商业数据库范文

商业数据库范文（精选11篇）

商业数据库 第1篇

随着经济的发展，企业的规模越来越大，其积累的信息也越来越多。存存着各部门所处理的信息多数只对本部门有效，仅有少数信息需给其它某些部门共享的问题。这种信息的分布性和独立性要求对所处理的数据进行分类，使各部门既能独立地处理本部门大多数数据，也使部门间能协调处理跨部门的事务。在这种情况下，对整个企业建立一个完全的紧密耦合的分布式数据库是很困难的，也是没必要的，特别是大型企业，这样的数据库的效率往往是很低的。为解决这个问题可以采取以下策略：每个部门使用一套紧密耦合的数据库系统，而在存在跨部门事务处理的数据库系统间用一个协调器联起来。这样就组成了一个横跨整个企业，各部门高度自治的联邦数据库系统。

DM2是数据库管理系统。它采用客户/服务器模型，客户机与服务器，服务器与服务器均通过网络互连，通过消息相互通讯，组成一个紧密耦合的分布式数据库系统。它的工作流程如下：客户机登录到一台服务器上，这台服务器便成为它的代理服务器;它接收来自客户机的消息，然后根据全局数据字典决定是自己独立完成该操作，还是与其它服务器协作处理这条消息，处理完成之后，再由代理服务器将处理结果返回给客户机。

而数据字典，作为记录数据库所有元数据的系统表，它向以上过程中提供各类有用的信息，引导它们向正确的方向运行，起着“指南针”的作用。它分为局部数据字典和全局数据字典。其中，局部数据字舆用于记录一个服务器站点中数据库的控制信息，如表的模式，视图的模式及各个数据区的的文件名等信息。全局数据字典用十记录分布式数据库系统中各个服务器站点上有关全局数据的控制信息，如服务器站点信息，各服务器站点的全局表名及表内码记录，各服务器站点上的全局数据视图名及视图内码记录，用户名及口令记录，用户权限记录等信息。各个局部数据字典可以各不相同，但为了保证在各个服务器上所看到的全局数据库是一致的，因此，全局数据字典必须一致。全局数据字典中的基表控制块TV-CTRL-BL0CK的内容主要包括：全局基表总数，每个全局基表名和其对应的内码，该基表所在的服务器站点的编号等信息。它的功能是将各个服务器站点号与存储在其上的表名及表内码联系起来。这样，代理服务器从客户消息中找到被处理的表名，然后通过查询基表控制块Tv-CTRL-BL0CK，就能知道该表存在哪个服务器上，以便将相关消息发给该服务器。

由于DM2上各个服务器站点的全局字典完全相同，任何全局表的信息都会记入全局字典。若用它来构建一个企业的数据库系统，则大量只对企业某部门有用的信息将会充斥在各部门所有服务器的全局字典中，增加了冗余。而且，当对全局表进行DDL操作时，为了确保全局字典的一致性，须对所有服务器的全局字典进行加锁。DM2对全局字典的封锁方式是采用令牌环方式，即令牌绕虚环 (非实环) 传输，某个服务器想对全局字典进行操作，必须等令牌到达该服务器才可以执行。每个部门建立的全局表绝大多数只对本部门有用，当对这些表进行DDL操作时，却要对所有服务器的全局字典进行封锁，通过令牌来实现对全局字典的互斥访问。假如，两个部门都要分别对本部门的内部表进行DDL操作，这应该是可以并行处理的操作，现在却只能串行执行。而且，当服务器数目庞大时，每个服务器等待令牌的时间将会很长。这严重损害了数据库的效率。

为弥补以上不足，在DM2的改进版本DM3中增加了协调器，用以联接各个独立的DM3数据库子系统，并协调各个系统间的各种关系，使各子系统既能高度自治地工作，又能进行有效的信息共享。

二、体系结构

本系统可看作多个数据库子系统被协调器联起来的，高度自治的一个联邦数据席系统。其中，每个子系统独立处理本系统内部的事务，而子系统间的信息共享由复制技术提供，副本间的一致性由协调器协调处理，处理所需的信息在初始化时写入协调器的组间数数据字典中。当对某了系统中的一份数据副本进行修改时，该予系统会将修改通知协调器，由协凋器埘该数据的其它副本进行修改，从而保证了所有副本的一致性。

由以上可知，子系统彼此并不直接接触，而是各自都与协调器直接相联，由协调器统一管理子系统间的通信。这样，当子系统对副本进行修改时，不必关心相应的子系统处于何种状态，也不必等待回应消息，以及异常处理，所有这些都由协调器进行管理。因此，既提高了系统运行的效率，也保证了子系统的独立性。

协调器主要有三大功能，首先，它对协调器和服务器进行初始化，并将有关信息存入组间字典;其次，它管理不同子系统间的通信，维护副本的致性;最后，它在子系统出现崩溃时，进行异常管理及恢复工作。

三、主要策略

多个DM3系统间的信息共享是通过副本实现的，副本的致性是由协调器来维持的，是一种弱致性。通常，多数据库系统间的致性是通过协调器周期性地访问服务器的日志来完成的。由于副本的更新带有随机性，因此，若采用这种方法，可能数据被修改多次，但其相对应的副本仍未被修改，这样就损害了数据的一致性;也可能数据并未被修改，但协调器已多次访问了服务器的日志了，这样就降低了系统的效率。

所以，此系统采用的方法是当数据被修改时，由服务器通知协调器有关信息，再由协调器通知相关系统，修改相关数据。这样，数据的修改及时 (仍然是弱一致性) ，而协调器也会在数据未被修改的情况下访问服务器，提高了准确性。

在基表控制块T V-CTRL-BLOCK中增加一项Isreplication。建表时，该项初始化为false;当为该表建立一个副本时，该项赋值为true。具体算法如下。

（一）初始化算法

协调器:1) 从用户或应用程序接收待连接的两个系统中的服务器名，需复制的表名;2) 分别登录到两个系统的服务器上;3) 向存有待复制表的服务器发预复制消息;4) 等待服务器消息;5) 若失败，发一条失败的消息给服务器和用户或应用程序, 转11) ;6) 若成功，从消息中取出待复制表的有关部门信息，根据这些信息，发一条建表消息给另一个系统的服务器;7) 等待服务器消息;8) 若失败，发一条失败的消息给服务器和用户或应用程序，转11) ;9) 若成功，调数据转移程序，进行数据复制;l0) 将有关信息写入组间字典。11) 退出。

服务器:当服务器收到预复制消息后，将基表控制块TV-CTRL-BLOCK中的IsRelication赋为true。同时，取出待复制表的有关信息，组成应答消息发给协调器。

当服务器收到失败的消息后，将基表控制块TV-CTRL-BLOCK中的Is Replica赋为false。

（二）维护算法

协调器：1) 从组间字典读出相关信息，根据这信息, 登录到相应系统上;2) 等待消息;3) 从某系统的服务器上收到条修改消息后, 通过查找组间字典, 确定该消息的目的地, 然后将它转发过去;4) 若失败，定时重发;

服务器:1) 等待消息;2) 当收到某客户或应用程序的消息后, 检查它是否是修改数据的操作 (如delete, update或insent等) ;3) 若不是，转7) ;4) 若是，检查基表控制块Tv-CTRL-BLOCK中的IsReplicatlon是否为true;5) 若不是，转7) :6) 若是，向协调器发修改消息;7) 继续执行服务器程序的其它部分。

（三）恢复算法

若协调器所联接的系统中有一个跨掉了，则对副本的修改无法及时地反映到跨掉的系统中来。这时，需要恢复算法来进行处理。协调器：

当协调器发现有一个系统已经崩溃后，采取以下步骤。

1)将与该系统相关的变量0pen赋值为false;2)打开记时器;3)等待消息;4)若收到的消息是其它系统发出的修改崩溃了的系统上的副本的命令，则依次将这些消息存储起来，转3;5) 若收到的消息是记时器发山的时间到的消息，则向崩溃的系统发登录命令;6) 若登录成功，将open的值改为true;7) 将存储的消息依次发送过去，转9;8) 若登录失败，转3;9) 退出。

四、结论

在三个DM3数据库系统上，用两个协调器进行联接。结果，运行情况良好，各副本最终都能保证一致，且各副本间存在差异的时间隔很短。另外，在出现异常的情况下，协调器也能正常工作。

参考文献

[1]、陈京民　数据仓库与数据挖掘技术　电子工业出版社　2002

[2]、郭燕萍;　多数据库中例外模式挖掘研究　[D];广西师范大学

商业数据库 第2篇

在大数据成为趋势，成为国家战略的今天，如何最大限度发挥大数据的价值成为人们思考的问题。无论是对于互联网企业、电信运营商还是数量众多的初创企业而言，大数据的变现显得尤为重要。谁最先一步找到密码，谁就能够抢占市场，赢得发展。在探索大数据商业模式的同时，大数据正加速在各行各业的应用，大数据不仅为人们的购物、出行、交友提供了帮助，甚至还在高考这样重要的事件中发挥作用。

大数据产业具有无污染、生态友好、低投入高附加值特点，对于我国转变过去资源因素型经济增长方式、推进“互联网+”行动计划、实现国家制造业30年发展目标有战略意义。前几年，国内大数据产业讨论较多、落地较少，商业模式处于初探期，行业处于两种极端：一种是过热的浮躁带来了一定的泡沫和产业风险；一种是怀疑大数据只是炒作，依然坚持传统管理理念、经营模式。但是进入2015年之后，大数据产业告别了泡沫，进入更务实的发展阶段，从产业萌芽期进入了成长期。当前，如何将大数据变现成为业界探索的重要方向。

B2B大数据交易所

国内外均有企业在推动大数据交易。目前，我国正在探索“国家队”性质的B2B大数据交易所模式。

2014年2月20日，国内首个面向数据交易的产业组织—中关村大数据交易产业联盟成立，同日，中关村数海大数据交易平台启动，定位大数据的交易服务平台。2015年4月15日，贵阳大数据交易所正式挂牌运营并完成首批大数据交易。贵阳大数据交易所完成的首批数据交易卖方为深圳市腾讯计算机系统有限公司、广东省数字广东研究院，买方为京东云平台、中金数据系统有限公司。2015年5月26日，在2015贵阳国际大数据产业博览会暨全球大数据时代贵阳峰会上，贵阳大数据交易所推出《2015年中国大数据交易白皮书》和《贵阳大数据交易所702公约》，为大数据交易所的性质、目的、交易标的、信息隐私保护等指明了方向，奠定了大数据金矿变现的产业基础。

咨询研究报告

国内咨询报告的数据大多来源于国家统计局等各部委的统计数据，由专业的研究员对数据加以分析、挖掘，找出各行业的定量特点进而得出定性结论，常见于“市场调研分析及发展咨询报告”，如“2015～2020年中国通信设备行业市场调研分析及发展咨询报告”、“2015～2020年中国手机行业销售状况分析及发展策略”、“2015年光纤市场分析报告”等，这些咨询报告面向社会销售，其实就是O2O的大数据交易模式。

各行各业的分析报告为行业内的大量企业提供了智力成果、企业运营和市场营销的数据参考，有利于市场优化供应链，避免产能过剩，维持市场稳定。这些都是以统计部门的结构化数据和非结构化数据为基础的专业研究，这就是传统的一对多的行业大数据商业模式。

数据挖掘云计算软件

云计算的出现为中小企业分析海量数据提供了廉价的解决方案，SaaS模式是云计算的最大魅力所在。云计算服务中SaaS软件可以提供数据挖掘、数据清洗的第三方软件和插件。

业内曾有专家指出，大数据=海量数据+分析软件+挖掘过程，通过强大的各有千秋的分析软件来提供多样性的数据挖掘服务就是其盈利模式。国内已经有大数据公司开发了这些架构在云端的大数据分析软件：它集统计分析、数据挖掘和商务智能于一体，用户只需要将数据导入该平台，就可以利用该平台提供的丰富算法和模型，进行数据处理、基础统计、高级统计、数据挖掘、数据制图和结果输出等。数据由系统统一进行管理，能够区分私有和公有数据，可以保证私有数据只供持有者使用，同时支持多样数据源接入，适合分析各行各业的数据，易学好用、操作界面简易直观，普通用户稍做了解即可使用，同时也适合高端用户自己建模进行二次开发。

大数据咨询分析服务

机构及企业规模越大其拥有的数据量就越大，但是很少有企业像大型互联网公司那样有自己的大数据分析团队，因此必然存在一些专业型的大数据咨询公司，这些公司提供基于管理咨询的大数据建模、大数据分析、商业模式转型、市场营销策划等，有了大数据作为依据，咨询公司的结论和咨询成果更加有说服力，这也是传统咨询公司的转型方向。比如某国外大型IT研究与顾问咨询公司的副总裁在公开场合曾表示，大数据能使贵州农业节省60%的投入，同时增加80%的产出。该公司能做出这样的论断当然是基于其对贵州农业、天气、土壤等数据的日积月累以及其建模分析能力。

