大数据在银行“落地”主要体现在三方面（大全）

第一篇：大数据在银行“落地”主要体现在三方面（大全）

近日，中国银行股份有限公司信息中心助理总监袁俊德在某大数据会议上透露，大数据在金融行业主要用于营销、风险控制、绩效管理等三个方面。

袁俊德指出，银行企业的数据是以结构化数据为主，大数据它更体现在数据多元化以及如何高速的对多元化数据进行检索，并且把检索出的数据通过分析加以使用，所以，大数据概念和数据仓库概念是不一样的。袁俊德进一步表示，从金融行业来看基本上所有新的IT概念，首先要在银行业落地。对于大数据的应用主要考虑有以下几个方面：

第一、营销。

目前竞争很激烈，营销这方面需要掌握客户各个方面的信息，能够有精准的营销。

第二、风险控制。

当把营销做好以后还要把风险控制好，这里面无论是对公业务还是对私业务，国际、国内的各个方面针对于风险的管理是非常高。所以，银行业每年用于风险控制的投资非常巨大，所以在风险控制方面，希望借助大数据去开展相应的工作。营销与风险控制是并行的，而且银行业现在也逐步开展这方面工作。

第三、绩效管理。

整个银行各个部门、个人绩效，这项工作对于整体银行业的运营是非常关键的内容比如信息中心每天也会产生大量的运维数据如服务器相关日志、应用日志、交换机、网络、存储等，这些数据信息对于银行业日常运维非常重要，在银行数据中心的运维过程中实际上是精细化分工的，服务器、操作系统、网络、应用等都会有专业人才负责。当IT出现问题时，但是它会牵连到这条端到端的链路上的各个环节，它的分析就变得非常重要。在这个过程中，每一种设备、每一个系统产生出来的信息格式各不相同，所以，现在也在考虑做相关的工作。作为大数据，无论是从业务发展层面还是IT自身的方面来讲，都是下一步非常重要的工作。

第二篇：大数据时代银行

近年来，大数据热潮引发了一场思维、生产和生活方式的重大变革，可以说开启了全新的时代。对于天然具有数据属性的金融业来说，一方面，大数据能够为金融机构的经营管理提供充分的信息支持；另一方面，大数据滋生的新型金融业态对传统金融机构带来了严峻挑战。在这场社会大变革中，金融机构将如何应对，非常令人期待。为此，本刊邀请了多位金融机构的高级管理者以及业内专家，共同探讨大数据时代金融业的变革与发展。

近十年来，中国银行业的改革发展取得了令世界瞩目的成就。在今年《银行家》《福布斯》发布的大企业排行榜和市值排名上，五家大型商业银行均已跻身世界前列。随着以移动互联网、云计算、“大数据”和物联网为代表的信息革命的兴起，银行业又一次面临新的机遇和挑战。中国银行业能否用好大数据，实现经营、管理和服务创新，决定了其未来的可持续发展能力。

银行业已初步具备运用大数据的基础

大数据是信息技术与互联网产业发展到特定阶段的产物，从互联网到物联网，从云计算到大数据，信息技术正在从产业基础走向产业核心。而银行业作为与信息技术深度结合的行业，互联网思维和决策数据化已开始嵌入经营管理的全流程。大数据实质是“深度学习”，能够为银行提供全方位、精确化和实时的决策信息支持。银行的经营转型、产品创新和管理升级等都需要充分用好大数据。目前，银行在客户分析、风险管理方面对大数据运用已初步积累了一定的经验，为未来过渡到全面大数据运用奠定了良好基础。

20世纪90年代，随着信息技术发展，国内银行业顺应潮流，将信息技术广泛应用到业务处理和内部管理，以提高服务管理效率。进入21世纪，大银行率先推进系统大集中和数据大集中，整合原有分散化的信息系统，不断适应加快产品创新、提升客户体验等市场需求，建立数据仓库和数据平台，信息化程度不断提高。近几年，银行业大力发展面向客户的新一代核心业务系统，信息系统建设日趋完备，电子银行等在线金融服务大幅增长，在提升客户体验和风险管控能力、满足监管各项要求的同时，形成并储存了庞大的可用数据资源。银行业的数据资源不仅包括存贷汇核心业务结构化数据，也包含客户电话语音、在线交易记录、网点视频等非结构化数据。

