构确保了数据分析时的指标可以随意组合，分析指标可以随意变换，这就给了最终用户极大的选择空间，就像一柄随心而变的趁手兵器，使用户完全可以根据自身的业务需求进行分析，达成业务驱动的探索模式。
可以想见，金融行业中拥有了面对大数据的处理能力快速、部署快捷、探索式分析功能，即“敏捷BI”这柄神兵利器的企业，必将在大数据时代披荆斩棘大步前进。
已投稿到：
以上网友发言只代表其个人观点，不代表新浪网的观点或立场。后使用快捷导航没有帐号？
公司运营中如何成功使用BI系统
查看: 2527|
评论: 0|来自: 互联网
摘要: A公司这几年信息化的势头很好，ERP、PDM、CRM和分销软件等业务系统陆续上线。这些系统不断产出大量的数据，如何把这些抽象的数据转化成信息，使得业务人员能看懂、企业管理者能据此做决策呢？企业如何做到更深层次的 ...
A公司这几年信息化的势头很好，ERP、PDM、CRM和分销软件等业务系统陆续上线。这些系统不断产出大量的数据，如何把这些抽象的数据转化成信息，使得业务人员能看懂、企业管理者能据此做决策呢？企业如何做到更深层次的、跨系统的数据分析和报表查询？BI 或能助一臂之力！
BI之行，始于选型市面上的BI厂商形形色色，国内的，国外的，价格高的，便宜的，功能强大的，简洁的，应有尽有，到底哪一款产品才适合自己的公司呢，哪一款跟公司现有系统的接口更好呢？A公司开始伤脑筋。业务部门关注的是系统功能的实现，无论是国内还是国外公司的产品在这方面区别并不大，重点需要考察的是分析功能的易用性，包括对某个主题的分析维度选择的方便性，图表展现的丰富程度，以及一些简单的分析功能（例如排序）、特定数据格式改变（如变成红字突出显示）、向下钻取的方式等。对于BI前端分析的标准功能，比如向上向下钻取、多维度分析、多种图表展现等，属于BI套件基本功能，选型过程中业务部门人员可以不必过多关注。有一点需要注意，如果企业需要业务部门自己开发高级报表和分析主题，那么，自定义报表功能的易用性也将是业务部门所需要关注的。这里的易用性包括源数据字段的自定义和查找、报表的表头拖拽和维度组合，以及数据选择条件的选取三个方面。而作为选型主力的IT部门关注的重点跟业务部门又有所不同。BI软件的实施项目和其他信息系统相比，涉及到系统接口和数据建模，往往需较大的开发量。对于一个完整的BI解决方案，需要结合企业现有业务系统的实际情况，考虑它每一部分组件的技术架构实现。因此，选型前不妨看看完整的BI系统是什么样的。一个完整的BI系统，无外乎由ETL（数据抽取转换工具）+DW（数据仓库）+OLAP（联机分析工具）三部分构成，有的还可能包括针对复杂格式报表需求的报表解决方案，如图1所示。ETL，取决于企业现有系统。ETL部分即数据抽取转换工具，它将业务系统中的数据抽取出来，经过数据格式转换以及清洗、合并等加工工作，最终装载到企业数据仓库（Data Warehouse，DW）中，是BI系统和其他业务系统的数据接口。选择ETL时，重点要关注的是企业现有系统的情况。如果业务系统数据结构比较简单，可以采用直接导入DM的方式，或者使用SQL Server的DTC等免费工具完成，成本较低。对于复杂一些的业务系统，比如SAP R/3、OracleEBS等，由于其底层数据结构比较复杂，直接抽取数据库的方式难度较大，往往抽取不完全或者数据不对，采用应用层接口的方式比较可取。当然这种接口需要开发、或者单独购买解决方案。如果对时效性要求不高，也可以使用数据文件批量导入的方式，每隔一段时间从系统中导出数据文件，然后用ETL工具装载到DM中，这跟应用层接口的方式相比成本较低。