政府决策咨询智库

党的十八届三中全会通过的《中共中央关于全面深化改革若干重大问题的决定》明确提出，加强中国特色新型智库建设，建立健全决策咨询制度。这是中共中央文件首次提出“智库”概念。

近几年，一批以建设现代化智库为导向、以服务国家发展战略为目标的智库迅速成立，中国智库数量从2008年的全球第12位跃居当前第2位。大数据是智库的核心，没有了数据，智库的预测和分析将为无源之水。在海量信息甚至泛滥的情况下，智库要提升梳理、整合信息的能力必然需要依靠大数据分析。

研究认为，93%的行为是可以预测的，如果将事件数字化、公式化、模型化，其实多么复杂的事件都是有其可以预知的规律可循，事态的发展走向是极易被预测的。可见，大数据的应用将不断提高政府的决策效率和决策科学性。

自有平台大数据分析

随着大数据的价值被各行各业逐渐认可，拥有广大客户群的大中型企业也开始开发、建设自有平台来分析大数据，并嵌入到企业内部的ERP系统信息流，由数据来引导企业内部决策、运营、现金流管理、市场开拓等，起到了企业内部价值链增值的作用。

在分析1.0时代，数据仓库被视作分析的基础。2.0时代，公司主要依靠Hadoop集群和NoSQL数据库。3.0时代的新型“敏捷”分析方法和机器学习技术正在以更快的速度来提供分析结果。更多的企业将在其战略部门设置首席分析官，组织跨部门、跨学科、知识结构丰富、营销经验丰富的人员进行各种类型数据的混合分析。

大数据投资工具

证券市场行为、各类指数与投资者的分析、判断以及情绪都有很大关系。2002年诺贝尔经济学奖授予了行为经济学家卡尼曼和实验经济学家史密斯，行为经济学开始被主流经济学所接受，行为金融理论将心理学尤其是行为科学理论融入金融中。现实生活中拥有大量用户数据的互联网公司将其论坛、博客、新闻报道、文章、网民用户情绪、投资行为与股票行情对接，研究的是互联网的行为数据，关注热点及市场情绪，动态调整投资组合，开发出大数据投资工具，比如大数据类基金等。这些投资工具直接将大数据转化为投资理财产品。

定向采购线上交易平台

数据分析结果很多时候是其他行业的业务基础，国内目前对实体经济的电子商务化已经做到了B2C、C2C、B2B等，甚至目前O2O也越来越流行，但是对于数据这种虚拟商品而言，目前还没有具体的线上交易平台。比如服装制造企业针对某个省份的市场，需要该市场客户的身高、体重的中位数和平均数数据，那么医院体检部门、专业体检机构就是这些数据的供给方。通过获取这些数据，服装企业将可以开展精细化生产，以更低的成本生产出贴合市场需求的服装。假想一下，如果有这样一个“大数据定向采购平台”，就像淘宝购物一样，可以发起买方需求，也可以推出卖方产品，通过这样的模式，外加第三方支付平台，“数据分析结论”这种商品就会悄然而生，这种商品不占用物流资源、不污染环境、快速响应，但是却有“供”和“需”双方巨大的市场。而且通过这种平台可以保障基础数据安全，大数据定向采购服务平台交易的不是底层的基础数据，而是通过清洗建模出来的数据结果。所有卖方、买方都要实名认证，建立诚信档案机制并与国家信用体系打通。

非营利性数据征信评价机构

在国家将公民信息保护纳入刑法范围之前，公民个人信息经常被明码标价公开出售,并且形成了一个“灰色产业”。为此，2009年2月28日通过的刑法修正案

（七）中新增了出售、非法提供公民个人信息罪，非法获取公民个人信息罪。该法条中特指国家机关或者金融、电信、交通、教育、医疗等单位的工作人员，不得将公民个人信息出售或非法提供给他人。而公民的信息在各种考试中介机构、房产中介、钓鱼网站、网站论坛依然在出售，诈骗电话、骚扰电话、推销电话在增加运营商话务量的同时也在破坏整个社会的信用体系和公民的安全感。

虽然数据交易之前是交易所规定的经过数据清洗的数据，但是交易所员工从本质上是无法监控全国海量的数据的。数据清洗只是对不符合格式要求的数据进行清洗，主要有不完整的数据、错误的数据、重复的数据三大类。因此，建立非营利性数据征信评价机构是非常有必要的，将数据征信纳入企业及个人征信系统，作为全国征信系统的一部分，避免黑市交易变成市场的正常行为。

除了征信评价机构之外，未来国家公共安全部门也许会成立数据安全局，纳入网络警察范畴，重点打击将侵犯企业商业秘密、公民隐私的基础数据进行数据贩卖的行为。

结语：

大数据已经从论坛串场、浮躁的观点逐步走向国家治理体系建设、营销管理、生产管理、证券市场等方面，其商业模式也多种多样。市场经验表明，存在买卖就存在商品经济，具体哪种商业模式占主流将由市场决定。而最终的事实将证明，大数据交易商品经济必然成为“互联网+”的重要组成部分。

商业数据库 第3篇

信贷管理系统是银行对其资产信贷业务进行全面的信息化管理系统, 它包括客户信息管理、评级授信管理、信贷审批管理、贷后监管与预警、五级风险分类管理、低质押物管理、不良资产管理、业务分析等方面的管理。信贷管理系统的目的是控制和降低信贷风险, 降低管理成本, 提供方便快捷的信贷服务, 提供决策支持, 其中控制和降低信贷风险是其根本目的。

信贷管理系统是一个庞大而复杂的管理系统, 对各个方面的要求十分严格, 如系统性能、安全性等。数据库是整个信贷管理系统的核心, 它存放的是银行的所有客户资料数据和贷款账户数据, 其安全性十分重要;由于信贷管理系统的在线用户数量大, 数据的存取频繁、查询统计复杂多样, 对数据库的存取性能要求很高。

下面就从业务功能方面谈谈构建信贷管理系统数据库的几个设计要点。本文所引用的数据库模型是笔者全程参与设计和修改维护的一个信贷管理系统的后台数据库, 经历了3个省级商业银行的成功实施, 历时3年, 几经修改。

二、设计原则

(1) 规范性。在设计和操作维护数据库时, 关键的步骤就是要确保数据正确地分布到数据库的表中。使用正确的数据结构, 不仅便于对数据库进行相应的存取操作, 而且可以极大地简化应用程序的其他内容, 如查询、页面、报表、代码等。

(2) 正确性。数据库要能正确地描述信贷业务的信息、过程、关系, 错误的信息描述将会带来不可预知的问题, 所以, 在设计表时, 要多与银行信贷业务人员、管理人员、高层领导沟通, 从多个角度正确理解业务对象的信息内容、用途和关系, 宁缺毋滥。

(3) 安全性。信贷管理系统的各个层面都要求有安全性保障, 有应用程序层面的、操作系统层面的、数据库层面的等。而对于绕过应用程序和操作系统直接进入数据库的操作, 则更具危险性, 所以, 数据库在设计和部署时要求有防篡改的手段或辅助的设计。

(4) 性能优先。数据库的设计要考虑数据存取的性能需求, 例如, 可以不按范式规范数据表, 适度的分表或分区设计等。

(5) 前瞻性。对一些可能需要扩充的功能模块或变化性比较大的功能模块, 可以适当加入一些前瞻性的设计或冗余设计。

三、设计要点

1. 整体规划

首先, 在整体上收集和归纳信贷管理系统所涉及的业务对象的主要信息、用途、特点和关系, 然后, 结合数据表的功能用途和存取特点进行分类, 主要分类如下:

(1) 组织人员权限 (基础数据) :主要是描述银行各组织机构、员工信息以及整个系统的访问控制信息。

(2) 静态数据:静态数据包括两大类, 即系统静态数据和业务静态数据, 例如码表, 以及业务类型、贷款方式、担保方式、利率期限等业务参数。

(3) 客户基本信息:包括全部的企业客户和个人客户的档案信息, 以及客户的联保小组、关联企业、黑名单、白名单、财务报表、资产信息、不良记录等的信息。

(4) 评级授信:包括客户评级和授信的相关信息, 主要有客户评级表、个人评分项目表、企业定量评分表、企业定性评分表、客户授信记录表、按业务种类授信表、按贷款方式授信表等。

(5) 模型数据:信贷管理系统中, 用到的所有模型定义, 主要有个人评级模型、企业定量评级模型、企业定性评级模型、业务审批流程、风险分类模型、各类财务分析指标等。

(6) 业务数据:这是本系统的核心数据, 包括科目、账号、借据、余额表、月末余额表、流水表、月末欠息表、欠息表、利率表, 此外还包括贷款合同、低质押物、担保人等表。

(7) 业务处理数据:业务处理数据是指业务处理过程中所产生的数据, 主要是业务流程运行时的过程数据, 评级授信、信贷业务审批等业务流程的各个步骤及其相关的数据, 待办事宜等。

(8) 风险管理数据:主要包括五级分类、贷后监管、风险预警等方面的数据或信息。

(9) 日志:需要存储到数据库中的一些系统日志和业务日志数据。

2. 组织机构、人员与权限

组织机构、人员与权限系统被设计成一个独立的子系统, 直接对应应用程序的机构人员管理和权限管理认证模块, 实际上在数据库中该部分数据也只是提供机构ID、人员ID的外键关联或引用, 见图1。

这一部分的应用程序和数据库设计成独立模块的一个主要考虑就是银行系统的应用整合, 如果整合, 这一部分可直接用相应的模块替换或同步即可。

组织机构表的设计十分重要, 除了正确描述机构间的从属关系外, 最主要的是提高查询性能, 信贷管理系统中几乎所业的业务数据都与机构关联, 而很多的查询功能都是按机构、按网点的查询或按机构逐级汇总。所以, 组织机构表作了双重的设计:一方面, 通过机构代码字段和上级机构代码字段来形成隶属关系, 以机构代码字段作主键;另一方面, 由于银行的机构层次一般不多, 机构代码字段采用分段编码设计, 具体规划为:总行2位、支行2位、分行2位、网点2位、分网点2位。至于作为主键的机构代码字段有可能发生变化的问题, 这一点不用担心, 银行的机构发生变更、升级、合并、拆分均有相应的业务规范, 而应用程序用则会有相应的功能。

3. 客户信息设计

本系统是面向中小型商业银行的应用系统, 中小型商业银行和大型的商业银行在客户群上有一个显著的不同, 就是大型的商业银行经营的都是大客户, 客户数量不大但信贷金额很大, 而中小型商业银行面向的主要是中小微型企业、工商户、农户等, 数量庞大但信贷金额都很小, 一个县就有10万以上客户的数据。

所以, 客户信息的组织和设计对整个系统的查询性能有着很大的影响, 信贷管理系统中的业务查询基本上都要关联到客户信息, 体现以客户为中心, 然而, 为了满足信贷管理系统的业务需求, 客户的档案信息的内容很多, 有近200项, 所以, 客户档案信息表无论从横向还是纵向都是大表, 通过对业务需求的分析和归纳, 发现系统中的查询和业务处理中基本上是个人客户和企业客户是分开查询和处理的, 同时在多次实施中还发现, 客户档案信息中使用频率比较高的字段只有30个左右, 所以客户档案信息分成了基本信息和扩展信息量部分, 常用的字段放在基本信息表中, 其余的放在扩展信息表中, 根据客户类型分为企业客户和个人客户, 最终形成个人客户基本信息、个人客户扩展信息、企业客户基本信息、企业客户扩展信息4个表, 见图2。

这样的设计虽然在应用程序编码上不如单表方便, 但是在性能上则有很大的提升。

4. 业务模型设计

系统中的业务数据是以信贷业务表和贷款借据表为中心进行组织的, 业务数据的主要对象与关系见图3, 其中信贷业务表、贷款合同表、低质押物表、担保人表为贷前申请审批过程中产生的数据表;而借据表、余额表、月末余额表、欠息表、月末欠息表、流水账表为账务数据表。

业务数据是信贷管理系统的核心, 这一部分在表的设计上并不难, 但是这部分数据基本上都是大表, 而且数据累计增长, 所以, 其设计重点是怎样合理存储以提高存取性能;而根据一般商业银行的应用习惯, 业务数据一般由分行进行组织, 并且80%以上的数据存取都发生在分行内, 因此, 这些表可以根据分行的机构代码进行分区或分表存储, 对于流水账表, 还应该针对记账日期进行二级分区或分表存储, 这样可以提高数据的存取性能。

5. 中间表与历史数据

信贷管理系统在实际运行当中, 会用很多针对流水账、借据、余额的查询汇总和统计操作, 然而这些表的数据量都很大, 如果频繁地进行汇总统计会严重地影响系统性能, 应该针对具体的功能, 创建一些辅助性的中间表, 定时地将原始数据汇总统计到相应的中间表, 查询汇总和统计时, 只对中间表进行操作, 这样, 既可以降低对业务数据的并发访问, 又可以简化查询逻辑, 从而提高系统的执行效率。