中国建设银行（以下简称建设银行）从2011年开始建设企业级全行共享的新一代核心业务系统，以客户为中心、面向服务设计架构，实现业务与IT融合、产品快速创新的目的，目前已初具规模。特别是在新一代系统设计中，充分考虑数据储存和应用的重要性，并专项设置了数据集成层模块，包括数据缓存区、数据记录系统、历史数据存储、分析数据仓库、实时数据仓库、公共数据集市。

银行业开始尝试接入和整合外部数据资源。在传统的数据分析模式下，银行业出于市场分析、内部管理、监管需要，产生并记录了巨量的文本式结构化数据，涉及客户账户资金往来、财务信息等，以及网银浏览、电话、视频等非结构化数据。但是，传统意义上的银行仅能掌握客户与银行业务相关的金融行为，无法获得客户在社会生活中体现兴趣爱好、生活习惯、消费倾向的情感或行为数据，无法与业务数据形成联动。随着电子商务的快速发展和移动金融的深化，银行业逐步加强与外部数据源对接，甄别有效信息，整合多渠道数据，丰富客户图谱。目前，已有多家银行进行了有益尝试。

一是银行与电商平台形成战略合作。银行业共享小微企业在电商平台上的经营数据和经营者的个人信息，由电商平台向银行推荐有贷款意向的优质企业，银行通过交易流水、买卖双方评价等信息，确定企业资信水平，给予授信额度。建设银行曾在这方面做过有益的尝试。此外也有银行参股电商、开展数据合作的案例。

二是银行自主搭建电商平台。银行自建电商平台，获得数据资源的独立话语权。在为客户提供增值服务的同时，获得客户的动态商业信息，为发展小微信贷奠定基础，是银行搭建电商平台的驱动力。2012年，建设银行率先上线“善融商务”，提供B2B和B2C客户操作模式，涵盖商品批发、商品零售、房屋交易等领域，为客户提供信息发布、交易撮合、社区服务、在线财务管理、在线客服等配套服务，提供的金融服务已从支付结算、托管、担保扩展到对商户和消费者线上融资服务的全过程。

三是银行建立第三方数据分析中介，专门挖掘金融数据。例如，有的银行将其与电商平台一对一的合作扩展为“三方合作”，在银行与电商之间，加入第三方公司来负责数据的对接，为银行及其子公司提供数据分析挖掘的增值服务。其核心是对客户的交易数据进行分析，准确预测客户短时间内的消费和交易需求，从而精准掌握客户的信贷需求和其他金融服务需求。

银行业有处理数据的经验和人才。数据分析和计量模型技术在传统数据领域已得到较充分运用，同时也培养出大批精通计量分析技术的人才。如在风险管理方面，我国金融监管部门在与国际接轨过程中，引入巴塞尔新资本协议等国际准则，为银行业提供了一套风险管理工具体系。银行在此框架下，利用历史数据测度信用、市场、操作、流动性等各类风险，内部评级相关技术工具已发挥出效果，广泛应用于贷款评估、客户准入退出、授信审批、产品定价、风险分类、经济资本管理、绩效考核等重要领域。

银行已初步尝试应用大数据。我国银行业大规模运用大数据技术尚不成熟，但多家银行已从关键点、具体业务入手应用大数据挖掘技术，解决效率提升中的难题。例如，有的银行提供集电话、网络在线、客户端、微博、微信于一体的整合服务平台，也有的银行信用卡中心开发智能云语音，着眼于客服语音信息的挖掘和分析，通过对海量语言数据的持续在线和实时处理，为服务质量改善、经营效率提升、服务模式创新提供支撑，从而全面提升运营管理水平。还有些银行在个人客户营销方面，着重客户数据分析，摸索出客户行为模式和潜在需求，促成定向精准销售。例如，通过分析客户行为数据和财务数据来锁定潜在客户，根据客户行为规律，并结合其所在区域、行为内容来确定消费习惯，开展针对性营销；通过分析交易记录信息来有效识别小微企业客户，并用远程银行和云转借实施交叉销售。此外，有的银行还将其内部客户编号和微博、QQ、邮箱等相对应，将互联网数据与传统数据一起存储，建立数据库，不仅了解客户理财、基金购买等交易行为的频繁程度，还可以发现其他动态信息如出差、喜好和社交圈等。