ETL方案中还需要考虑的是现有系统的分布，有些大型企业，ERP系统分别部署在各地的工厂里，从这些地方抽取数据还要考虑到网络传输的问题。此外现有系统的数据质量、是否要进行数据清洗也是需要考虑的因素。总之，免费的ETL可以节省投资，但对于复杂异构系统的集成，专业的ETL工具还是首选方案。DW是否有必要建立？业务系统的数据通过ETL处理，最终被装载到DM中。对于希望节省投资、缩短实施周期的企业，可能会考虑不建立DM，直接从业务系统抽取数据，进行OLAP分析或者报表查询。尽管现在大多OLAP和报表工具都有缓存功能。然而，在报表生成的漫长等待过程中，直接抽取数据会给业务系统的运行造成很大压力，更重要的是数据更新不能及时反映、可自定义能力差。随着业务系统数据量的增加，以及报表和分析主题的增加，DM迟早要建立起来才能满足业务需求。而项目初期建立起来的系统生命周期也将结束，投资很难得到保护。因此，在条件允许的情况下，BI项目初期就应建立DM。OLAP和报表工具，够用就好。对于这一部分，IT人员更多的关注其技术架构。OLAP的实现不外乎有ROLAP、MOLAP和介于两者之间的HOLAP。ROLAP方式需要的内存大，而磁盘空间要求小，对于数据量较大的、较简单的数据分析来说，比较适合。MOLAP需要建立数据立方体，因此对磁盘空间要求比较高，但是从性能和灵活性上来讲要略胜一筹。具体选择哪一种，需要企业按照实际情况而定。需要注意的是，对于一般的企业，任何一种实现方式基本上都可以满足要求，因此争论哪种技术更为先进可能并没有太大的意义。对于报表工具，大多BI软件提供商都是作为独立的组件分开报价的，因此，IT部门应该评估业务部门对报表的需求，如果报表没有非常严格的格式要求，OLAP工具的分析结果就足够用了，报表组件没有必要再去购买。BI实施须解决的三个问题选型完成了，接下来就该关注实施了。实施还没开始，销售、生产等部门就因为谁先谁后的问题吵起来了。这些部门因为尝到了信息化的甜头，在BI系统上也争先恐后，那到底该如何确定项目实施的先后顺序，如何明确项目范围、项目目标和项目实施方法呢？ 　　　　 项目范围的明确　BI系统的实施，并不涉及到业务操作流程，它所提供的总结分析、趋势预测，基本上都是为管理上的要求和提升而服务的。在企业内部呼声很高、决定上马BI项目的时候，往往各部门都对其寄予了很高的期望，要求其能解决大量的甚至全部的管理需求，然而这些需求基本上没有一致的。作为分销类型的企业，A公司的产品研发部门想知道各种种类、规格或者价格的产品卖得怎么样、产品的利润率如何，以指导研发方向；而运营和生产部门想知道库存周转、生产成本的变动，以及质量控制的情况，改善低效环节，提高生产和运营管理水平；销售部门则更多地关注于各地区的销售业绩完成情况，关注客户的购买行为分析；此外还有财务部门等，都对项目有很多不同的要求。对于金融、电信类的企业，其需求往往更为复杂。因而在企业内部发起项目的时候，往往开始就存在项目范围过大、难以实施和控制的风险。项目范围的确定，必须要遵循合理规划、分步实施、急用先行的原则，从公司战略角度出发，对于企业的核心竞争能力环节，以及管理比较规范、业务数据有积累的业务部门开始，在实施成功后，有计划地推广到其他部门和领域。在确定项目范围的过程中，还要考虑到业务数据获取的难易程度。在一些企业中，很多的业务活动根本没有系统支撑，只有手工填报的报表，这样的数据一方面很难导入，另一方面数据存在不准确、质量差的隐患，因此不应列入优先考虑的范围。