还有一点, 业务数据是累计型的数据, 随着时间的推移, 数据将越来越多, 因此对于那些已结清、已轧账或已归档的数据在存放一定时间后应该转入历史库表, 历史库表的设计要求是, 应该包含所有的源数据字段, 可适当增加一些辅助字段用来进行分表或分区存储时使用。

6. 外键与约束

通常在数据库的设计中, 首先强调的是通过外键和相关的约束在数据库系统层面来保证数据的完整性和一致性, 同时减轻应用程序代码的负担, 但是在一些频繁增改的大表上, 这些设计反而会影响性能, 过多的外键关联、索引、约束会大大地降低大表中数据的增改效率。

所以, 除了主键和一些十分必要的索引外, 其他的外键、索引、约束建议关闭, 相应的关联和约束改在应用程序中进行处理。

7. 防篡改设计

信贷管理系统的数据库必须要有相应的安全措施, 在数据库这一层面, 主要就是防止篡改数据, 例如直接通过数据库系统, 修改金额、利率、结清标志、还贷记录等, 防篡改的方法有很多, 这里采用的是数据库与应用程序相结合的方法, 在数据库相应表中添加一个字符型的校验字段, 字段的长度根据校验算法来定, 在应用程序代码中根据一些关键字段 (建议2~5个) 生成校验代码存放到校验字段中, 校验时, 是实时生成校验代码并同校验字段中的代码进行比较, 如果存在差异, 则报警。这样在很大程度上达到了防止篡改数据的目的。

四、结束语

设计一个好的数据库, 需要有多方面的知识和经验。首先, 要遵循关系型数据库的标准规范, 深入了解业务系统;其次, 要结合具体的关系型数据库系统来进行调整和优化, 不同的数据库系统都有各自的优势和弱点, 比如, 在Oracle上的设计方案用在DB2系统中则不一定能表现良好的性能;此外, 需要在实践中进行检验, 只有在实施应用中, 不断地发现问题, 灵活变通, 不断优化, 才能设计出优秀的数据库。

摘要：信贷管理系统的数据库设计是信贷管理系统建设的重点之一, 直接关系到应用系统的架构、性能、安全等。本文将从系统的业务功能、性能需求方面结合3年来信贷管理系统实施中数据库的改进经验, 对信贷管理系统数据库的设计要点做了较详细的分析, 并提供了相应的解决方案。

关键词：银行信贷管理系统,信贷,数据库,设计,性能,安全

参考文献

[1]鲍静海, 尹成远.商业银行业务经营与管理[M].第2版.北京:人民邮电出版社, 2005.

[2]江其务, 周好文.银行信贷管理[M].北京:高等教育出版社, 2004.

大数据变现的九种商业模式 第4篇

大数据已经从论坛串场、浮躁的观点逐步走向国家治理体系建设、营销管理、生产管理、证券市场等方面，其商业模式也多种多样。大数据变现的九种商业模式

在大数据成为趋势，成为国家战略的今天，如何最大限度发挥大数据的价值成为人们思考的问题。无论是对于互联网企业、电信运营商还是数量众多的初创企业而言，大数据的变现显得尤为重要。谁最先一步找到密码，谁就能够抢占市场，赢得发展。

大数据产业具有无污染、生态友好、低投入高附加值特点，对于我国转变过去资源因素型经济增长方式、推进“互联网+”行动计划、实现国家制造业30年发展目标有战略意义。前几年，国内大数据产业讨论较多、落地较少，商业模式处于初探期，行业处于两种极端：一种是过热的浮躁带来了一定的泡沫和产业风险；一种是怀疑大数据只是炒作，依然坚持传统管理理念、经营模式。但是进入2015年之后，大数据产业告别了泡沫，进入更务实的发展阶段，从产业萌芽期进入了成长期。当前，如何将大数据变现成为业界探索的重要方向。1B2B大数据交易所

国内外均有企业在推动大数据交易。目前，我国正在探索“国家队”性质的B2B大数据交易所模式。

2014年2月20日，国内首个面向数据交易的产业组织—中关村大数据交易产业联盟成立，同日，中关村数海大数据交易平台启动，定位大数据的交易服务平台。2015年4月15日，贵阳大数据交易所正式挂牌运营并完成首批大数据交易。贵阳大数据交易所完成的首批数据交易卖方为深圳市腾讯计算机系统有限公司、广东省数字广东研究院，买方为京东云平台、中金数据系统有限公司。2015年5月26日，在2015贵阳国际大数据产业博览会暨全球大数据时代贵阳峰会上，贵阳大数据交易所推出《2015年中国大数据交易白皮书》和《贵阳大数据交易所702公约》，为大数据交易所的性质、目的、交易标的、信息隐私保护等指明了方向，奠定了大数据金矿变现的产业基础。2咨询研究报告

国内咨询报告的数据大多来源于国家统计局等各部委的统计数据，由专业的研究员对数据加以分析、挖掘，找出各行业的定量特点进而得出定性结论，常见于“市场调研分析及发展咨询报告”，如“2015～2020年中国通信设备行业市场调研分析及发展咨询报告”、“2015～2020年中国手机行业销售状况分析及发展策略”、“2015年光纤市场分析报告”等，这些咨询报告面向社会销售，其实就是O2O的大数据交易模式。

各行各业的分析报告为行业内的大量企业提供了智力成果、企业运营和市场营销的数据参考，有利于市场优化供应链，避免产能过剩，维持市场稳定。这些都是以统计部门的结构化数据和非结构化数据为基础的专业研究，这就是传统的一对多的行业大数据商业模式。3数据挖掘云计算软件

云计算的出现为中小企业分析海量数据提供了廉价的解决方案，SaaS模式是云计算的最大魅力所在。云计算服务中SaaS软件可以提供数据挖掘、数据清洗的第三方软件和插件。

业内曾有专家指出，大数据=海量数据+分析软件+挖掘过程，通过强大的各有千秋的分析软件来提供多样性的数据挖掘服务就是其盈利模式。国内已经有大数据公司开发了这些架构在云端的大数据分析软件：它集统计分析、数据挖掘和商务智能于一体，用户只需要将数据导入该平台，就可以利用该平台提供的丰富算法和模型，进行数据处理、基础统计、高级统计、数据挖掘、数据制图和结果输出等。数据由系统统一进行管理，能够区分私有和公有数据，可以保证私有数据只供持有者使用，同时支持多样数据源接入，适合分析各行各业的数据，易学好用、操作界面简易直观，普通用户稍做了解即可使用，同时也适合高端用户自己建模进行二次开发。4大数据分析服务

机构及企业规模越大其拥有的数据量就越大，但是很少有企业像大型互联网公司那样有自己的大数据分析团队，因此必然存在一些专业型的大数据咨询公司，这些公司提供基于管理咨询的大数据建模、大数据分析、商业模式转型、市场营销策划等，有了大数据作为依据，咨询公司的结论和咨询成果更加有说服力，这也是传统咨询公司的转型方向。比如某国外大型IT研究与顾问咨询公司的副总裁在公开场合曾表示，大数据能使贵州农业节省60%的投入，同时增加80%的产出。该公司能做出这样的论断当然是基于其对贵州农业、天气、土壤等数据的日积月累以及其建模分析能力。5政府决策咨询智库

党的十八届三中全会通过的《中共中央关于全面深化改革若干重大问题的决定》明确提出，加强中国特色新型智库建设，建立健全决策咨询制度。这是中共中央文件首次提出“智库”概念。

近几年，一批以建设现代化智库为导向、以服务国家发展战略为目标的智库迅速成立，中国智库数量从2008年的全球第12位跃居当前第2位。大数据是智库的核心，没有了数据，智库的预测和分析将为无源之水。在海量信息甚至泛滥的情况下，智库要提升梳理、整合信息的能力必然需要依靠大数据分析。

研究认为，93%的行为是可以预测的，如果将事件数字化、公式化、模型化，其实多么复杂的事件都是有其可以预知的规律可循，事态的发展走向是极易被预测的。可见，大数据的应用将不断提高政府的决策效率和决策科学性。6自有平台大数据分析

随着大数据的价值被各行各业逐渐认可，拥有广大客户群的大中型企业也开始开发、建设自有平台来分析大数据，并嵌入到企业内部的ERP系统信息流，由数据来引导企业内部决策、运营、现金流管理、市场开拓等，起到了企业内部价值链增值的作用。

在分析1.0时代，数据仓库被视作分析的基础。2.0时代，公司主要依靠Hadoop集群和NoSQL数据库。3.0时代的新型“敏捷”分析方法和机器学习技术正在以更快的速度来提供分析结果。更多的企业将在其战略部门设置首席分析官，组织跨部门、跨学科、知识结构丰富、营销经验丰富的人员进行各种类型数据的混合分析。7大数据投资工具

证券市场行为、各类指数与投资者的分析、判断以及情绪都有很大关系。2002年诺贝尔经济学奖授予了行为经济学家卡尼曼和实验经济学家史密斯，行为经济学开始被主流经济学所接受，行为金融理论将心理学尤其是行为科学理论融入金融中。现实生活中拥有大量用户数据的互联网公司将其论坛、博客、新闻报道、文章、网民用户情绪、投资行为与股票行情对接，研究的是互联网的行为数据，关注热点及市场情绪，动态调整投资组合，开发出大数据投资工具，比如大数据类基金等。这些投资工具直接将大数据转化为投资理财产品。8定向采购线上交易平台

数据分析结果很多时候是其他行业的业务基础，国内目前对实体经济的电子商务化已经做到了B2C、C2C、B2B等，甚至目前O2O也越来越流行，但是对于数据这种虚拟商品而言，目前还没有具体的线上交易平台。比如服装制造企业针对某个省份的市场，需要该市场客户的身高、体重的中位数和平均数数据，那么医院体检部门、专业体检机构就是这些数据的供给方。通过获取这些数据，服装企业将可以开展精细化生产，以更低的成本生产出贴合市场需求的服装。假想一下，如果有这样一个“大数据定向采购平台”，就像淘宝购物一样，可以发起买方需求，也可以推出卖方产品，通过这样的模式，外加第三方支付平台，“数据分析结论”这种商品就会悄然而生，这种商品不占用物流资源、不污染环境、快速响应，但是却有“供”和“需”双方巨大的市场。而且通过这种平台可以保障基础数据安全，大数据定向采购服务平台交易的不是底层的基础数据，而是通过清洗建模出来的数据结果。所有卖方、买方都要实名认证，建立诚信档案机制并与国家信用体系打通。9非营利性数据征信评价机构

在国家将公民信息保护纳入刑法范围之前，公民个人信息经常被明码标价公开出售,并且形成了一个“灰色产业”。为此，2009年2月28日通过的刑法修正案

（七）中新增了出售、非法提供公民个人信息罪，非法获取公民个人信息罪。该法条中特指国家机关或者金融、电信、交通、教育、医疗等单位的工作人员，不得将公民个人信息出售或非法提供给他人。而公民的信息在各种考试中介机构、房产中介、钓鱼网站、网站论坛依然在出售，诈骗电话、骚扰电话、推销电话在增加运营商话务量的同时也在破坏整个社会的信用体系和公民的安全感。

虽然数据交易之前是交易所规定的经过数据清洗的数据，但是交易所员工从本质上是无法监控全国海量的数据的。数据清洗只是对不符合格式要求的数据进行清洗，主要有不完整的数据、错误的数据、重复的数据三大类。因此，建立非营利性数据征信评价机构是非常有必要的，将数据征信纳入企业及个人征信系统，作为全国征信系统的一部分，避免黑市交易变成市场的正常行为。

认知商业：领航人数据时代 第5篇

过去数年，受数据、分析、云、移动、社交媒体及物联网的同步发展所驱动，IT行业一直不断地重组。作为世界上从事人工智能和认知计算研发的先驱者之一，IBM为何笃定地在认知计算与云平台的蓝海再度起航？我们所置身的IT环境与商业世界究竟发生了怎样的变化，使得认知这一相当烧脑的名词成为决胜未来的利器？

大数据，“烧钱”也“烧脑”的时代

认知技术的储备由来已久，将认知这一新兴市场点燃的，正是大数据。

今天的世界被数据所充斥。移动设备、社交网络及所有的数字化和联网产品、机器和基础架构，都会生成数据。然而滚滚袭来的大数据洪流中，80%的数据无法被计算机辨识。各类非结构化的数据尤其让系统困扰，他们包括人类的书面作品、对话、以及各种流媒体信息、照片、在社交媒体上发布的信息等等。