国际同业大数据运用的经验教训

金融业大数据运用的国际经验主要体现在快速判断宏观经济趋势、分析预测客户及交易对手行为、防范欺诈、改进内部效率以及外包非核心业务等方面。

快速判断宏观经济形势。英国央行已经开始运用大数据对英国房地产市场和劳动力市场趋势作出快速判断。以前，英国央行通过统计部门发布的房地产销售数据、就业数据等，判断房地产市场和劳动力市场变动趋势，但统计部门的数据一般有数日乃至数周的时滞，不利于对形势的快速判断。目前，英国央行已通过对一些网络搜索关键词的监控，如“按揭”“房价”“职位”等，获取最新的经济运行情况。

分析预测客户及交易对手行为。由谷歌（Google）前首席信息官Douglas Merrill创办的信用评估公司ZestFinance，通过大数据技术把收集的海量碎片化数据整合成完整的客户拼图，较为准确地还原客户的真实状况和实际信用状况，并据此支持合作公司向难以从银行获得贷款的美国人提供“工资日贷款”（payday loan）。西班牙对外银行(BBVA)推出的具有记忆功能的ATM机ABIL，不但能记住客户习惯的取款金额、频率，还能根据其账户情况给出相应的取款建议。美国一些基金公司在几年前开始借助社交媒体大数据，分析市场情绪变动，进而判断未来交易是扩大还是萎缩。近期，这些基金公司进一步通过分析金融交易大数据，识别交易对手的交易特征，预判交易对手的交易动向，并采取相应的操作，以获取差价。

防范欺诈。运用大数据分析软件，可以预防信用卡和借记卡欺诈。通过监控客户、账户和渠道等，提高银行在交易、转账和在线付款等领域防御欺诈的能力。在监控客户行为时，大数据可以识别出潜在的违规客户，提示银行工作人员对其予以重点关注，从而节省反欺诈监控资源。

改进内部效率。美国银行用大数据分析该银行某呼叫中心员工的行为，通过在员工姓名牌中置入感应器，监控员工的行走线路与交谈语气，可以知道员工在工作场所的社交状况。监控结果表明，那些一起享受工间休息并相互交流的员工工作效率更高，他们可以在日常交流中分享如何应付“难缠”顾客的小窍门。美国银行发现这一现象后，即转而推行集体工间休息，此后员工表现提升了23%，而员工说话语调所反映出的压力水平则下降了19%。另外，还有些欧美银行运用大数据评价分支机构绩效并获得显著成效。

大数据的应用存在运维风险和运营风险等，前者如数据丢失、数据泄露、数据非法篡改、数据整合过程中的信息不对称导致错误决策等，后者如企业声誉风险、数据被对手获取后的经营风险等。因此，必须加强数据管控。这方面既有成功的经验，也有值得总结的教训。从已出现的问题看，最大的风险来自网络攻击和欺诈：2011年，网络银行欺诈给日本53家银行造成2700亿日元（约合225亿元人民币）的损失；2012年，诈骗集团曾攻击欧美至少60家银行的网络，盗取银行资金；2013年，国内某保险公司受黑客攻击，造成数十万保单信息泄露。为此，一是高度重视并推进统一的数据标准，并做好数据清洗，保证数据质量。二是审慎划定数据边界，合理开展内外部数据共享和非核心数据业务外包。三是大数据下应更加重视隐私保护和信息安全，加大对反网络攻击的投入。

推动大数据应用的策略

党的十八大提出坚持走中国特色新型工业化、信息化、城镇化、农业现代化道路，信息化已升级为国家战略。我国银行业加快大数据应用不仅具有行业意义，而且对于推动我国信息化进程、服务“新四化”发展也有重要作用。我国银行业要从战略高度充分认识到大数据分析、运用的重要性，从管理体系建设、具体运用模式方面不断探索，打造银行业在大数据时代的核心竞争力。

建立完善的大数据工作管理体系。银行业应充分认识大数据的重要性，在总行层面建立大数据工作推进机制，制定大数据工作规划，主管数据部门对大数据工作进行统筹规划、组织协调、集中管理，业务部门承担大数据采集、分析和应用的职责，全面定义、收集、多方式整合集团内外部各类数据，形成管理数据、使用数据和推广数据的有效工作机制。