项目目标的明确　即使在一个部门内部，高级管理层、运营层以及业务人员的需求也存在不一致。像A公司的销售部门，总监关注销售计划的总体完成情况、费用使用情况，重点客户的销售推进，以及部门的KPI完成情况；而产品线经理和区域销售经理则分别关注相关产品或者相关区域的运营；销售员则可能只关心自己的销售业绩完成情况，以及自己在部门内的业绩排名。细节关注的层次直接影响到BI和DM的数据抽取和模型建立。首先是粒度，要追究到每个销售员每一单的销售明细，和最多关注到每个办事处每天的销售额，DM的数据处理量就会相差很多。另一个方面是维度，BI系统的主要功能实现就是多维度分析，比如分析某种产品在某个地区某个时间的销量，在这个模型中，产品、地区、时间就构成了分析维度。有些业务部门，尤其是产品研发部门，往往希望能考虑尽可能多的维度，比如在刚提到的销量分析模型中，除了常规的产品维度，产品部门还想看到颜色、品类等因素对消费者购买行为的影响，而这些维度的分析能否在BI系统中实现取决于两个方面。一是这些维度的信息是否在业务系统中已经录入和存在？如果不存在，那么就没有实现的可能，BI系统不能产生业务数据，只能分析业务数据。二是维度直接影响数据模型的建立和IT基础设施的建设要求，每增加一个分析维度，模型更为复杂，给系统增加的复杂性是几何级数，这意味着原来四小时可以完成的数据处理可能就要延长到6～8小时才可以完成。然而，难以解决的是企业缺乏对业务影响因素的分析。实际上，目前企业都还没有很完善的业务模型，某个因素对做决策的影响到底有多大，以什么样的方式影响，说不清楚。如果在商业逻辑上都没有解释清楚，很难建立有说服力的模型。因此，在项目开始的时候，通过讨论，使业务部门明确可以解决的问题有哪些、可以解决到什么程度，是保证用户满意度、项目实施成功的前提条件。实施方法 BI系统不存在大量的业务流程，因而不会带来巨大的企业变革风险，因此实施方法相对容易。BI的实施过程重点，一个是用户需求的调研，另一方面是数据质量保证。需求调研和分析在项目实施过程中占到了约40%的工作量。在项目范围和项目目标明晰之后，用户需求分析的难度就降低了不少。有行业经验的实施顾问会清楚业务领域的商业逻辑，将行业经验和用户具体需求结合，将会提高需求分析的速度、快速建立模型。IT项目的实施过程中，用户需求的不确定性很大，模型的建立肯定是一个反复沟通和修改的过程。持续改进，挖掘BI潜能 BI的建设是一个长期的过程，随着企业业务的变化，导致业务部门用户需求的变化，甚至是业务系统的升级，都会对BI系统的建设造成影响。如何进一步提高BI的应用水平呢？主要包括两点，建立企业基础数据管理机制 A公司的业务系统有了，BI也上了，可是却开心不起来，因为发现有些模型分析出来的数据跟实际偏差很大，不能使用，还要手工去改。到底为什么呢，问题可能就出在数据管理机制上。首先是数据定义的问题。一方面，同一个字段，不同的填报人员或者不同的业务系统统计口径不一致。比如销售额，有些地方填报的是批发给渠道的口径，而有些地方则可能理解为是渠道卖出到最终消费者的口径，不同口径的数据进行合并、排序和其他分析，结果肯定是错误的。另一方面，同一个字段，录入格式没有统一定义。举个极端的例子，一条订单记录里是“北京某某公司”订购了多少东西，而另一条记录里的同一个客户，名字却变成了“某某有限公司”，“北京”两字不见了，却又多了个“有限”，同一个客户的销售订单数据BI系统无法合并、分析，只能是经营分析人员手工完成。要解决这个问题，企业必须建立数据字典，明确在不同系统、不同报表之上的全局字段定义，避免口径不一致；同时规范每个字段的格式，避免无法合并的情况。