大数据被誉为未来的“石油”，政府、公共部门、企业投入巨资，换来了仍在海量增长的数据。未来两年，医疗数据将增长99%，其中88%的医疗数据都将是非结构化数据，包括电子病历、化验结果、医学影像、视频以及病患传感器（如可穿戴医疗设备）。政府和教育数据也将增长94%，其中84%是非结构化数据，这些数据来自各类传感器、建筑物、道路、车队等；公共事业部门和媒体行业的数据增长也将分别达到93%和97%，其中82%是非结构化数据。

到2020年，这个地球上的每一个人每分钟都将创建1.7MB的信息量，其中很大一部分是流媒体数据。获取与存储这些数据耗费了巨大的开支，而CEO们非常关心的是能够读懂他们的设备，或者说“大脑”在哪里？大数据背后的价值如何才能挖掘出来？

对于CIO而言，大数据让业务部门对IT部门的需求极大地提升了，但在企业领导者对此并不以为然，预期的数据商业价值尚未兑现。大数据带来的麻烦似乎比成果还要多，会不会沦为一笔注定沉没的开支？

答案当然是不。大数据带给人们的机遇远远大于挑战，在数据洪流面前业务人员手足无措是完全可以理解的，因为他们缺少趁手的“工具”。置身于高速前行的商业世界，只有那些率先洞察环境变化的企业，有能力更深与客户沟通，提供更精准、高品质服务的企业和组织才能脱颖而出。IBM的专家发现，认知计算技术的突破性进展与大数据的结合可以充分满足“工具”需求，并引领企业进入认知商业时代。

认知计算，从数据中学习并改善服务

市场上对人工智能（A1）的讨论如火如荼，几乎所有人都免不了将AI与认知等量齐观。一种声音认为，认知计算包括之前的AI某些要素，概念更为宽泛；另一种则截然相反，认为现有的认知计算仅仅放入了AI技术所探索的人脑诸多智能的几种，诸如想象、创新这样的能力远远尚未涉足。

事实上，认知计算不是制造“为人们思考”的机器，而是与“增加人类智慧”有关，能够帮助我们更好地思考和做出更为全面的决定。人工智能的概念已经有二十多年了，从历史和研究角度来讲主要目的是为了让机器表现得“更像人”。从技术角度上来讲，认知计算和人工智能是有很多共性，比如机器学习、深度学习等。但认知计算除了要能够表现人与计算机的交互更加自然流畅之外，还会更多强调推理和学习，以及如何把这样的能力结合具体的商业应用、解决商业的问题。

认知计算没有试图去挑战人、战胜人、替代人，相反，是把帮助人、增加人类的智慧当作了自身的使命。系统通过与人的自然语言交流及不断学习帮助人们做到更多，使专家可以更好地从海量复杂的数据中获得更多洞察，从而做出更为精准的决策。

全球第一位认识计算大使非IBM Watson莫属。早在2011年的“Jeopardy危险边缘电视问答挑战赛”，Watson就技惊四座：它会用自然语言进行深度问答，记住，是深度问答而不是有一搭没一搭的聊天。经过几年发展，Watson日益强大，回答问题只不过是其现在具备的诸多项能力之一。这些能力被封装为数字服务或API，如同一种智慧的积木，IBM将依据这些积木盒子为社会走向认知商业时代搭建起越来越坚实的智能桥梁。

认知将提供更加智能的商业服务。更深入地与人互动，更强大的专业学习能力，使得一些新型产品与服务成为可能。知识的增加大大延长了培养专业人士的时间和成本，比如在美国，医生拿到行医执照需要11～16年。律师平均需要具备7～10年的工作经验，才能成为律师事务所的合伙人。因此，缩短将专业人员培训为专家的时间成为当今社会的重大需求。

值得注意的是，认知技术不仅能改变企业的服务能力和改善产品，同时还能改变企业运营的方式，甚至是业务流程本身。通过构建认知供应链，一家零售商的需求预测错误率可减少50%，甚至可以运用预测性分析技术来同时处理内部的结构化数据、及八种非结构化数据，包括社交媒体情绪、本地事件和天气模式，由此来预测以前看似随机的行为，这大大拉近了库房与商店的距离。

认知商战已经打响

在今年1月的CES展上，IBM已经在运动、健康、消费等领域与众多行业领导厂商展开了合作。家电制造商惠而浦将互联家电与包括认知分析功能在内的IBM Watson相连接，从而为用户提供更为个性化的服务。Medtronic利用IBM认知解决方案处理来自可穿戴医疗设备及其他情景化来源的数据，并提供个性化的糖尿病管理。随着智能科技的发展，各个行业都在变得“智慧”，这倒逼那些“反应迟钝”的企业跟上新的节奏。这场认知商业的革命已经打响，现在，有36个国家、17个行业的客户都在使用认知技术。Watson API每月被调用高达13亿次，并且还在继续增长。因此，企业如果要在大数据时代占得先机，部署认知技术是一条捷径。在不远的将来，认知的产品和服务将得到普及，它们将真正能够识别、了解用户、感知外界的变化并提出建议，逐渐自我提升。

IBM多份研究报告表明，运用高级预测性分析技术（包括机器学习）的应用在2016年将会加速增长。这些应用的增速将比不提供预测功能的应用高出65%，到2018年，全球一半的消费者将会经常与基于认知技术的服务进行互动。到2019年，决策管理平台将以60%的复合年平均增长率增长，以满足提高决策一致性及知识保留等需求。

大数据助推智慧商业发展 第6篇

一、云计算:“智慧审计”的支撑平台

云计算的理念是将分散的资源整合起来, 让每一个成员共同分享。而这一理念正逐步催生出一种新型的审计组织管理模式——“智慧审计”, 又称“云审计”。“云审计”是基于云计算所搭建的一个会计信息处理平台, 通过促进平台上信息的交流与共享, 从而实现各类审计信息的数字化, 以及审计资源的充分优化利用。由云计算派生出的一系列新概念, 例如“云存储”、“云安全”、“云会议”为“云审计”平台的搭建提供了如下几种重要的支持。

第一, 审计人员可以运用“云存储”将文件推送到“云端”, 使用者可直接同步“云端”文件到本地, 文件经过修改、更新后可直接存在云服务器上, 保证了信息的及时性与对称性, 而目前逐渐普及的智能手机、平板电脑作为“云”的接收端, 也极大地促进审计数据中心由集中存储数据向分散存储数据发展。第二, “云安全”则利用平台对客户端网络中的木马、恶意程序等异常行为进行检测, 收集客户端所出现的问题并进行自动分析和处理, 再把病毒或木马的解决方案分发到每一个客户端, 依赖云安全对各个节点适时进行分析处理, 审计网络安全的防范逐渐由被动转化成主动。第三, “云会议”所提供的高效、便捷、低成本的会议形式, 不仅可以实现全球各地的语音、视频、数据文件的分享, 也支持会议中数据的传输、处理等操作, 运用云会议技术建立起国家、省、市、县四级审计机关互联互通的审计会商系统, 是提升审计信息化水平的支撑因素。

如今, 信息化已成为世界经济和社会发展的主流趋势, “云计算”技术则充当了推动审计三大业务中心 (信息研究中心、数据分析中心、业务执行中心) 和五大组织结构 (决策指挥、信息研究、数据分析、业务执行、过程控制) 信息化发展进程的主导力量。

二、移动终端技术:“智慧支付”的第一载体

基于移动终端的无线射频识别 (RFID) 、电子数据交换 (EDI) 技术、声波、二维码技术将移动支付手段推向了一个智慧的高度。“智慧支付”的实质, 是以移动终端为载体, 利用信息传递技术及互联网通信技术, 实现一个更加便捷、简单、安全、即时、智能的支付流程。目前, 依托于强大的网络环境及电商用户平台, 拥有庞大客户群的支付宝与财付通, 通过个人移动终端的切入, 大力拓展“智慧支付”的手机移动支付应用, 相继推出的支付方式令人眼花缭乱, 如支付宝推出的二维码、声波支付, 财付通将与微信捆绑, 通过微信的摇一摇、二维码扫描功能实现O2O线上支付与线下商务的融合。同时, 拉卡拉致力于解决个人用户远程付款的实际需求, 在社会生活中广设终端刷卡器, 方便用户信用卡还款、转账及网购付款、水电煤等公共缴费功能。

“智慧支付”的快速发展有着其顺应时代潮流的原因, 首先, 移动终端作为主要载体, 特别是智能手机和平板电脑相继登上科技舞台, 给“智慧支付”创造了必要条件;其次, 用户对移动支付的需求越来越强烈, 相较于传统的POS机定点且需要银行卡支付, “智慧支付”作为一种新型的支付手段, 极大地改善了用户的支付体验, 扩展了企业与商户广阔的利润空间;最后, 由于银行卡支付等主流传统支付模式只针对大额交易过程, 在小额交易市场上存在着手续繁杂、成本较高、信息易泄露等缺点, 而“智慧支付“有效地规避了这些问题, 如声波支付避免了小额硬币纸币的繁杂, 免去了银行的柜员点钞与兑换的成本, 此外, 由于是在电子化网络环境下进行, 收到假钞的可能性几乎为零, 支付时间短、效率高。

随着新型支付产品对消费者心理、行业特点的深层次分析与探索, 越来越多的支付产品也正向贴心、安全、便捷的方向快速发展, “智慧支付”必将成为支付市场的一大主流。

三、物联网技术:“智慧物流”的高速公路网

“智慧物流”的概念是由“智慧供应链”延伸出来, 指的是将互联网、物联网与传感网整合起来, 通过动态、科学、全面的信息管理, 实现物流的自动化、可视化、网络化、智能化, 从而提高生产力水平和资源利用率, 创造更加丰富的社会价值。其中, 物联网的运用起到了一个基础性作用, 具体来说, 就是在全国 (乃至全球) 各铁路、桥梁、公路、隧道、建筑、电网、供水系统、油气管道、大坝等物体中装配传感器, 使其普遍连接, 形成“物联网”, 并与现有互联网整合起来, 达到人类社会与物理系统的融合, 在此网络中, 由庞大的中心计算机群, 来对整体网络内的人员、设备、机器和基础设施进行实时的控制与管理, 通过分析货物流向情况, 来改变传统物流的运行管理模式。据此, 人们可以更加动态、高效地管理生产生活, 达到“智慧”状态。目前, 智慧物流的应用在电子商务中的发展仍处在初级发展阶段, 例如亚马逊公司正在测试无人机送货、机器人管理仓储, 同时通过对用户数据的分析来预测其购买行为, 尽可能提前发出包裹, 以最大限度缩短物流时间。

目前, 国内针对智慧物流也开展了许多试点工作, 如, 全国公路正统一实行不停车电子收费系统 (ETC) , 以畅通高速公路线路流量;鼓励支持有实力的企业建立全国范围性质的物流仓储体系, 完善物流网络的建设;建设智慧口岸, 以实现无纸化、电子化、便利化通关流程;建设跨境电子商务海外仓储, 发展境外经济合作区等。放宽市场准入机制, 支持民间投资, 扩大智慧物流的试点建设, 有利于把握规律、总结经验并制定出完善的法规政策标准。

四、大数据技术:“智慧旅游”的活力源泉

所谓大数据, 是一种非结构化或半结构化的数据, 通常无法通过目前的主流软件工具, 在合理时间内采集、处理并整理成能够帮助企业经营决策的信息。反映大数据特征的是4“V”理论, 即Volume (数据体量巨大) , Variety (种类繁多) , Value (价值密度低) , Velocity (处理速度快) 。智慧旅游, 是由江苏省镇江市2010年在全国率先创造性提出, 如今全国范围内, 已有18个城市入选首批“国家智慧旅游试点城市”。其实质即综合运用互联网、移动互联网、云计算、大数据等技术, 将传统旅游业整合成一个全新的旅游资讯系统。这一系统很大程度上依赖于对大数据的整合与分析。智慧旅游的“大数据”主要来源于物联网感知系统、移动设备应用、各单位云数据共享、游客反馈、网站访客行为统计、人工采集提交等途径。大数据智慧旅游管理可对各渠道、各类型数据进行仪表式生动化价值分析, 让数据自己“说话”, 使管理者全面掌握目的地各领域的量化信息, 从整体上了解目的地旅游业动态。

大数据技术下的智慧旅游与传统旅游业相比, 有它特定的优势:首先, 它改变了传统旅游产品的模式, 通过对游客大数据的挖掘与处理, 分析游客类型与偏好, 了解游客的需求特征, 进行精准定位的旅游营销以及个性化旅游定制服务。其次, 它增加了传统公共服务的附加值, 公共WIFI不再是单纯的营销卖点, 而可以作为景区与游客互动的渠道, 通过移动网络互联, 向游客提供即时的旅游咨询, 此外, 旅游一卡通不再仅提供统一门票、路线导览服务, 也可以成为一种便捷的游客数据采集工具, 了解游客消费轨迹与消费习惯, 进行游客满意度调研与信息反馈。最后, 它还可以优化呼叫中心的人工服务, 其功能由只处理旅游投诉、抚平情绪转变为提供采集高价值游客信息的渠道。

旅游业是高度依赖信息数据的产业, 正是信息数据引导着旅游业的价值流向。如果说物联网、云计算等信息技术正不断地改造现代旅游业, 那么大数据技术就是智慧旅游最大的活力源泉。

五、结语

作为大数据时代下的产物——智慧商业越来越体现出它的优势与导向作用, 随着大量典型平台企业的扩大, 未来商店的流行, 智慧商业集团的庞大, 以及大数据时代下信息技术的飞速进步, 智慧商业将成为主流模式不断发展壮大, 其中, 线上线下融合 (O2O) 将成为智慧商业的主要形态。在英国、美国等电商经济发达地区, O2O模式已经发展成熟, 例如英国的Argos、连锁超市Tesco、美国的梅西百货等。同时, O2O的商业模式也不再仅局限于百货、家电、汽车、家装, 而朝着社区商业、家政、餐饮、房地产、媒体等更广阔的范围扩展。据此可以预测, 未来人们的生活中, 任何有交易行为的区域都会被大数据所覆盖, 形成其独特的智慧商业模式。

参考文献

[1]解鹏里, 胡友良, 王开一.云计算技术对审计组织管理模式的影响[J].审计月刊, 2014.