增强数据挖掘与分析运用能力。在银行内部全面推广基于数据进行决策、利用信息创造价值的观念，引进数据挖掘和大数据运用专业方法和工具，培养专业数据挖掘分析人才队伍，重视人才的经济金融、数学建模、计算机新型算法等复合型技能，建立前瞻性的业务分析模型，把握、预测市场和客户行为，将数据深度运用到业务经营管理过程，利用数据来指导工作，设计和制定政策、制度和措施，做到精准营销和精细管理。

以大数据技术促进智慧银行建设。推动大数据向生产力转化，加快产品创新实验室的技术研发，把实验室成熟产品运用于客户的营销和服务，推进智慧银行建设，把技术创新优势转化为竞争优势。网点服务要运用好大数据等技术成果，推广普及智能叫号预处理、远程银行VTM、电子银行服务区、智能互动桌面、人脸识别等创新服务，将传统银行服务模式和创新科技有机结合，利用智能设备、数字媒体和人机交互技术为客户带来“自助、智能、智慧”的全新感受和体验。智慧网点在建设推广中，还应充分采用用户交互技术和体验设备，吸引客户浏览、试用、比较各类金融产品，辅以工作人员推荐，从地域、客户、产品等多种维度，挖掘客户需求，实现对合适客户、在合适时间、通过合适渠道、推荐合适产品。

建立基于大数据分析的定价体系。当前，资金的交易变动频率和流动性加快，大数据从更宽广角度，预判负债的波动情况，能更灵活测算是否满足监管要求和贷款需求变化，从而为银行以存定贷、以贷吸存策略提供量化支撑，可有效降低资金成本。银行还要运用大数据分析，建立起综合服务和信贷差异化定价体系，做到对不同产品、不同行业、不同区域实施差别化定价，最终实现一户一策的综合化、差异化服务，提升精准营销水平。例如，将对公、对私客户逐步纳入定价系统，进行客户选择，不同服务内容享受不同信贷优惠，达到差别化定价和客户最佳体验的双重目的。

依托大数据技术提升风险管理水平。大数据能较好地解决传统信贷风险管理中的信息不对称难题，提升贷前风险判断和贷后风险预警能力，实现风险管理的精确化和前瞻性。大数据时代，银行业可以打破信息孤岛，全面整合客户的多渠道交易数据，以及经营者个人金融、消费、行为等信息进行授信，降低信贷风险。如建设银行依托“善融商务”开发出大数据信贷产品“善融贷”后，银行可实时监控社交网站、搜索引擎、物联网和电子商务等平台，跟踪分析客户的人际关系、情绪、兴趣爱好、购物习惯等多方面信息，对其信用等级和还款意愿变化进行预判，在第一次发生信贷业务，缺乏信贷强变量情况下，及时用教育背景、过往经历等变量进行组合分析，以建立起信贷风险预警机制。由历史数据分析转向行为分析，将对目前的风险管理模式产生巨大突破。

大数据是信息革命中非常前沿且快速发展的技术，银行业要抓紧解决内部数据挖掘分析和外部资源的安全整合利用问题，加快人才队伍建设和技术成果转化，通过大数据的高效应用，加速推进银行业的转型升级和可持续发展

第三篇：大数据在物流方面应用

大数据时代在物流方面的应用

学院：经济管理学院 专业：市场营销123班 学号：2012016314 姓名：李燕

“大数据时代来了!”两年，从业内到业外，这句口号见诸网媒、报端的频率与日剧增。直至今天，从政府高管到行业巨头，从商界大鳄到微企老板，关于数据创业，他们中有没有直接参与已然不是那么重要了，重要的是现在谁都不敢不重视大数据。更值得期待的是已有先驱驮负大数据颠覆行业规则的构想，开始试水国内物流行业。

“物流业是一个产生大量数据的行业，在货物流转、车辆追踪等过程中都会产生海量的数据，这么多资源如果不用就浪费了。”申通信息技术部总监邱成在接受本报记者采访时说。目前，业内对大数据并没有统一的定义。不同厂商、不同用户，站的角度不同，对大数据的理解也不一样。麦肯锡报告中对大数据的基本定义是：大数据是指其大小超出了典型数据库软件的采集、储存、管理和分析等能力的数据集合。毋庸置疑的是，大数据的价值在于从海量的数据中发现新的知识，创造新的价值。越来越多的企业也意识到了大数据的价值，对数据分析与挖掘的需求与日俱增。