还要建立起数据变更的规范制度，保证数据的安全，最终保证BI的数据质量。数据管理机制，还包括数据收集的体系。对于大多数企业来说，很多的业务数据还是以手工填报的形式收集上来的。很多企业的经营分析人员把大量的时间用在催缴数据、统一数据格式上，这是十分低效的做法。事实证明，在业务系统支撑有限的情况下，建立起完善的数据收集体系是提高数据收集效率、减少错误的最佳方法。一个完整的数据收集体系，包括数据收集的模版制作和管理、数据收集的流程、以及数据收集的绩效考核机制。建立明晰的商业分析逻辑模型现代企业的管理，追求以绩效考核的方式驱动企业战略目标和计划的达成，从而引出了企业绩效管理（EPM）的概念。企业的战略目标，可能最终都分解到了每一个部门和每一名员工相关的KPI上。而企业、部门和员工的KPI的完成情况，直接关系到企业战略目标的实现。BI系统有能力进行KPI的分析和计算。然而，要想使KPI真正有效，BI系统真正发挥作用，KPI指标就必须可以衡量、可以逐层分解。比如评价客户满意度，就只需要关注订单执行效率和订单处理速度，而订单执行效率的达成则跟及时交付、数量精确度和退货率有关，这三个因素的量化可以通过及时交付订单率、精确数量订单数、退货率三个指标来实现，这些都可以在BI系统中实现，如图3所示。这样，抽象的客户满意度指标就可以衡量了。建立可衡量的企业战略目标和KPI体系，在BI系统的辅助下，可以动态监测，及时处理异常，保障企业战略目标的实现，从而发挥更大的价值。除了回顾，BI还要担负预测和决策支持的角色。大部门BI系统都声称提供了数据挖掘和预测的能力。然而，数据挖掘和预测都需要相关的数学模型做支持，比如销售预测、客户流失预测等。预测模型往往需要企业多年的积累，还要考虑各种因素。因此要进行数据挖掘和预测，需要企业在实施了BI至少两年左右的时间后，有了一定的数据积累，而且数据质量稳定的情况下，由业务人员和行业专家共同搭建模型，最终在BI系统上实现。对于A公司而言，要想用好BI这个强大的工具，就得从企业自身的情况出发，既要考虑与现有的业务系统（ERP、CRM等）之间的接口，又要从实际的需要出发，选择适合自己的BI系统，做好实施的规划和分析，并且持续不断地改进和提高。惟有如此，BI的强大潜能才能为企业所用，转化成巨大的商业价值。查看: 3140|回复: 11
金融BI与数据分析，两个职位，如何选择？
论坛徽章:0
小弟最近有两个职位，一个是金融BI，公司几千人，可能是数据仓库方面的维护工作；
一个是数据分析职位，不是知名公司。
金融BI来说，是属于传统行业，可能出差多，技术也有可能学不到很多，难说，但是我考虑到金融(商业银行)市场大，会不会以后机会多一些？
其实本人现在想向数据分析发展的，可是我很怀疑这条道路是否稳健，因为第二个公司不是互联网行业，而现在数据分析主要是互联网行业做得好，这个以后能转向互联网等行业吗？是否数据分析的行业限制太大，只有在本行业混了，以后恐怕在别的行业不大好找工作？而且数据分析换工作有时候看面试的运气，这东西很难量化，发展就如销售一样，真的很难琢磨！
& && && && && && && && && && &&&& && && && && && && && && && && && && && && && && &&&在吗？
论坛徽章:0
如果是金融BI的话，可能就是熟悉下银行业务，熟悉下数据库(oracle , TD等)，熟悉一些BI工具，顶多搞搞数据仓库建模或者测试，感觉竞争力也不强，因为我发觉金融银行项目数据仓库框架已经很成熟了，估计就是copy再copy了，以后发展最多也是咨询流了！