[2]刘德成.发展智慧商业的思考与建议[J].国际商务财会, 2014.

[3]何珑.支付宝推声波支付抢客标准博弈转向模式创新[N].通信信息报, 2013.

大数据背后的商业价值 第7篇

1 大数据的概念与产生背景

1.1 大数据的概念与特征

大数据, 可以说是史上第一次将各行各业的用户、方案提供商、服务商、运营商以及整个生态链上游厂商, 融入到一个大的环境中, 无论是企业级市场还是消费级市场, 都与大数据发生着千丝万缕的联系。根据权威数据统计, 微信每月活跃用户已超过5.49亿, 用户覆盖多达200个国家、使用语言包括20多种。此外, 各微信公众账号总数多达800万个, 移动应用对接数量大于85000个, 微信支付用户则达到了4亿左右。这些难道就是我们所说的大数据吗?

事实上, 关于什么是大数据的定义, 学术界至今也没有一个统一的定论。普遍观点是人类行为在社交网络上的交互沟通增长与累积的海量数据, 这很容易使人相信大数据就是社交媒体数据。据调查, 诸多专家、机构从不同侧重点提出了对大数据的理解。

以上组织对于大数据的侧重点不一样, 给出的描述也就不尽相同, 总的来说, 大数据在新一代信息技术和互联网支撑条件下, 继承了“海量数据”和“大规模数据”的核心观点, 是对人与自然、社会之间所有活动及相关关系的数字化描述, 但其数据量、数据复杂性和产生规模三个方面均远远超出了传统的数据形态, 更具发掘前景。

1.2 大数据的产生背景

大数据时代来临不是突变的过程, 他有着深刻的历史渊源与驱动因素。从目前的观察看, 推动大数据发展主要体现在以下三个方面。

第一, 信息技术的发展, 大数据作为信息时代的产物, 其本身就是信息技术发展到一定阶段的必然。互联网改变了人类交往方式, 云计算改变了数据的存储和访问方式, 物联网则极大地拓展了数据的获取方式。

第二, 社交网络的兴起。人们在社交网络中, 利用关系链传播信息的网络平台事实上构成了以个人为枢纽的不同数据的集合。

第三, 社会管理的需要。海量数据几乎深入到社会的每一个领域, 比如交通、医疗、教育等, 如果能够在生活中的各个地方科学高效地利用大数据, 人类将有更多的机会加强科技创新, 促进经济发展, 推动社会进步。

2 大数据的商业价值

早在2011年, 麦肯锡全球研究所发布了一篇题为《大数据:创新、竞争和提高生产率的下一个新领域》的报告称, 大数据的力量正在改造社会中的各个部门, 大数据已经成为社会各部门追求创新、竞争和提高生产率的下一个新领域。但是, 更多的企业对大数据还心存疑虑, IBM和牛津大学萨伊德商学院“现实世界中大数据”的研究结果显示:越来越多的企业承认竞争优势与大数据有关, 但不了解如何运用大数据来改变商业活动成为企业不参与大数据的首要原因。

在医疗、健身包括可穿戴设备领域里, 大数据带来的变化是科学地指导我们生活方式, 让我们可以活得更长, 活得更健康。在教育领域, 如何利用大数据使我们的学习过程得以改善, 从而让每个孩子都发挥出自己的潜力, 做到因材施教等都将是大数据一展身手的大舞台。因此, 深入剖析大数据, 挖掘其背后的商业价值本质, 才有可能驾驭大数据并成为大数据时代的受益者。

从目前涉及到大数据开发及应用的企业实践结果看, 一方面, 基于社会化媒体的大数据挖掘和分析衍生出许多应用, 打破了以往的商业价值链围墙, 为深入了解运营环境提供了全新的视角;另一方面, 位于数据之上的分析以及营销咨询服务也如雨后春笋般地出现。以前只有阿里、百度这样有实力的公司才能做的数据分析, 现在已经有很多公司包括微小创新企业都在不同程度地深入, 不同维度的数据解读创造出不一样的商业模式。大数据价值挖掘的途径主要归结为两点。

(1) 分析企业内部数据, 探索数据之间更多的关联关系, 从而改变公司的业务机制和流程, 为客户提供个性化产品与服务。客户和交易信息应用更是出现了许多大数据的实用案例, 例如, 淘宝京东等购物平台通过收集消费者的搜索和购买记录, 并对这些消费数据进行模型分析, 总结出用户的消费习惯、个人偏好等, 利用个性化推荐促进消费者的购物行为。

(2) 整合企业内部与外部数据, 筛选分析运用于市场竞争, 大幅改善企业决策支持系统的效率与质量。例如, Data Sift通过社交网络分析股民情感数据, 来预测股价的波动等。

我们认为大数据的商业价值创造主要来源于四个方面:锁定、营销、预测和创新。其中锁定是指数据时代对于客户的快速定位, 营销是指交易双方信息需求产生的规模化经济效应, 预测则是通过数据之上的功能拓展, 创新则是产品、服务以及模式的不断创新。

2.1 客户群体细分

企业和消费者之间的信息总会存在不对称, 而大数据能够在很大程度上降低这种不对称。消费者的行为记录会通过多元化的渠道被企业所获取, 由此推出的产品和服务就会更具有针对性;反之, 分散的消费者通过应用推送或者热门周边了解产品的各种信息, 需求的趋势就会呈现出个性多样以及明朗化。例如一些婚恋、求职网站通过前期大量的数据收集, 并汇总到后台数据中心分析形成客户模型, 未来就可以利用注册所填写信息判断客户类型, 获得针对性服务提高需求成功率。

2.2 抓住机会精准推送

社交网络、移动终端等传感设备利用客户的地理位置并整合消费者行为数据, 形成信息图表, 为精准了解消费者需求, 开发商业机会奠定基础。以Everstring和滴滴为例, Everstring是一家国内的团队, 但主要面对的是美国客户。Everstring面向高科技、电信和保险等行业的企业, 利用自然语言分析、非监督机器学习自动建立客户模型在全美国寻找最像企业现有客户的潜在客户。而滴滴的数据分析和应用团队有300多人, 根据不同的实际环境, 设计不同的数据模型, 可以实现依据双方的位置为客户推荐出租车、专车或者顺风车, 通过司机抢单效度来从后台分配客户, 而客户订单的数量会提升用户等级以及赢得订车优先权。

2.3 跨界整合和预测

大数据推动来自各个渠道的跨界数据进行整合, 促使价值链上的企业相互连接, 形成一体。近两年由欠债问题引发的“P2P跑路潮”, 其核心是金融机构缺乏对借款人进行有效的信用风险预测和管控。国内外有很多的企业都在这些领域探索着大数据带来的应用。Zestfinance主要服务人群是约占人口5%的、信用评分在500分以下的次级贷人群, 利用欺诈模型、身份验证、预付能力、还款能力、还款意愿、稳定性模型等十几个分析模型进行学习多角度的集成学习, 判断出消费者的还款能力和还款意愿, 进而得到最终的消费者信用评分, 为每一个人的信用进行评估, 创造公平而且透明的信用信息, 帮助那些信贷信息不完整的人群享受正常金融服务的权利。

2.4 产品和服务创新

在海量的数据面前, 传统的图片表格形式并不能为人们对大数据的分析和利用降低多少理解成本。然而, 如果能够让数据以更加具象、更易理解的形式, 甚至实时变化, 然后在人的面前呈现出来, 其价值效用则会得到指数级的增长。过去人们说互联网是虚拟世界, 现在由于大数据的产生, 虚拟世界和真实世界正在融合, 人们常常提到虚拟现实技术 (VR) 就是对数据可视化最好的延伸应用, 如果未来数据加工技术足够成熟, 那么未来我们将不需要跋山涉水去欣赏风景, 也不需要跑到现场去参加各种培训课程或会议, 如此便捷高效的体验方式也将会引发新一轮的浪潮。

3 大数据面临的挑战

大数据技术日新月异, 但大数据技术教育却严重脱离实际, 虽然关于文章发表和引用逐步增加, 但所带来的社会影响依旧停滞不前, 这就意味着大数据是一把双刃剑。美好的未来掩盖不了前进的曲折。大数据发展的瓶颈在于数据孤岛严重, 很多资源都浪费在资源库里, 造成极大的浪费。流动的要素才能创造价值, 所以清晰明确的数据需求以及开放共享机制亟待落实。在激烈的国际竞争中, 大数据技术极大地促进了产业的跨界融合发展, 跨界投资不断涌现, 跨界并购日益频繁, 企业正在加速进行跨界资源整合, 以求实现优势互补, 寻求新的利润增长点, 但是数据安全能力和防范意识让人堪忧, 由此引发的数据开放和个人隐私之间的争论也从未停歇, 上升到法律层面上就需要制定大数据相关的政策法规来应对数字时代的管理, 但如何去做, 这些都值得我们去思考和解决。

4 结语

大数据已经颠覆了传统商业的发展战略和经营策略, 冲击着传统经济的理念和思维方式, 但是就大数据对产业发展的影响而言, 这仅仅只是序幕。大数据时代使人类第一次在诸多领域利用数据来深入探索现实世界的规律, 获取过去无法获得的知识, 获得过去无法识别的商机。大数据时代已经到来, 而且将成为全世界下一个创新、竞争和生产率提高的前沿。当人们确信“人类将可以通过对这些大数据的交换、整合和分析来创造新的价值, 带来知识、科技和利润大发展”的时候, 大数据在未来企业中的角色绝不仅仅是个支撑者, 而是会贯穿在商业活动和商机决策中的每一处。

摘要：随着互联网的不断发展, 尤其是社交网络、电子商务、移动通信的大量使用, 人类社会已经进入了一个以巨量结构与非结构数据为主要特征的信息新时代。大规模生产、共享和应用数据的时代已经来临, 高效利用数据可以在市场领域占得先机。因此, 大数据在信息时代具有极高的商业价值。

关键词：大数据,数据挖掘,商业价值

参考文献

[1]李德伟, 顾煜, 王海平, 徐立.大数据改变世界[M].电子工业出版社, 2013.

[2]MANYIKA J, CHUI M, BROWN B, et al.Big data:The next Frontier for innovation, competition, and productivity[R/OL].Las Vegas:The Mc Kinsey Global Institute, 2013-07-24.

[3]彭峰, 邓义乔, 杨纯洁.中国互联网内容产业商业模式分析[J].沿海企业与科技, 2007 (08) .

[4]吴迪.商业巨头是怎么玩转大数据的[J].商业价值, 2012 (10) .

[5]车品觉.决战大数据——驾驭未来商业的利器[M].浙江:浙江人民出版社, 2014.

[6]王书伟.大数据时代政府部门间信息资源共享策略研究[D].吉林大学, 2013.