“物流业之所以做大数据，主要是因为：第一，快递走入民生的势头越来越猛，对每一个节点的信息化需求也越来越多，这就需要通过大数据把信息化对接起来。第二，从企业自身角度来讲，信息化对企业管理者的重要性也越来越突出。第三，提高对数据的加工能力，通过‘加工’实现数据的‘增值’。”邱成说。

长期以来，备受指责的行业中总少不了物流业，其对仓储运输车空间的利用不科学、安全性差、燃油效率低下、周转时间随路径而浮动等，这些是导致中国物流业占GDP总量约18%远高于欧美发达国家的最主要原因。

整个物流业尤其电商领域已经几近爆发式成长，若应用大数据分析技术，仓储运输的空间将被系统化布置，物流车行程路径也将被“最短化”、“最畅化”定制。两年前，把一吨蔬菜从广州运到北京比从北京运到美国洛杉矶物流成本都高，今天，当大数据时代到来的时候，物流行业规则能否因其改变，只能拭目以待。因为大数据试水物流行业，“游戏”才刚刚开始。

“现在我们在做淘宝、商业客户的一些数据采集，在构成基础数据网络之后，再做第三方的增值应用。”邱成说。在前不久召开的“京交会”上，申通快递展示了其最新的“信息化智能平台”。该平台通过对数据的归纳、分类和整合，可以清楚地查看申通网络任何一个网点的经营现状和业务构成等。

在百世汇通，通过技术人员运用科技手段进行分析、提炼，大数据正在为企业战略规划、运营管理和日常运作提供重要支持和指导。据百世物流科技（中国）有限公司副总裁张砚冰介绍，百世汇通尝试运用大数据来管理、分析、判断加盟网点的运营行为，通过网点在系统内的足迹建立数据分析模型，成功地预测了几次网点的异动，使工作方式由被动式变为主动式、前置式，减少了大量客户投诉，把问题消灭在萌芽阶段。

不仅仅是物流业，电商企业也越来越关注大数据。早在今年年初，京东商城就已启动云计算研发基地，并成立“京东商城——中国人民大学”电子商务实验室，着力电子商务大数据的分析与合作；在“京交会”上，阿里巴巴集团与中国邮政集团、“四通一达”等十家快递公司合作，核心内容仍以打通物流数据为基础，重点将转向“数据整合与分析”。

“淘宝做大数据是以订单为核心，快递企业做大数据是以快递为核心。以申通为例，我们的客户不只是淘宝，还有很多商业客户。而且不少商业客户都有与快递企业在IT方面合作的想法，未来我们也希望能挖掘更多的数据价值，通过大数据给商业客户提供信息化服务。”邱成说。

物流行业树大根深，大数据在此行业内的应用也是非常广泛的。物流中除去淘宝商城、京东商城、苏宁易购等企业产生的包裹、快递等小部件中短距离之间物品流通的小物流;还有与之相对应的重量大、体积大、长距离运输的物品流通，如港口货物运输、大货车集装箱运输等的大物流。

在亟待改进的物流行业，大物流领域利用大数据分析应用技术其实质就是利用地理信息、位置服务、物联网在物流行业里做信息系统化，将现有的粗放、零散、低效、高耗的物流企业数据资源加以整合，建设成可以依据空间地理信息来统一协调监管的现代化物流。逐步利用大数据驱动信息化物流建设，在信息化的现代物流模式下，大物流领域的任何物流车船归属企业的名称、物流车队的整体油耗、车船的位置信息、车船的行程轨迹、车船的运行周期等这类空间地理数据通过系统智能化处理。

大物流领域成功应用大数据，无非是让物流车队效率提高、流程精简。物流车队本身的管理、设备等条件优化改善了，才有望使得中国物流运输成本降低。理想的前景是联合一个大型物流车队，为其免费装载上一台设备，这种设备搜集的车队车辆所有空间地理位置信息都即时反馈到监视后台。怎样获取这些大数据也就是物流车队提高管理效率的关键所在。然而，在刘俊伟来，这种期望的信息智能化的现代物流模式可能需要3-5年时间方可成熟。怎样获取这些大数据是一个问题，这需在资金投入、研发团队打造方面的决心和魄力。