论坛徽章:0
本帖最后由 charles1991 于
22:23 编辑
如果是数据分析，我经验不多，其实感觉就是了解一些数据库sql，了解一些统计知识，熟悉一些数据挖掘软件，通过调研等等方法出具分析预测报告，再深入的技能可能需要熟悉、创造数据挖掘算法，熟悉EMC Greenplum等等大数据方案。这家伙要完成数据分析，感觉很艰难啊，这行真的发展会很好？感觉很虚！如果不是对运营分析有深入见解的，真的能够帮助企业决策运营寻找问题，或者工作在业界领先的数据分析公司（百度阿里），出来真的能找到工作？跳槽的时候，那些所谓的经验能得到认可？？
@ innovate511
论坛徽章:0
而且现在的数据分析很多都是电商流，和电商结合紧密，传统的数据分析能适应潮流？毕竟和电商的平台还是有差距的，传统的企业数据分析和电商数据分析虽然使用的工具都一样，但是平台不一样，传统的数据分析更接近业务运营业务预测，是销售数据的集合，电商数据分析不仅有那些销售数据，更多的是用户行为，用户隐私的分析，而且更重的要，电商数据分析都是依托网购这样的平台的。我言语有些凌乱，但是感觉两者还是有差距的！
论坛徽章:0
本帖最后由 charles1991 于
22:04 编辑
金融BI，可能随着经验的积累不会失业，毕竟金融项目不少，随着工作年限的增加还是能够混日子的，至少；数据分析如果没有天赋，没有运气，是否会出现无人认可的状态？毕竟这东西很看重对业务的理解！如果给出的数据方案满足不了面试官或者老板的要求，那会高薪聘请一个累赘？不像业务部门和技术部门，会有gdp贡献，分析岗位纯粹是中介啊，一个没有产出的累赘会不会很尴尬？大神 innovate511 呢！！！
论坛徽章:0
本帖最后由 charles1991 于
22:23 编辑
快来人啊！！！！
论坛徽章:0
本帖最后由 charles1991 于
23:36 编辑
有时候做it的真该感谢it知识更新快，更新快，人被淘汰的也快，那样就有更多的人填补上来，所以it对年轻人是如此的有诱惑力！就像这次打老虎一样，很多官员得弹冠相庆了···
数据分析或许就有非it的烦恼，职业规划要迷茫多了！求各位指教！
论坛徽章:51
不好意思，平时不在，如果需要马上联系，可以在新浪微博 @innovate511
金融数据仓库，有机会学习金融知识，也是好事，但就怕你接触不到核心模型； 数据分析在传统领域确实没啥前途，只有进入互联网或者说大数据相关领域，才有的玩，你如果选择这个，考虑考虑吸收经验后转跳互联网继续发展。切记进入所谓“创业文化”的互联网，那里对数据分析“容忍度”很低，很可能你快要有牛叉成果之前，已经没耐心等待（一般以一个月为单位），直接把你整个团队干掉了。
论坛徽章:51
charles1991 发表于
金融BI，可能随着经验的积累不会失业，毕竟金融项目不少，随着工作年限的增加还是能够混日子的，至少；数 ...
为啥我说金融行业要熟悉业务呢，因为金融最值钱的数据分析是风险控制，这块学到后终身受益，包括电子商务的支付风险也可以用上这个经验！如果你接触不到这些，经验价值就大打折扣。
不要想有一本万利不变的经验，要看趋势，要看经验本身是否值钱，是否有延续性。
论坛徽章:0
本帖最后由 charles1991 于
17:59 编辑
innovate511 发表于
不好意思，平时不在，如果需要马上联系，可以在新浪微博 @innovate511
金融数据仓库，有机会学习金融知识 ...