商业银行数据质量控制研究 第8篇

自改革开放以来, 我国商业银行电子化建设步伐大大加快, 取得了一系列令人瞩目的成果。从替代手工, 处理商业银行的各项业务, 提高工作效率, 到辅助决策, 计算机应用现已遍布商业银行的各个环节。在多年的实际应用过程中, 商业银行积累了大量的数据, 如存款业务系统采集了大量的存款业务数据, 信用卡业务处理系统积累了大量持卡人的个人信息与其消费信息, 信贷业务处理系统积累了大量的信贷数据, 包括财务数据与非财务数据, 此外还有很多非过程产生的, 事后录入的财务与非财务数据。

这些业务处理系统以及信息管理系统由于设计的时间不同, 由于各个不同时期计算机的处理能力不一样, 在软件设计时要考虑的因素也有很大差异, 而且各个系统也一般都经过了许多次升级, 在不同时期, 各个系统的设计目标也发生了很大变化, 因此各个系统得到的数据千差万别, 即使是同一个系统在不同的时期得到的数据也有很大差异。例如, 各个不同的系统, 客户余额的单位都不一样, 在记账系统里, 客户的余额的单位精确到分, 而在一些统计系统里客户的余额只统计到万, 如果说象这些记账系统的有关金额的数据还算精确的话, 那些诸如客户名称等文字内容的字符类型的字段所包含的数据内容, 由于不规则的简称使得同一个客户的名称千差万别, 更不要提那些有各个统计部门得到的宏观经济数据了, 由于统计的口径不一样, 同一个名称的数据包含的内容也有差异, 由于对精确度的要求不一样, 因而所取的单位也会不一样, 所以商业银行的数据质量不容乐观。

作者希望通过本文的研究, 使商业银行能开始重视数据的质量问题, 并且从本文中了解到数据质量管理可能遇到的困难以及解决这些问题的方法。本文安排如下, 第二节我们讨论了商业银行实行全面数据质量管理的必要性。第三节讨论了数据质量的现代标准与原则。第四节提出了商业银行数据质量管理的实施步骤。第五节讨论了商业银行的常见数据质量问题以及在数据质量管理过程中常见的方法。最后总结全文。

2 商业银行数据全面质量管理的必要性

中国加入WTO后, 中国商业银行面临来自跨国银行的竞争压力将越来越大, 南京爱立信事件已经给国内商业银行敲响了警钟。政府给中国银行和建设银行注入450亿美元的资金加快了商业银行改革进程, 中国的商业银行只有按照国际标准进行改革, 提高市场竞争能力, 更好地为客户服务, 提高银行经营管理水平, 降低成本, 增加利润, 提高银行资产质量, 防范金融风险, 使自己真正成为现代商业银行, 在国际竞争中立于不败之地。所以这些都要求我国商业银行抓紧数据基础建设, 全面推行数据质量管理。

数据质量是客户关系管理的基础:在银行业竞争日趋激烈的市场环境下, 获取新的客户、保持老客户对商业银行来说每天都存在挑战。为了保持市场领先地位, 商业银行需要寻求决策支持系统帮助识别与管理客户关系, 数据仓库与数据超市等解决方案, 可以为决策支持所需要的准确信息提供坚实的基础。

数据的质量问题, 是大多数数据仓库项目没有成功的主要原因。事实上, 根据META集团的多次调查, 建立数据仓库时, 百分之十到二十的原始数据不是有问题就是在某种意义上不完整, 在数据库中发现几乎一般的记录需要作某些修改, 也不稀罕。

例如, 在银行卡数据中, 数据质量最关键的是持卡人信息, 为了获得最准确的信息, 以便更科学的决策, 商业银行必须把数据的质量管理纳入到与银行卡有关的每一个关键的工作步骤中去, 从持卡人的用卡申请、消费、投诉、消卡, 到与持卡人有关的背景信息, 每一个程序涉及到的信息都要准确、无误, 这样商业银行才有可能识别与抽取客户关系, 才有可能对客户特征有个清晰的轮廓, 才有可能分析出持卡人的消费特征, 为商业银行在银行卡方面下决策提供科学的依据, 从而改进客户服务质量, 增加赢利, 增加市场份额。

数据质量是风险管理的需要:在商业银行的信贷业务中, 准确、完整的数据有利于对客户信用评级, 在客户成为商业银行的贷款客户之前, 依据客户的特征, 对客户的信用作总的评估, 有利于预防信用风险。对客户作出尽可能科学的评估, 既要防止那些劣质客户, 又要尽可能的不误伤那些优质客户, 对信贷历史数据的准确地收集、整理是对客户信用评级的重要基础。

新的巴塞尔协议也要求现代商业银行能对信用风险有准确的数量化评测, 虽然现在监管机构还没有要求商业银行实行新巴塞尔协议要求的内部评级, 但实行内部评级也只是时间问题, 商业银行实行内部评级法, 首先需要收集和保存客户在至少5年之内的违约历史记录、银行对客户的评级决策、评级历史记录、用于评级的信息、评级模型、以及测算PD (违约概率) 值的历史记录等。错误的、不完整的数据极大地影响商业银行内部评级模型的开发。使商业银行暴露在模型风险之下。商业银行内部评级模型的开发是个长期、连续的、动态过程, 因此对数据的完整性、一致性等质量管理也将是一个长期、连续的、动态过程。

数据质量是金融创新的需要:传统的商业银行正面临着许多竞争者--专业的金融公司、保险公司、养老基金和共同基金管理公司, 这些竞争者都从传统的商业银行手中抢走大块的市场份额, 所以传统商业银行必须寻求业务创新, 不能坚守那种将资产从购买的那天一直持有至到期日那天的传统理念, 资产证券化能够使得银行将其发放的贷款拿到资本市场上卖掉, 但是要成功地完成这项工作, 他们必须为潜在的投资者提供更多的、令人信服的数量化信息, 例如, 这些贷款的违约概率是多少?在持续期内, 贷款的质量恶化或改善的可能性有多大?定价应该是多少?而且还必须根据不同的投资者的需要, 将贷款组合成各种各样的资产。银行要作到这一点, 完整、准确、及时的数据基础为必要的前提。

3 数据质量的现代标准

数据质量到底是指什么?每个人由于所处的位置不同, 背景不同, 都有自己的标准, 而且每个人对数据要求的标准也是变化的, 很难得到一个人人都完全认可的严格标准, 完全取决于他对数据“好”与“坏”的定义或观点。例如, 对信贷数据的质量而言, 如果是办理信贷具体业务的信贷员, 他看信贷数据的好坏主要是看客户的信贷余额以及还款时间等与信贷具体业务相关的数据, 对这些数据“好坏”的标准就会特别严格, 而对客户本身的一些背景数据, 他的标准可能就会变得宽松一些, 对于那些信贷评级的工作人员, 在看待与客户背景有关的数据时, 他们的标准就会变的非常严格。所以数据质量的标准就与其数据建立的目的有关, 与使用这些数据的人的期望与目标有关, 一般来讲, 确定数据质量的标准需要遵循以下几个原则:

(1) 可用性原则:对数据库的主要目标所需要的数据没有缺失并且可用;

(2) 误差可控原则:数据的错误对我们使用的目标造成误差在可以控制的范围内;

(3) 及时性原则:在数据质量管理成为日常性工作, 数据的及时就非常重要, 数据库必须及时反映商业银行当前的真实状况。

过去, 人们一提到数据的质量问题, 往往想到的就是准确性, 按照现代观点, 数据的质量问题仅有准确性是不够的, 数据的质量问题是多方面的, 主要有以下几类:

①客观类:包括数据的准确性、客观性、可信度;要求数据库内数据的准确性是很自然的, 同样数据也必须是客观的, 不能是主观意想捏造的数据, 当然, 我们也必须知道, 要求数据百分百的准确也是不可能的, 或者所要求的成本太高, 所以我们在数据的可用性与正确性方面取得一个平衡, 使数据达到一定的可信度。

②存取类:包括数据的存取与安全;一个数据库的质量还应该看对数据的采取存取是否简便、快捷, 另外还要看数据的存放是否安全。

③关联类:包括关联性、增值能力、时效性、完整性与数据量;一个好的数据库, 还要看其数据与数据使用者的目标之间是否关联, 数据的增值能力如何也是数据质量的非常重要的指标。同样数据的时效性也非常重要, 比如, 为了开发内部评级模型, 及时的数据才能反映商业银行所处的经济环境, 对内部评级模型进行及时调整。数据的完整性对数据的可用性也是一个非常重要的指标, 比如, 就内部评级模型的开发而言, 如果数据不完整, 开发出来的内部评级模型的就不能反映商业银行的真实状况。同样即使是其他方面的质量很好, 如果数据量不够 (如依照国际经验, 在开发内部评级模型时需要5年的数据) 也不能说数据的质量就很好。

④表达类:包括解释能力、易于理解、简洁、一致性与易于操作;数据本身的解释能力、易于理解也是评价数据质量的重要指标, 同样数据之间的一致性并且易于操作对数据的质量来说也是必不可少的。

4 数据质量管理的实施步骤

确定了数据的质量的原则与标准后, 商业银行便可以按照这个标准与原则, 确定具体的计划将商业银行的数据进行管理, 使数据质量达到逐步这个标准。一般来说, 实施的步骤主要包括:

(1) 建立专业队伍, 制订数据质量管理的对象、标准和规则 (包括确定那些数据是数据库的关键数据) :这个阶段也就是项目的评估阶段, 对数据质量管理来说是非常重要的, 在这个阶段, 需要确定项目的范围, 全面考察数据的来源, 数据使用的目标。数据质量管理项目在这个阶段最重要的首先是:建立一支包括商业银行业务人员、风险管理人员以及计算机专业人员的队伍。其主要任务是制定数据质量管理的对象, 确定数据管理的内容 (即数据的来源) , 建立数据质量管理的标准, 确定那些数据对商业银行来说是最重要的, 即哪些是商业银行的的关键数据。

(2) 制订数据管理质量的需求设计:利用前一步评估得到的结果, 哪些数据库、数据表和字段对商业银行来说是最关键的数据等等, 项目队伍对每一个具体的数据库、表和字段指定具体的策略, 细化质量管理的具体任务。

(3) 将数据库包括的所有数据项标准化:数据库中各个数据项标准化是数据质量管理中的重要一环, 对将来数据的一致性的检测异常重要, 因为由于数据的来源不一样, 同一个数据项可能会出现在各个不同的数据库中, 而且各个数据库中需要考虑的重点不一样, 有可能其尺度也会不一样, 统计口径会不一样。很多数据仓库的最终失败也就是在这个方面考虑不足。

(4) 制订各种规则的检测方法:对于每个具体的关键数据, 需要分析其可能差错的来源, 制订这些数据的质量规则, 以及检测这些差错、确定数据达到质量要求的方法。

(5) 开发检测平台:数据质量管理的过程贯串在整个商业银行的所有业务流程, 所以商业银行的数据质量管理是件非常复杂的工作, 利用计算机管理是很自然的事, 所以开发商业银行数据质量管理辅助工具是件非常有意义的工作。数据的质量检测平台便是数据质量管理的必要工具。

(6) 数据质量管理的实施:在实施阶段, 主要有如下几个任务。

①数据质量管理培训:需要将数据质量管理的原则, 标准等等让每一个设计到的人员都了解, 并在实施的过程中按照这些原则执行。

②测试数据:在检测平台上测试各个数据, 孤立数据中的问题, 找出错误数据的原因。

③完善数据:确定缺失数据并制订增补缺失数据的方法, 修改数据并将正确数据并入正确数据库。

④抽样检验数据的可信度:前面已经提到, 要数据完全正确是不可能的, 我们只能在数据准确性与可用性方面取得平衡, 确定数据的可信度。数据的可信度, 是根据统计抽样原理以及各个数据的质量标准, 对整个数据库抽样, 考察抽样数据的准确性, 从而估计整个数据的准确性。数据可信度是由一百分比来度量的。数字越接近1, 数据越可信。

5 数据质量的监控

数据质量管理的过程是个动态优化过程, 不可能一步达到理想的状态, 只能事先设定各个阶段的目标, 逐步将数据库的质量提高到内部评级模型可以依赖的地步。当数据达到一定的质量标准之后, 同样需要对数据检测, 保证数据的质量不下降。

5.1 数据质量问题的原因分析

按照Huh (1990) 等的观点, 仅仅检查数据和对数据处理不可能解决根本问题, 而是个昂贵的、不间断的过程, 并且还只可能集中在数据的准确性上, 不会从更全面的角度来考虑数据质量问题。数据的质量问题不仅仅产生于数据创建的时候, 而且产生于数据从信息链的一个环节到另一个环节的传递过程。

数据的质量问题产生的另一个主要原因是:数据的创建者很少使用数据, 通常这些数据传到下一个信息链后, 在下一个阶段由其他使用者使用, 所以错误数据在产生时不易发现。在商业银行的数据质量管理中, 数据的质量问题常常产生于以下几种情况:

(1) 数据从其产生者传到使用者:例如, 在商业银行的信贷客户数据中有很大一部分有关客户的行为数据是由信贷员在做客户调查时得到的, 并录入到信贷系统中, 最后这些数据由商业银行的授信模型的开发人员使用。这些信贷数据的质量问题产生于信贷员的调查过程与数据的录入过程。

(2) 数据从一个机构卖到另一个机构的过程:例如, 在商业银行经济分析时要使用的宏观数据, 主要是从权威机构, 如国家统计局、中央银行或其他数据公司等购买的, 由于各个机构本身的统计口径不一样, 很容易造成数据的不一致。