“随着市场的发展，在未来，快递企业会不断加大在大数据方面的投入。”邱成表示。大数据的核心是发现和预测，利用其这个特点，可以提升快递行业的整体服务水平。此外，对于快递业做大数据的未来发展趋势，也有业内人士指出，快递员获取的数据已不只是企业内部信息，还包括大量的外部信息。大数据则让厂商能够有的放矢，甚至可以做到为每一个客户量身定制符合个体需求的产品和服务，从而颠覆整个商业模式。

尽管企业已熟知大数据所带来的价值和优势，但由于数据规模和种类的增加，处理速度的加快，以及易受攻击的特点，随之而产生的成本和复杂性给企业的IT资源和基础设施带来了更大的压力。如何在降低成本的同时提高IT效率，成为快递企业不得不面对的一大难题。

在邱成看来，投资、技术手段等并不是最大的难点。“快递企业做大数据面临的最大难题在于：一是基础数据的采集。因为到现在为止，不少快递企业的操作及信息传输并不是很规范，这给基础数据的采集带来了不小的困难。二是未来大数据的应用方向。比如我们现在有一些淘宝数据，首先要想好怎么用。”邱成说。

此外，也有业内人士建议，在大数据时代，企业要想用数据制胜，就必须尽早建立数据资产管理策略。只有拥有战略性视野和专业技术，才能更好地获得商业洞察力，才能将数据资产转换成战略资产和竞争力。

对于物流行业而言，必须能够更好地利用大数据，这样就可以更好地为客户提供服务，降低成本，提高燃油效率。与刘俊伟观点大同小异，Teradata天睿公司运输物流业总监肖恩也认为，大数据在大物流领域的应用是一个主要的技术潮流。即目前已经积累下的大数据需要以更加智能的方法加以利用，同时还要开发新技术来更便捷的获取多样化大物流数据。

第四篇：银行数据专线

银行数据专线

银行数据专线开通因网点不通，各行接入方式不同，分为2M电路接入和以太网接入

组网方式（以六合农行为例）

总端设备：S385

通过不同时隙划分，经光路传输到各基站（核心机房），基站侧和分点用户端有对应的SDH设备实现数据转换、收发

判断开通完成和故障（分点用户端故障排查）

测光衰、检测SDH设备状态，与网管核查传输数据（若是2M开通，检查2M物理链路，协转状态，与基站和网管对环测试）；

若确认底端设备状态、传输数据均正常，与用户总端对ping测试（该步骤必不可少，各分点会有一套IP地址，一般为“10”开头网断的地址，由网络部提供），若底端和银行总端能ping通，后续网络设置和用软件调试由用户网管接管；若不通，与我方网管和用户网管三方核查传输网时隙，再与基站逐段对光，并做环回测试

第五篇：技术与架构,解析如何将大数据最快落地到实践

技术与架构，解析如何将大数据最快落地到实践

本文章来自于阿里云云栖社区

摘要： 3月9日14点，业内首个结合技术与应用的在线大数据技术峰会即将展开，届时6位阿里技术大咖与4位行业资深实践者将从技术与业务两个方面，与大家探讨大数据如何最快落地到实践。较为有看点的是：最深入的实践：本次在线峰会上，6个阿里规模的大数据实践将被深入分享，包括大数据平台的性能调优、流式增量计算、持续发布与演进、机器学习的平台打造等。

免费开通大数据服务：https://www.xiexiebang.com/product/odps

直播回顾： https://yq.aliyun.com/webinar/history?spm=5176.8067841.wnold.1.rLvSkQ

3月9日14点，业内首个结合技术与应用的在线大数据技术峰会即将展开，届时6位阿里技术大咖与4位行业资深实践者将从技术与业务两个方面，与大家探讨大数据如何最快落地到实践。较为有看点的是：

最深入的实践：本次在线峰会上，6个阿里规模的大数据实践将被深入分享，包括大数据平台的性能调优、流式增量计算、持续发布与演进、机器学习的平台打造等。同时，在技术分享之外，你还可以与嘉宾进行问答互动，免费的学习机会就在这里！

最真实的应用：技术的价值在于赋能业务，然而真正结合起来并不简单，本次峰会上，地产、医疗、电商、社区等实际场景大数据应用案例将被放出，这里有帮助你打开大数据赋能的钥匙。

