凯发真人网娱乐

Clipboard Menu Clipboard Menu Clipboard Menu

新闻动态/ News

Informatica Data Quality: 始终信任您所有的数据

 

 

Informatica Data Quality 产品系列可让业务部门和IT 部门有效地协作,实现组织机构数据资产的真正价值。这些产品可为您提供各种能力,包括精确到分钟的决策、跨业务单位的可见性、同步任务关键型的运营和实现监管合规性透明度。Informatica 提供了数据质量全生命周期的管理能力:

通过探查、解决和防止成本昂贵的数据问题,降低风险

通过功能强大的业务 - IT”协作工具提高 IT 部门的工作效率和业务部门的自主性

降低企业运营成本

实现更好的业务结果,最大程度地提高数据回报

Informatica 数据质量全生命周期管理

 

产品

Informatica Data Quality 全面支持所有的数据和用途,可让您向任何数据集成、主数据管理(MDM) 或者数据治理项目提供值得信赖的客户数据、产品数据、财务数据或者资产数据。它具有准确的全球匹配、全球地址清洗和全方位的数据质量管理功能,适用于所有项目类型。Informatica Data Quality 面向所有应用程序开放。所以您可以访问本地或者云中的任何地方的任何数据源,可为所有的数据源提供通用的连接。Informatica Data Quality 提供了全面的数据质量管理功能。

优势

发现、解决和防范使您的公司耗资数百万的数据质量问题

通过在单一平台上实现标准化、消除多余的数据质量工具以及大量削减许可证和维护成本,从而降低成本

通过使业务部门能够参与数据质量流程、降低对 IT 部门的依赖,从而更为高效地运作

凭借强大的业务部门 - IT 部门协作工具和通用的数据质量控制项目环境,提高 IT 部门的工作效率

Informatica Data Quality 的主要功能包括:

基于角色的统一工具——从而使得业务和 IT 部门能够协同实施数据质量流程,减少对有限IT 资源的依赖性

对所有数据和各种用途提供全面的支持——您从而可以将数据质量规则应用于客户、产品、财务、资产和海量数据(例如社交媒体数据),并在各种类型的数据集成、主数据管理(MDM)和数据质量项目中重复使用这些规则

对所有应用程序开放——您从而可以访问驻留于任意位置(内部预置、合作伙伴处或在云中)的任何数据源,并可以部署集中的数据质量规则,从而改善所有应用程序的数据质量

凭借 Informatica Data Quality,您的整个组织可以:

主动为所有应用程序监控和清洗数据,保持数据清洁

让业务部门能够分担数据质量控制和数据治理责任

通过可信的企业数据,提高经营效益

 

  

Informatica Data Quality: 始终信任您所有的数据

 

 

Informatica Data Quality 产品系列可让业务部门和IT 部门有效地协作,实现组织机构数据资产的真正价值。这些产品可为您提供各种能力,包括精确到分钟的决策、跨业务单位的可见性、同步任务关键型的运营和实现监管合规性透明度。Informatica 提供了数据质量全生命周期的管理能力:

通过探查、解决和防止成本昂贵的数据问题,降低风险

通过功能强大的业务 - IT”协作工具提高 IT 部门的工作效率和业务部门的自主性

降低企业运营成本

实现更好的业务结果,最大程度地提高数据回报

Informatica 数据质量全生命周期管理

 

产品

Informatica Data Quality 全面支持所有的数据和用途,可让您向任何数据集成、主数据管理(MDM) 或者数据治理项目提供值得信赖的客户数据、产品数据、财务数据或者资产数据。它具有准确的全球匹配、全球地址清洗和全方位的数据质量管理功能,适用于所有项目类型。Informatica Data Quality 面向所有应用程序开放。所以您可以访问本地或者云中的任何地方的任何数据源,可为所有的数据源提供通用的连接。Informatica Data Quality 提供了全面的数据质量管理功能。

优势

发现、解决和防范使您的公司耗资数百万的数据质量问题

通过在单一平台上实现标准化、消除多余的数据质量工具以及大量削减许可证和维护成本,从而降低成本

通过使业务部门能够参与数据质量流程、降低对 IT 部门的依赖,从而更为高效地运作

凭借强大的业务部门 - IT 部门协作工具和通用的数据质量控制项目环境,提高 IT 部门的工作效率

Informatica Data Quality 的主要功能包括:

基于角色的统一工具——从而使得业务和 IT 部门能够协同实施数据质量流程,减少对有限IT 资源的依赖性

对所有数据和各种用途提供全面的支持——您从而可以将数据质量规则应用于客户、产品、财务、资产和海量数据(例如社交媒体数据),并在各种类型的数据集成、主数据管理(MDM)和数据质量项目中重复使用这些规则

对所有应用程序开放——您从而可以访问驻留于任意位置(内部预置、合作伙伴处或在云中)的任何数据源,并可以部署集中的数据质量规则,从而改善所有应用程序的数据质量

凭借 Informatica Data Quality,您的整个组织可以:

主动为所有应用程序监控和清洗数据,保持数据清洁

让业务部门能够分担数据质量控制和数据治理责任

通过可信的企业数据,提高经营效益

 

  

【案例分享】外部数据管理平台在银行系统中的应用

 

 

 凯发真人网娱乐 自有产品——外部数据平台在数家银行应用,本文将主要分享:某某银行外部数据管理平台,某某农信外部数据统一管理服务平台项目案例

 

 

01

 

 

某某银行外部数据管理平台

 
 
为了适应某某银行外部数据相关业务的快速发展、规范外部数据管理的业务流程,带来的外部数据的诸多技术和管理挑战,做好外部数据对各相关业务发展的保障和支持工作。某银行根据自身现状的评估和外部数据管理需求的分析,确定建设全行统一的外部数据管理台,达到降低外部数据使用成本、提高管理效率、实现外部数据管理工作的规范化、系统化、统一化,全面提升外部数据管理相关工作的成效。
 
 
 
项目背景:
  • 数据源分散:多个系统进行了外部数据的接入、数据源较为分散、无法进行统一管理、规范管理

  • 费用重复支出:当前多个系统同时接入外部数据,无法实现数据共享,导致重复查询现象存在,继而导重复支出

  • 三方对账困难:需人工进行核算,统计报表与实际发生存在差异

  • 缺少统一调阅功能:没有统一的调阅功能、权限管理功能

 

整体架构:

  • 据层:主要工作包含数据接入、数据处理、数据存储三部分内容,数据接入包括数据接口集成、历史数据初始化。
  • 平台层:平台层共分为系统管理、数据查询、数据源管理三部分内容。其中。亦是平台对外主要展现区域;数据源管理为配合数据层进行外部数据的录入功能;系统管理为平台权限、数据权限等权限控制等功能,数据查询为数据的出口。

     

数据来源与应用系统:

 

平台场景规划:

  • 营销类模型类模型主要客户细分为基础,建立客户的360度视图,建立应用于客户营销的业务模型,如:商户交易分析模型、商户行业分析模型、商户综合利润贡献模型、客户刷卡交易分析模型、产品推荐模型等。

 
  • 风控类模型:该类模型主要用于信贷业务和欺诈防范,并与目前的征信建设相结合,如:商户评分模型及审批规则、行业风险识别模型、人行征信报告评分模型、个人信用分析模型、风险定价模型、风险客户预警模型、贷后实时监控模型、反欺诈模型等。

 
  • 综合评价模型:该类模型以之前的相关模型为基础,并通过规则引擎整合多个模型,进行加工处理,并根据不同业务需求产生不同的客户综合评价,如:客户综合利润贡献模型、POS商户综合评价模型、综合预授信模型、综合风险判断模型等。

 

达到效果:

  • 通过对外部数据调取查阅,协助提升与三方合作的“助贷”业务自主风险防控。

  • 即时获取外部数据信息优化信贷产品客户体验,推动信贷审批中贷前审批,不良预判等各环节的反应效率,贷后跟踪。

  • 支撑账户管理、柜面开户企业信息核查、账户年检等信息查询,提升业务效率及信息准确性。

  • 通过内、外部数据结合构建商户画像,进行商户运营管理;

  • 通过大量的外数积累沉淀、结合商户特点建模筛选,运用机器学习算法实现对商户的精准营销。

  • 通过外数平台引入基金行业市场信息,提供信息参考及分析,在净值型理财产品营销中。

  • 通过外部数据对资产类业务进行风险评估,对投资企业进行资产估值管理。

 

Hadoop数据湖如何建设?