(3) 数据从一个系统传到另一个系统的过程:例如, 信贷数据从信贷系统经过统计加工到财务系统时。

5.2 数据质量的监控

(1) 从上面的分析我们知道, 数据的质量问题经常产生于数据的创建时, 所以对数据产生时的监控对于提高数据质量能够起到事半功倍的结果。Redman (1996) 建议数据监控的重点集中在:

①企业的关键数据:例如, 对于商业银行的信贷风险管理来说, 客户的违约数据对于内部评级模型的开发是非常关键的, 所以对于客户的违约数据就需要重点监控。

②来源于客户的数据:我们知道客户关系对于大多数企业来说都是至关重要的, 对于来源于客户的数据就需要重点监控。

③洁净数据的持续性:数据经过清洗后, 避免数据又重新弄脏 (出现质量问题) 同样是非常重要。

④数据质量的责任:数据质量问题的责任明确与否直接影响到数据质量的提高, 数据的责任人的监控也是必不可少的。

与企业其他产品的质量控制来说, 数据的质量控制也是一项长期工作, 监控数据的质量也是一项长期工作, 所以对于商业银行来说, 数据质量控制队伍必须长期保持。对待数据也需要象对待其他产品一样, 商业银行应该视其为一种非常重要的资产。

(2) 要监控数据的质量, 我们必须对数据质量进行严格定义, 对于商业银行, 数据质量的监控主要包括如下几个方面:

①数据的一致性:

各种数据的单位, 币种保持一致, 或建立对应关系。不同来源数据之间的统计口径保持一致。

②数据的规范性:

第一, 保持各种财务报表的平衡关系。

第二, 报表之间的平衡关系。

第三, 异常值的检测。

第四, 重复数据的检测。

③数据的完整性:

第一, 关键数据范围的定义。

第二, 关键数据缺失值的检测。

第三, 一般数据的缺失值的检测。

(3) 下面我们讨论数据质量的检测方法:

①严格检验类质量问题的检测;

②确定严格检验的规则。

(4) 确定需要严格检验控制的数据范围;对于这些必须严格通过的质量问题, 必须采用检验程序对所有必须通过检验的数据逐个检验过关。异常数据的检验:

①截面横向数据的异常值检验;

②行业数据之间的数据关系与核实;

③时序数据的异常值检验;

④不同数据来源数据的检验。

(5) 数据可信度检验。下面我们以信贷数据为例说明数据可信度的检测。

信贷数据可信度的检验方法:

①确定商业银行本身的客户特征 (企业规模, 行业特征, 地区特征) ;

②确定总的样本数, 与抽样次数;

③按照以上的抽样规则在总数据库中抽样;

④选定其中一组抽样作为检验样本;

⑤根据每一种抽样得到评级模型;

⑥根据评级模型及检验样本得到总的差异度;

⑦将可信度定义为1-差异度。

(6) 宏观数据的可信度检验方法:

①确定抽样的次数;

②将宏观数据项和年度项置于样本库中;

③从样本库中抽样, 并检测数据的正确性 (看币种, 统计口径等检验项) ;

④确定正确率, 从而得到可信度。

6 总结

本文分析了我国商业银行数据质量的现状, 分析了我国商业银行对数据进行全面质量管理的必要性, 首先, 数据质量是客户关系管理的基础;其次, 数据质量是风险管理的需要;最后, 数据质量是金融创新的需要。我们还总结了商业银行数据质量的标准与原则, 数据质量的现代标准是多方面的, 包括数据的客观性、存取质量、关联性以及表达方面的能力。根据这些标准与原则, 我们提出了商业银行数据质量管理的实施步骤, 主要包括数据质量的评测、设计与实施。最后我们还详细分析了数据质量的监控过程以及方法。

参考文献

[1]ENGLISH L, P (1996) Help for Data Quality Problems (ensuringdata quality in data warehouses) , nformation Week, oct 7, No.600 p53. (Obtained through Internet-Web Source"Search-bank") .

[2]HUH Y.H, KELLER F.R. REDMAN T.C, WATKINS A.R (1990) Data Quality, Information& Software Technology (Vol.32) p559-565.

全球商业革命:网络销售+大数据 第9篇

近几年来, 互联网零售迅猛发展, 可谓一日千里, 而传统零售商日益陷入窘境。全球互联网信息服务提供商Com Score 2012年度研究报告显示, 40%的调查者表示喜欢在线下商店查看商品, 购买则计划在网上进行。美国有超过200个商场占地超25万平方英尺, 但空置率已超过35%。而与之相反的互联网相关的零售额大幅攀升, 预计2013年将占全美销售总额的51%, 2014年将达到全美销售总额的53%。

中国零售业也正在步美国后尘。2012年中国大型零售企业增速降至10%以下, 而2011年的增速是20%, 沃尔玛、国美、万得城等多家零售巨头关店, 外资尤为严重, 部分零售商靠地产和集团财力勉强过冬。2013年1月, 全国50家重点大型零售企业零售额同比下降12%, 与传统零售的惨淡之景相反, 中国网络零售市场呈现高速发展, 预计2013年, 中国网络零售市场交易规模将达15688.9亿元, 增长率达32.5%。预计线上购物在2015年将至少达到25510亿元人民币, 占社会消费品零售总额的8.6%。

如果说网络零售对于传统商业份额的侵蚀只是量变的话, 由于网络销售本身信息采集和分析的优势, 越来越多的消费者通过网络购物, 给网络销售平台获取海量信息, 进而对于消费者进行个性化消费习惯分析创造了条件。这就成为网络销售新的利器大数据。

以阿里巴巴为例, 坐拥“支付宝”、“淘宝”两大利器, 其自然成为了大数据的试水者。目前来自商家的80%以上数据需求是对消费者购买行为的分析, 比如点击量、跨店铺点击、订单流转量甚至旺旺聊天信息的收集和分析等都将成为商家关心的数据。京东、当当等网络零售商也开展了自己的大数据分析。

大数据的本质是彻底地打破了商品制造者和消费者之间的信息不对称。这在历史上是由商人扮演的角色。几千年来, 商业的形态基本都没有发生过改变, 从A地采购货物, 运输到B地后, 通过代理商分销下去, 而终端零售无外乎百货和专营两种模式。在21世纪之初, 以苏宁、国美为代表的家电连锁可谓进行了商业的1.5次革命, 借助家电产品的标准化程度高特点, 它们可以标准化运作, 通过互联网技术形成强大统一的数据后台, 将批发和零售合二为一, 通过挤压代理商的生存空间而获得了超额利润, 赢得了高速发展。但它们仍有着传统商业的很多痕迹。

以阿里巴巴为代表的完整意义上的2.0版互联网销售革命连实物销售店都予以最大程度地淡化, 乃至进化为制造企业与网络销售企业的合二为一。

相对于单个网店而言, 阿里巴巴最大的优势是建立标准, 同时其数据是最完整的, 能够进行最系统的分析, 互联网商业平台通过对消费者各种购物习惯的分析, 可以对其进行非常精准的消费特征的描述, 甚至会比消费者本人更了解消费者, 进而根据其喜好和消费节奏, 针对性地寻找制造厂家出售消费者信息, 助其进行商品推荐销售。在互联网云计算系统的支持下, 在该消费者经常登录的网站上, 仅针对其个人终端电脑, 进行极为个性化的广告到达。这也正对传统广告系统报纸、电视等进行了根本性的颠覆。

大数据另外一个大有可为的空间是金融服务业。因为互联网销售平台, 一端连接着千万制造企业和网店, 另一端连接着亿万消费者, 通过第一手真实的数据能够了解它们的经营、财务财产情况, 以及其信用度, 并且有着手机和家庭双重到达的直接信息。这提供了非常针对性的金融服务的条件, 将比传统的金融模式更具有可靠性。

尽管大数据时代的互联网商业革命不可逆转, 但是其也是双刃剑, 势必会形成巨大的财富再分配:它会导致传统商业如太阳下的冰块一样快速融化, 造成大量的失业 (由于互联网销售效率高很多, 新增的网络销售就业人数远少于传统商业的就业人数) ;它给制造业节省了巨大成本, 赢得了在中国经济探大底趋势下的相对生存空间, 但也导致了传统商业的快速萎缩, 商业税收急剧下降, 商业地产将必然衰败;它给提供大数据信息和金融服务的企业提供了广阔的成长空间, 但它必然以牺牲更多传统信息和金融服务商为代价。

商业银行数据治理与应用 第10篇

数据治理体系概述

具备高度信息化管理能力，是国内银行向“以客户为中心”转型的要求，是银行业务决策、客户营销、内控管理向精细化发展的要求，是发挥风险管理技术应用价值、共享全行风险管理经验、全面提升风险管理能力的要求。随着信息科技的日益发展，银行多年来为实现业务自动化处理建设了庞杂的IT应用系统，存储在这些应用系统中的海量数据为银行实现信息化管理提供了坚实的基础。比如非零售信贷风险中的违约率计算、财务分析等，零售信用风险中的催收打分卡、申请打分卡等，市场风险计量、操作风险事件识别等，高级风险技术中的经济资本计量、风险调整后资本收益率(RAROC)计算等相关指标考量，都需要银行对客户、客户集团、交易、合同、市场信息、产品、财务甚至IT系统操作信息等3～7年的数据积累以及整合与应用。如何为精细化管理提供高效、高质的数据支持，数据治理由此成为商业银行面临的重要课题。

商业银行数据治理的内容，主要包括建立数据治理机制、数据管理制度及流程，以及数据标准制定等。数据治理的最终目的是提升数据质量，通过有效的数据整合、数据应用与数据服务使企业真正具备业务信息化管理能力。其中数据应用与数据服务包括面向财务管理、风险管理、绩效考核、客户营销四个方面的支持。

构建全面的数据治理体系，需从组织架构、管理流程和操作规范、IT应用技术、绩效考核支持四个纬度，对企业数据模型、数据架构（包括数据仓库、数据应用）、数据管理（包括数据质量、数据标准、元数据管理、数据安全等）、数据生命周期等各方面进行全面的梳理、建设并且持续改进。可以简单概括为：明确数据治理主体、建立数据质量标准、加强数据生命周期的全过程管理。

银行数据治理实践探索 

数据治理历程与规划

自2005年始，光大银行用六年完成了企业级基础数据平台（即数据仓库EDW）的建设，并整合了核心系统、对公信贷系统（CECM）、个贷系统、网银系统、国际结算系统等41个源业务系统数据，在有效整合全行数据的同时完成了银监会非现场稽核报表（1104）、人行大集中、信用卡BI、电子银行BI、信用风险集市、风险加权资产(RWA)、资产负债等19个数据集市和应用的建设。

伴随数据仓库和数据应用的建设，光大银行制定了数据标准的五年规划并展开实施，秉承定义、执行、监督检查三者并重的原则，先后完成了客户、产品、渠道、交易、关键统计指标、内部机构以及风险主题数据标准的定义。2009年基于客户数标准，推进全行对私统一客户管理系统（ECIF）的建设。2010年基于风险新资本协议相关数据标准推进了RWA数据集市建设。2011年完成了全行渠道类型数据标准在各交易系统中的落地改造。鉴于数据标准实施的难度，未来光大将持续落实数据标准实施规划，做好数据标准系统落地以及监督评价工作，并结合数据质量管理、数据应用与数据服务的要求准备下一个实施周期的规划。

数据治理组织与规范

为保障全行数据治理相关工作推进，光大银行从下到上由几个层面的组织构成：第一层面由数据使用相关各业务部门组成，它们负责本条线的数据标准制定和数据质量管理，例如风险管理部设立了数据管理岗，专门负责数据管理相关工作；第二层面是由计财部、科技部组成，它们是银行IT战略委员会下设数据标准小组的牵头管理部门，负责数据标准实施的管理和组织推动，以及数据质量的综合管理；第三层面是审计部，负责数据管理、数据应用、数据服务过程的审计、监督、评价；更高层面是董事会和行领导的关注，审计委员会和风险管理委员会的明确了相关职责。

随着数据仓库以及数据标准的实施，光大银行逐步制定了数据治理相关管理规范，最终落实在数据标准和数据质量的绩效考核指标上。只有合理制定数据治理相关考核指标并切实推进到业务基层，才有可能从数据产生开始实现对数据的真正治理。例如光大银行已经制定的风险数据补录质量考核指标、对公客户信息准确性考核指标等。

数据治理应用与管理

一般包括数据仓库、数据应用、数据服务、数据管理（包括企业元数据管理、数据标准、数据质量管理等）等技术平台的建设和应用。光大银行在建设数据治理相关应用过程中，充分结合数据标准的落地，使数据在整合、应用以及管理过程中实现统一标准管理（见图）。