技术实践篇

伟林阿里云资深专家

嘉宾简介：阿里巴巴大数据事业部资深架构师，原微软Cosmos/Scope核心开发人员，现负责阿里巴巴大数据计算平台总体架构，该平台是阿里巴巴核心计算分析平台，承担阿里内部绝大数计算任务。林伟作为一名分布式系统研究员，在国外一流会议OSDI, SIGMOD, NSDI, VLDB发表多篇论文。是大数据存储，分布式计算，数据查询优化，分布式调度等领域的专家。具有10多年研究和开发经历，分别打造微软和阿里内部大型数万台级别数据中心的计算平台。

演讲议题：MaxCompute 2.0 性能优化揭秘 直播时间：3月9日 14:00-14:40

议题简介：分布式系统性能优化核心，以及基于代价的大数据平台优化器打造。

振禹阿里云高级专家

嘉宾简介：20年业界经验，在数据与分布式系统的应用与开发方面有丰富的经验。目前负责MaxCompute SQL大数据语言的设计与开发，致力于提高MaxCompute的用户体验。演讲议题：MaxCompute——大数据语言的新发展 直播时间：3月9日 14:40-15:20

议题简介：MaxCompute是全新一代的ODPS，基于完全自主研发的ODPS2.0 SQL引擎。MaxCompute SQL大数据语言在易用性，兼容性，性能与可扩展性方面取得长足进步。此演讲将向您逐一介绍这些新功能。

听众预计受益：对于MaxCompute的现有用户，能够知道基于ODPS2.0的SQL引擎给大家带来的易用性改进与新功能，提高开发效率，降低维护成本，提高性能。对于潜在用户，能够知道基于ODPS2.0的SQL引擎在兼容性方面的改进，知道如何利用这些特性方便迁移使用MaxCompute，并知道使用MaxCompute在易用性与可扩展性方面的优势。

布民阿里云高级专家

嘉宾简介：2015年加入阿里巴巴，现为阿里云高级专家、技术委员会成员，及大规模流计算与图计算平台负责人。布民之前在微软亚洲研究院任主管研究员，主要研究兴趣为大规模分布式计算。至今已在相关领域顶级会议(如OSDI，NSDI，EuroSys等)发表多篇论文，曾获得EuroSys 2012的最佳论文奖(亚洲首篇)。多项研究成果已被转化为产品并应用于实际生产。

演讲议题：大规模流式增量计算及其在阿里巴巴的应用 直播时间：3月9日 15:20-16:00

议题简介：实时化是大数据应用及分布式系统设计的重要发展趋势，其中流式数据处理又是核心场景之一。本演讲首先介绍一系列典型场景以及它们带来的商业价值。随后结合阿里巴巴真实场景，谈谈流式计算的技术挑战及系统设计的关键问题。特别的，将介绍独特的增量计算需求，及其与系统其它关键能力(如容错)的设计交互和抽象。最后结合我们过去几年的工作和思考，谈谈对未来流式计算应用及系统发展的展望。

听众预计受益：听众可以了解PAI机器学习的平台的模型演进，尤其是阿里在面对大规模分布式机器学习难题的时候的解决思路。

1.了解大数据应用实时化趋势下，流式数据处理的典型应用场景和商业价值。

2.了解流式数据处理在阿里巴巴真实场景中的应用与技术挑战。

3.了解真实场景驱动的系统设计核心问题，及阿里云在服务阿里巴巴集团内外场景中积累的思考和对未来的展望。

九丰阿里云高级专家

嘉宾简介：九丰，阿里云大数据事业部高级专家，14年加入阿里云，一直从事PAI机器学习的平台的建设。

演讲议题：PAI分布式机器学习的平台计算模型演进之路 直播时间：3月9日 16:00-16:40

议题简介：随着训练数据规模的持续扩大，模型特征的持续增长，常用的机器学习算法面临着越来越多的挑战。从很多人熟悉的R语言，到基于MPI的多机的计算框架，再到支持超大规模特征的Parameter Server架构，再到如今的深度学习计算框架，机器学习的平台上的编程模型也在不断演进，以满足业务上持续的挑战。本次主题主要和大家分享PAI分布式机器学习的平台的多种编程模型的演进过程。

听众预计受益：听众可以了解PAI机器学习的平台的模型演进，尤其是阿里在面对大规模分布式机器学习难题的时候的解决思路。

朋春阿里云高级技术专家

嘉宾简介：阿里云高级技术专家，5年以上高吞吐数据传输平台的研发经验，目前是MaxCompute数据通道团队负责人。演讲议题：MaxCompute数据上云与生态 直播时间：3月9日 16:40-17:20