听创新哥一席话，感觉都是坑啊，看来职业规划不能看表面，需要自己在今后的道路上不断摸索哦！金融BI，或许真的没法接触到核心，而数据分析，传统行业转型互联网，也不是很容易，毕竟现在做互联网数据分析的人很多了。
路漫漫，只能望创新哥之项背了。
itpub.net All Right Reserved. 北京皓辰网域网络信息技术有限公司版权所有　　　　
　北京市公安局海淀分局网监中心备案编号：　广播电视节目制作经营许可证：编号（京）字第1149号金融业要重视数据管理的速度和敏捷度 - 方案_CIO时代网 - CIO时代网,服务中国CIO
金融业要重视数据管理的速度和敏捷度
金融业要重视数据管理的速度和敏捷度
18:20:07&&来源：TechTarget中国&&
18:20:07&&来源：TechTarget中国&&
摘要：据Oracle高管称，金融企业如不希望2008年的经济危机重演，则需要在数据管理分析的速度和敏捷度上多下功夫。
　　据Oracle高管称，企业如不希望2008年的经济危机重演，则需要在数据管理分析的速度和敏捷度上多下功夫。
　　Oracle财务技术部门的高级主管Amir Halfon说道，企业在执行了实时分析和其他在敏捷度方面的数据管理技术以后，将能更好地规避交易风险和系统风险；后者为2008年经济危机的核心问题之一，更应受到重视。
　　Halfon这个月不久前在亚特兰大的企业数据世界大会上说过，能够更加快速地在不同资产类别中进行数据收集十分重要。只有这样，你才能够理解交易暴露的情况，并发现交易风险的所在之处。
　　目前，美国政府和私有企业在监管方面作出了很多努力，包括共同签订执行Dodd-Frank法案，希望可以更精准地识别各种资产类别与不同行业中存在的风险暴露，以便更好地对可能出现的风险和系统问题进行预测。然而，企业想要更好地预测系统风险，需要对结构化与非结构化信息进行有效管理，包括管理参考数据、场外交易合同信息和位置数据等。
　　企业长久以来都以紧缩数据的方式来规避风险，&但现在的问题是怎样更快速地处理数据、怎样处理更多的场景、怎样进行按需处理、怎样在交易前而不仅仅是交易后作出风险分析，&Halfon如是说：&我们一定要摒弃这种'一夜成败'的观念。&
　　Halfon称，实时集成与数据仓库软件、内存计算工具、分布式数据网格、商务智能（BI）和数据分析工具是互补性质的技术；企业把它们结合起来使用可达到更快的速率和更高的敏捷度，从而实现风险的规避。
　　&谈到技术的发展，我们总能听到'敏捷度'这个词。&他说：&但我认为，敏捷分析计算的概念只不过刚刚开始普及而已。&
　　重视数据质量
　　RHConsulting是一家服务于金融企业数据仓库管理的咨询公司。Andrey Pyshkin是该公司的合作管理人之一，也是企业数据世界大会的参会者之一。他补充道，对数据质量和治理的高度重视会加强所有方案的敏捷度，防止崩盘的出现。毕竟，在处理不可靠数据时，想要预测风险暴露和未来走向即便不是天方夜谭，也是相当困难的。[page]
　　&我们正在尝试让数据质量更加引起客户的重视，&Pyshkin说：&今天的企业普遍都有很庞大的信息量，问题就在于怎样才能使这些信息保持一致。&
　　实现高速的技术
　　在大会上，Halfon就技术话题谈论了很长时间。在处理数据和潜在风险响应上，有哪些技术可以帮助企业变得更加高速和敏捷呢？
　　其中一类技术被称为&预置的工程系统&:数据仓库一体机、数据网格、R（统计计算分析中的开源程序语言）、Hadoop分布式文件系统和相关开源工具等都属于这类技术。
　　Halfon说道，应对不断增长的数据量的关键在于并行化，其常用的方法是增建大型计算机网格。然而，编写并行代码对于大多数程序员来说都是一个不小的挑战。&目前最大的难点就是对数据管理进行并行化。计算机在正常运行时，一些网格对数据的存取会变得受阻，网络数据吞吐速度会跟不上计算机的处理速度。&
　　Oracle注意到，越来越多的客户都更关注&数据并行化&,都想把计算引入数据，而不是把数据带向计算。数据网格技术就能帮助企业实现这一愿望。
　　Halfon指出，许多技术开发者发现，数据网格分布式计算的技术与Hadoop分布式文件系统及其相关技术十分相像，主要区别在于Hadoop通过一个文件系统进行运算，而数据网格则通过内存完成所有运算。
　　那么数据网格技术是怎样加强企业的敏捷度和响应能力的呢？举个例子，某个公司想要扩张业务范围，提升业内地位；在使用数据网格技术以后，公司的纽约分部和香港分部就可以获取最近更新的同样信息，遇到问题时就能相应地作出响应。
　　&通过使用数据网格，他们可以复制整套数据，同步到整个广域网。当然了，数据网格与工程系统是兼容的。&Halfon说道：&我们有专门为数据网格预制的设备，也就是Exalogic.但我保证不会一直只谈论我们自己的技术。&
责编：zhangyexi}