 

随着互联网的加速发展和移动互联网的快速兴起。数据采集更方便、数据种类更丰富,行为轨迹、语音视频等非结构化数据爆发式增长,数据规模进一步扩大。在新形势下,传统的数据库、数据仓库等处理技术无法适应快速响应、实时分析的数据需求,难以处理日志、语音等非结构化数据,企业迫切需要一个新型大数据解决方案——“ 数据湖 ”应运而生。

 

 

01

 

数据湖起源

数据湖通常被定位为各类原始数据的集中存储库。在数据内容方面、也包括用于报告、分析和机器学习等任务的加工后数据;在数据格式方面,既包括来自关系数据库的结构化数据,也包括半结构化数据(XML、JSON)、非结构化数据(图像、音视频、文档)等,既包括业务系统数据的原始副本。技术的不断发展和应用的不断深入,人们逐渐发现数据湖仅存储不管理会带来一系列问题。湖内各类数据又多又杂难以使用,存储其中的数据也失去价值,最终会退化为“数据沼泽”。因此,还要能支持海量数据的分析处理,数据湖必须精细管控、有序开放,不仅要支持海量异构数据的集中存储,实现存得下、管得好、用得上。

 

 

 

02

 

数据湖的应用场景

 

 

1.丰富客户画像

数据湖集中了客户的照片、语音、文本、行为等各种结构和类型的数据,支持各种引擎对数据全方面的探查分析、将非结构化数据与结构化数据相融合、构建以“客户为中心”的全景视图,全方位丰富客户画像,补充非结构化数据特有的用户个性数据,在现有的以结构化数据为主的客户分析视图中。

2.实时产品营销

过埋点工具捕获客户在掌银、网银、小程序等各渠道的行为日志信息。第一时间完成场景分析,缩短数据加工链路,实时传输到数据湖中,减少数据加工时间,实现实时的产品推荐与精准营销,挖掘客户业务需求场景,利用实时数据引擎,关联客户交易行为。

3.深挖客户需求

对银行现有客户群。完成服务与客户的关联,主动将银行服务与客户的潜在需求进行匹配,通过多种分析引擎,开展进一步的用户需求挖掘,实现服务主动找客户、主动服务客户的功能。例如。精准定位客户车型续保时点,获取客户的购车日期、车型档次等信息,预测客户换车需求,使用机器学习技术,结合银行现有服务场景,在数据湖中,为车险、购车分期等信用卡产品营销活动提供参考,对数据湖中存储的客户行驶证影像数据进行分析。

 

03

 

湖仓一体化

 

打通数据的存储与计算

       很多公司对各类数据应用包括 SQL 分析、实时监控、数据科学和机器学习的灵活性、高性能系统的需求并未减少。AI 的大部分最新进展是基于更好地处理非结构化数据(如 text、images、video、audio )的模型,完全纯数据仓库的二维关系表已经无法承接半 / 非结构化数据的处理,AI 引擎不可能只跑在纯数据仓库模型上。一种常见的解决方案是结合数据湖和数据仓库优势,建立湖仓一体化,进而解决了数据湖的局限性:直接在用于数据湖的低成本存储上实现与数据仓库中类似的数据结构和数据管理功能。

灵活性与成长性兼得

       当企业处于初创阶段。那么用于支撑这类业务的大数据系统,数据从产生到消费还需要一个创新探索的阶段才能逐渐沉淀下来,数据湖的架构更适用,灵活性就更加重要。
       当企业逐渐成熟起来,问题开始转化为数据规模不断增长,已经沉淀为一系列数据处理流程,成长性的好坏就决定了业务能够发展多远,参与数据流程的人员、部门不断增多,处理数据的成本不断增加,那么用于支撑这类业务的大数据系统。数据仓库的架构更适用。

 

 

 

04

 

行业数据湖建设情况

 

 

数据湖技术正处于蓬勃发展期。均以“存算分离”和“流批融合”等关键技术为支撑,市面上各类开源和商业产品百花齐放,向着“湖仓一体”的架构演进,主要分为Hadoop数据湖和云原生数据湖两大体系。

金融同业近两年也在积极开展数据湖技术的研究,逐步落地并不断演化。凯发真人网娱乐帮助某银行已初步建成Hadoop数据湖,计划未来将数据湖迁移到私有云上,支持数据批量加工、实时分析和交互式分析,同步也在共同探索向“湖仓一体”的架构演化。

 

 

关于凯发真人网娱乐 /ABOUT HUAYI