议题简介：玩大数据的第一件事情是如何将数据上传到MaxCompute。在前台存储多样化的形式下，数据上传存在着多种多样的需求；另一方面，网络质量的好坏又对传输过程中的时效性、吞吐量和容错能力带来了不小的挑战。

本次演讲会从MaxCompute提供的离线、实时数据通道入手，延伸到DTS、Logstash、DataX等官方/开源软件，向大家介绍如何从数据库、本地文件等多种存储向MaxCompute导入数据。除此之外，还会涉及一些在Python和R语言中使用MaxCompute的介绍。

听众预计受益：

1、了解如何利用现有工具，快速地向MaxCompute导入数据；

2、了解不同网络环境和存储类型下的导入导出工具选择；

3、通过示例了解如何在Python和R环境中使用MaxCompute。

无庸阿里云高级技术专家

嘉宾简介：阿里云大数据计算服务MaxCompute框架负责人、高级技术专家，专注于高可用大规模分布式系统的平台开发。

演讲议题：高可用大数据计算平台如何持续发布和演进 直播时间：3月9日 16:40-17:20

议题简介：大数据服务如何持续发布和演进一直是业界的一个难题。成熟的大数据服务必须具备高可用、高稳定、高安全、高效率等特点，与此同时，为了满足用户不断增长的需求和规模，大数据服务需要不断地完善功能提高性能，两者之间存在着天然的矛盾。本次演讲将会介绍阿里云大数据计算服务MaxCompute在解决这个难题中的一些方案和实践。听众预计受益：1)大数据服务新功能在保障数据安全和用户知识产权的前提下高覆盖、高效率的测试方法；2)大数据服务保证高可用高可靠前提下灰度发布上线的方法。

场景应用篇

许鹏佰腾科技CTO

演讲议题：专利大数据的云上裂变之路 直播时间：3月9日 14:00-14:40

议题简介：专利大数据的大不在于数据的“多”，而在于数据的“宽”，专利数据每 拓宽一个比特都需要对原始数据进行多次的拆解和分析，传统的计算技术很难满足这种大 规模的数据挖掘需求，而阿里云的数加平台为我们提供了更大的存储、更高的性能、更好 的分析，让我们实现了专利数据的快速裂变。

刘峥明源云大数据负责人

嘉宾简介：明源云大数据负责人，多年来探索传统行业大数据应用与变现，现在地产垂直领域负责行业大数据管理平台整体规划与建设。演讲议题：地产大数据趋势与应用实践 直播时间：3月9日 14:40-15:20

议题简介：大数据能够对地产行业的拿地决策、营销、服务等业务带来哪些帮助；明源如何通过阿里云将大数据业务场景落地；明源云大数据管理平台的技术架构

王洋小红唇

个人简介：王洋, 毕业于北京邮电大学计算机科学与技术系，研究生学历。曾在IBM中国研发中心和Polycom中国研发中心从事软件开发及管理工作。2014年作为创始团队加入北京小鱼儿科技有限公司，负责管理云端及移动端APP的开发。2016年加入小红唇网络科技有限公司，全面负责公司的研发管理。精通云服务、移动APP的架构设计与开发，在大数据、实时音视频系统等方面具有丰富的经验。演讲议题：用大数据打造你的变美频道 直播时间：3月9日 15:20-16:00

议题简介：阿里数加平台完整的大数据技术栈和易用性，使小红唇公司快速建立了自己的数据分析、个性化推荐、机器学习等大数据核心应用。为小红唇不断扩大的业务提供了强有力的数据支撑，使用户获取变美内容和商品变得易如反掌。普通的开发人员通过数加平台迅速转变为数据工程师，而几乎零运维又使得工程师们能够专注于数据，不断使数据产生的收益最大化。

刘立兼网聚宝首席架构师

个人简介：上海云贝网络科技有限公司首席架构师，数年来一直奋战在电商大数据领域。经历了一个又一个618/1111/1212。对面向大数据的高可用、高性能、易扩展的分布式架构技术有着深刻的理解，特别擅长基于云计算的系统架构。演讲议题：云上大数据，零售新思维 直播时间：3月9日 16:00-16:40

议题简介：大数据的发展给各行各业都带来了变化。网聚宝基于5年的零售业的数据服务沉淀，结合云上大数据能力，给企业客户带去了更多的可能性。