数据治理助力风险管理

数据治理机制使风险管理有数据可依，也使高级风险技术发挥真正价值。首先，风险数据集市支持RWA的整合计算。风险数据集市是建立在数据仓库基础上面向全行风险管理主题的数据集合，是全行风险管理数据分析、业务决策的重要数据基础。同时，整合数据支持风险偏好评估管理。银行风险偏好计算评估是内部资本充足评估流程（ICAAP）的重要组成部分，风险管理通过风险限额、准入管理等方式对业务发展进行控制和调节，资本管理通过经济资本分配以及绩效考核等手段在各业务线、产品对资源进行最优配置。数据仓库以及风险数据集市为风险偏好计算评估提供了高效、准确、整合的信用风险、市场风险、操作风险以及计划财务的数据支持。

关于数据治理的思考

如何评估银行的数据治理能力，目前可以通过信息导向架构进行初步衡量。该架构包括数据文化、数据管理能力、数据应用建设能力三个方面，其中数据文化是衡量银行从组织层面是否具备信息化管理能力，也是数据治理体系实施是否成熟、是否成功的重要衡量标准。

培养业务管理信息化

银行高层管理人员应适应业务精细化管理的要求，培养依靠数据信息进行业务管理决策的意识和习惯；中层业务经理要养成用数据信息分析业务、分析客户，依靠数据信息进行业务创新思考的习惯，并具备基本数据分析的能力；基层业务人员要培养信息收集的习惯，应具备在日常业务操作中保证收集信息的数据质量和数据安全的意识；同时，人力资源和绩效考核部门需通过制定信息管理培训计划以及涉及信息管理绩效考核指标与相关奖励机制（如信息收集、数据质量提高等都需要通过绩效和奖励来激励一线员工执行），帮助和促进信息化管理文化在银行各级机构层面的落实。

建立数据治理长效机制

管理层应对数据治理予以高度重视，在梳理并完善企业数据体系架构的基础上制订长效机制，确定适合银行文化、高效的数据治理管理组织架构。采用虚拟组织与实体部门相结合的管理模式，有利于数据治理过程中的横向协调和纵向有效落实；定期重检数据治理相关制度、流程、规范；规划与评价并重，合理规划是复杂的数据治理过程有序进行的必要保证，定期评价回顾规划落实，根据评价结果及时调整规划策略是数据治理真正发挥价值效能的必要手段。

坚持信息科技建设创新

将先进的科学技术快速应用于数据管理与数据服务中。例如，研究并建设集数据服务、数据管理、数据分析共享社区为一体的开放式数据服务平台，为实现全行业务信息化管理提供应用支持。

基于商业银行安全稳定运营、风险管理、业务及管理创新、合规的多重需要，数据治理已经成为国内银行的必修课，同时，“数据治理”之路也必将是一条长期艰苦的道路。由于历史原因，目前国内银行的数据治理多在技术层面，将分散在各个业务及管理环节的已有数据进行清洗、整合、应用，而对更深层次的数据治理，如建立数据模型、设计银行数据体系还少有涉足。只有当银行的数据体系能够明确解决需要什么数据、为什么需要、如何获取、怎么应用等一系列问题时，才能真正实现基于数据基础的经营决策分析和风险管控，这也是新资本协议对数据治理的内在要求。银监会出台的《中国银行业实施新监管标准的指导意见》，着重强调了数据基础和IT系统建设的重要性，今后几年，相信国内银行会不断总结多年数据整合、数据服务、数据管理的实施经验，探索建立数据治理机制的有效方式，为银行提升信息化管理能力夯实基础。

（作者单位：中国光大银行信息科技部）

大数据时代的商业模式创新研究 第11篇

一、大数据时代的商业模式创新现状

在大数据发展的经济背景之下, 必须要对整个经济社会发展实际进行一个全面的调查, 那么在现实发展中, 由于大数据包含重要的客户资料以及商业信息, 而且一些具体的商业运营也需要这些大数据来进行指导, 并为运营人员提供一些科学的指导, 因此大数据对于企业的商业运行发展来说是非常重要的。并且, 随着大数据时代的发展, 企业的大数据思维将关系着未来的产业发展模式以及一些具体的发展设计, 但是在目前的商业模式发展中, 并不是所有的企业都会按照大数据的思维模式和发展模式, 来进行基本商业模式的建设和创新, 这样一来, 就使得一些企业失去了竞争力, 很难和社会中的其它企业进行很好地比拼和发展, 造成了商业模式发展落后的现状。由此可以看出, 大数据的相关资料的获得关系着企业的正常运行以及未来发展, 但是在实际的发展过程中, 部分企业并没有很好地利用大数据资料来进行商业运营模式的创新与改革, 这就给企业的商业模式的发展带来了一系列的问题。那么在接下来的研究中, 就对大数据时代的商业模式创新存在的问题展开具体分析, 并针对这些问题提出有效的解决措施。

二、大数据时代的商业模式创新存在的问题

1.企业数据思维缺乏创新

在大数据时代, 企业商业模式的创新, 面临的首要问题就是数据思维创新的缺乏。在企业的发展过程中, 如果领导人缺乏基本的数据思维, 并且没有认识到数据整理的重要性, 那么会导致企业的发展与创新能力就会极度缺乏。部分企业在进行商业模式变革或者是进行新的业务投资时, 根本就不会去进行数据的深入分析, 从这一点就可以看出, 企业负责人并没有意识到数据分析和数据思维的重要性, 甚至根本就不具备基本的数据思维。这样的企业发展现状, 只会使企业的发展遇到更多的瓶颈期, 甚至会出现严重的发展危机, 所以面对企业数据思维缺乏创新的相关问题, 企业负责人必须要进行及时的思维转变, 缓解企业的不利的发展现状, 否则只会给企业发展带来更加严重的损失。

2.企业基本的业务流程缺乏创新

企业的商业模式创新离不开基本的业务流程的发展创新, 部分企业还是沿用传统的业务流程链, 根本就没有任何的发展创新。例如, 在产品的销售方面, 企业还是采用传统市场销售的方式, 而不知道采用当下的一些互联网销售渠道, 这样就使得企业的销售业务和销售业绩远远落后于他人, 不利于企业经济效益的提高;除此之外, 企业的物流配送方面, 还是采用和快递公司合作的方式, 这样的物流运送方式会给企业的自主性造成一定的影响, 不利于企业开展和创新业务流程。所以作为企业商业模式中的重要的运输和配送环节, 如果出现一些延时、物品毁坏问题, 将会给企业的发展和创新造成严重的影响。因此, 面对企业基本的业务流程缺乏创新的现状, 企业如果不进行及时的解决, 就会给企业的业务开拓以及业务延展造成限制, 使得企业的业务发展受到制约, 从而严重影响企业的创新发展, 更不利于企业把握和利用大数据的发展机遇。

3.企业客户资料处理系统缺乏创新

在大数据时代的发展背景之下, 企业除了要面对缺乏基本的数据思维以及业务流程问题之外, 还要面对企业客户资料处理系统缺乏创新的问题。企业的客户资料处理系统存在着一定的发展弊端, 并且在设计方面还存在着不完善的地方。例如, 在客户的使用方面来说, 一般客户资料的查阅系统, 都是为了节省客户的时间, 并且提高企业的工作效率, 因此在设计的时候往往会提供客户提供最大的方便。但是在目前的企业客户数据资料进行管理的时候, 并没有结合这一重要的原则。于是就造成了企业业务人员在进行客户资料查询的时候查询速度慢、并且查询结果不准确的问题;而在客户端进行使用的时候也会出现类似的问题, 这就使得客户的满意度大大降低。因此, 面对企业客户资料处理系统缺乏创新的问题, 必须要采取合理的措施进行解决, 防止企业的信誉和效益因此而受到影响, 造成企业经营业绩的下降。

4.企业的产品和服务缺乏创新

企业在大数据时代的发展背景下, 在产品和基本的服务方面还存在着许多问题。首先, 在企业的产品方面, 企业并没有注重去提高产品的附加值, 而是一直出售陈旧的商品, 很显然这样的产品是没有任何实际的竞争力, 并且很快就会被市场的更新换代所淘汰。这样的企业产品是无法在大数据发展的时代下获取经济效益的, 长期下去只会给企业的生产发展造成严重的制约, 出现资金链断裂等问题。除了产品的方面缺乏创新之外, 企业在服务方面也存在着一些问题。例如, 产品的售后服务不到位、产品的咨询服务不完善以及基本的运送服务缺乏等等, 企业在基本的服务方面都很难实现, 更不用说促进企业服务的创新发展了。要知道, 企业的产品和服务使企业在激烈的市场竞争中占据主要地位的凭借和依据, 如果企业不能够迅速地更新自己的产品和服务, 与社会发展的创新理念相接轨, 那么只会使企业的发展严重落后于市场的要求, 难以实现经济效益的提高。

三、大数据驱动下的商业模式创新策略

1.企业要不断创新数据思维

在大数据的发展驱动下, 企业要不断地去创新自身的数据思维, 通过树立全新的数据思维, 来推动企业的商业模式的创新与改革。首先, 企业要树立基本的数据管理思维, 通过对企业客户资料数据以及市场调研数据等一系列数据的处理, 来加强企业负责人的数据管理思维;其次, 企业负责人还要去学习一些基本的数据管理理论, 通过提高自身的素质来带领整个企业的数据管理工作的进一步发展与提高, 推动企业的商业模式的创新与发展;最后, 企业数据管理工作, 还要不断去向一些大的品牌去学习, 借鉴大企业的数据管理模式, 通过不断的学习和借鉴, 促进企业数据思维的建立, 使其更好地指导企业的商业模式创新与改革。所以, 企业数据思维的建立与发展是一个企业实现快速发展, 并且迎接大数据时代挑战的重要发展要求。

2.企业要创新基本的业务操作流程

企业在树立了基本的数据管理思维之后, 还要改革与时代发展不相适应的业务操作流程。首先, 企业要改变传统的营销模式, 采用互联网营销。在互联网科技迅速发展的时代, 互联网销售已经成为了一个重要的发展趋势, 越来越多的企业开始向互联网销售转型, 这样一来就可以实现销售模式的转变, 并且创新企业的商业经营模式;其次, 企业要改变传统的物流配送方式, 采取自主物流配送模式。企业要建立属于自己的物流配送部门, 也就是建立专属物流配送机构, 这样企业的运输和配送效率就会大大提高, 促使一些不必要的麻烦得到进一步解决;最后, 企业还要对这些基本的业务操作流程进行监督, 通过监督来发现一些实际的问题, 这样就可以使得企业的业务流程改革具有科学的针对性, 提高基本的业务操作流程的创新发展。

3.企业要完善客户资料处理系统

为了更好地促进企业商业创新模式的建立与发展, 迎接大数据时代的挑战和机遇。企业就要不断地去完善基本的客户资料处理系统, 完善系统功能。要知道一个良好的管理系统设计, 可以使企业的基本工作事半功倍。首先, 对于企业自身来说, 在搜寻客户资料时, 一个便捷快速的搜寻系统会使企业的工作更加的有效, 所以企业要对客户资料处理系统进行定期的更新和升级, 保证查询页面以及查询功能的不断完善, 这样企业的经济效益就会进一步提高;除此之外, 对于客户来说, 当客户输入信息后, 可以很方便的找到自己所需要的信息, 这样就会为公司拉拢一定的客户资源, 所以也要提高企业客户资料处理系统的辨别功能, 保证系统的正常使用。这样长期积累下去, 一定会使企业的客户资料不断的增加, 从而有效地提高企业的知名度, 同时也很好地适应了大数据时代的发展要求, 促进企业的进一步发展。所以说, 企业客户资料处理系统的完善, 是迎接大数据时代发展挑战的必然选择。

4.企业要加强产品和服务的创新

最后, 企业还要注重加强产品和服务的创新, 增加企业的软实力, 来推动企业硬实力的创新发展。首先, 在企业的产品创新方面, 企业要进行全面的市场调查, 根据目前的市场发展与潮流来进行产品的定位, 从而提高产品的市场占有额;其次, 企业还要注重提高基本的服务水平, 除了要提高基本的服务水平, 满足基本的客户需求之外, 企业还要注意增强服务的创新性。例如, 完善基本的售前和售后服务, 除此之外企业还可以根据客户的基本要求, 打造客户的专属服务, 这样一来企业的服务水平就会展现出一定的特色, 这样的特色服务就是大数据时代所追求的创新发展;最后, 企业还要注意保证产品和服务的连接性。简单来说, 就是企业在重视服务的同时, 也要注意提高企业的产品质量, 因为企业出售的是产品, 辅助的是服务, 如果企业在基本的经营过程中出现本末倒置的现象, 那么企业的经济效益是无法得到提高的。所以企业在创新发展的过程中, 必须要注重产品和服务的结合, 推动二者之间协调发展。只有这样, 才可以更好地促进企业迎接大数据时代的挑战, 实现商业模式的不断创新和发展。

参考文献

[1]林海, 严中华, 黎友焕.社会企业商业模式创新路径研究--以大数据背景下商业模式发展为例为例[J].改革与战略, 2014 (8) :23-28.