具体描述
大数据与金融企业之间的关系可以用“势在必行”、“得天独厚”来形容。金融企业内部积累了丰富的用户数据和交易数据，是企业数据资产构成的核心内容；大数据技术的出现使企业可用的数据资产得到极大的扩展。本书分为三篇，分别从金融企业的大数据战略规划、场景实例以及常见问题与应对机制三个方面对金融企业在大数据时代面临的机遇与挑战做了深刻的分析，并给出了具体的实践思路。
《金融大数据》提出了金融四大要素人、资金、交易和环境之间在互联网时代的笛卡尔乘积关系的重要观点，并以此作为大数据思维的重要出发点来指导金融企业的转型之路。
《金融大数据》适合大数据、金融领域的相关从业者阅读，同时也是相关企业管理人员厘清思路、洞察数据和金融本质的一本不可多得的参考著作。
作者简介
陈利强，1999年毕业于中国人民大学后就职于中国人寿保险公司，先后在信息技术部软件开发处、运行管理处、应用管理处、核心开发处、项目管理处、开发一处等处室担任主要技术人员和负责人，现任中国人寿保险股份有限公司研发中心总经理助理。
目录信息
1 背景 2
1.1 大数据是什么 2
1.2 大数据关键推动事件6
1.3 国家相关政策意见 7
1.4 金融大数据应运而生 8
1.5 金融大数据的现状与前瞻 10
1.6 金融大数据的衡量标准 12
2 金融大数据的战略定位 15
2.1 必要性16
2.2 可行性22
2.3 主要问题 23
2.4 大数据价值所在26
2.5 大数据思维转变 31
2.6 大数据战略行动 33
3 金融企业大数据应用规划构建 35
3.1 制定规划原则 36
3.2 选择规划方法 39
3.3 制定目标蓝图 43
3.4 识别规划风险 46
3.5 明确数据规划 47
3.6 制定目标计划 50
3.7 明确组织规划 51
3.8 选择技术方案 52
3.9 确定人才规划 53
3.10 回顾实施风险 54
4 大数据的技术解决方案 57
4.1 应对场景 57
4.2 当前主要的大数据技术模型 59
4.3 深入分析 Hadoop 62
4.5 大数据硬件技术规划 68
4.6 未来推荐技术模型 71
4.7 数据资产治理 74
5 大数据可视化 77
5.1 背景 77
5.1.1 发展历程 78
5.1.2 可视化分析的能力要素 79
5.1.3 可视化分析与传统分析的差异 80
5.2 可视化分析的过程及方法 80
5.3 可视化分析应用场景 81
5.3.1 社交网络分析 81
5.3.2 矢量地图分析 82
5.3.3 词云分析 83
5.3.4 流量流向（桑基图）分析 84
5.3.5 客户全网画像 84
第 2 篇 场景实例详解
6 客户大数据实例：客户全景视图应用 90
6.1 客户全景视图的互联网基因 91
6.2 客户全景视图是金融大数据应用的基础 94
6.3 关键技术设计96
6.3.1 NoSQL 数据库的选择 96
6.3.2 Hbase 的模型设计 99
6.3.3 源表数据的增量导出 102
6.3.4 数据写入 HBase 的方法 103
6.4 主要技术实现 104
6.4.1 架构设计 105
6.4.2 环境搭建 106
6.4.3 数据的抽取和整合 106
6.4.4 保单视图查询 110
6.5 扩展分析 112
6.5.1 回顾 112
6.5.2 扩展 113
6.5.4 风险防范 114
7 网站大数据实例：点击流分析与应用 116
7.1 点击流分析的业务目标 117
7.2 关键技术 118
7.2.1 数据的获取 118
7.2.2 数据的预处理 119
7.2.3 用户行为数据的建模120
7.3. 案例：某保险公司电商网站点击流分析 121
7.3.1 数据获取及预处理 121
7.3.2 会话识别 122
7.3.3 网页基本情况分析 123
7.5 舆情分析应用简介 128
7.5.1 确定挖掘算法 128
7.5.2 网络爬虫技术 129
7.5.3 主要实现过程 131
8 健康大数据实例：医疗费用监控应用 132
8.1 国内外医疗保险欺诈和监管情况 132
8.2 医保欺诈类型介绍 133
8.3 医保欺诈监控技术介绍 134
8.4 基于数据分析风险审核实现136
8.4.1 日平均医疗费用合规度分析 136
8.4.2 单病种治疗方法分析 138
8.4.3 单病种非常规治疗方法筛选 145
8.5 数据分析监控技术挑战 147
9 语音大数据实例：电销中心质检应用 149
9.1 呼叫中心业务现状 150
9.2 语音识别与语音分析 150
9.3 语音分析业务模型 152
9.3.1 自动质检 152
9.3.2 业务分析 156
9.4 技术实现过程 160
9.4.1 逻辑架构设计 160
9.4.2 项目实施指引 161
9.5 效果和风险总结 163
9.5.1 预期效果 163
9.5.2 实施风险 163
1 0 影像大数据实例：影像数据迁移应用 165
10.1 企业内容管理的概念及应用 165
10.2 基于大数据技术的内容管理平台 166
10.3 内容管理平台的应用案例：影像系统 167
10.3.1 业务背景 167
10.3.2 技术关键 168
10.3.3 实现过程 172
10.3.4 案例的业务价值分析 174
1 1 日志大数据实例：日志备份查询应用 175
11.1 日志数据的类型 175
11.2 日志数据管理 176
11.2.1 日志的记录和产生 176
11.2.2 日志的采集和传输 178
11.2.3 日志的存储 180
11.2.4 日志的应用 181
11.3 关键技术设计 181
11.3.1 日志数据的存储技术 182
11.3.2 采集传输技术 183
11.3.3 数据分析技术 185
11.4 日志管理系统的案例 186
11.4.1 系统建设目标 186
11.4.2 使用 Flume 建立日志传输管道 187
11.4.3 日志文件的保存和 HBase 日志索引的创建 188
11.4.4 关于日志规范 189
11.5 日志管理的价值分析 189
11.5.1 系统运行监控 189
11.5.2 违规分析 189
11.5.3 用户行为分析 190
第 3 篇 常见问题与应对机制
1 2 大数据安全 193
12.1 数据安全事件回顾 194
12.2 安全体系 196
12.1.2 服务器安全 197
12.1.3 数据安全 198
12.2 法律安全 198
12.3 可用性 199
1 3 大数据来源 201
13.1 内部数据源 202
13.2 政府数据源 204
13.3 外部大数据 207
13.4 现状与趋势 210
1 4 关乎胜负与生死的决战 212
14.1 客户价值之战 213
14.2 企业利润之战 214
14.3 管理平台之战 214
14.4 人才队伍之争 215
14.5 决战场景推演一 215
14.6 决战场景推演二 216
1 5 大数据的人才需求与培育路线 220
15.1 人才需求 220
15.2 选人 223
15.2.1 人员类型 223
15.2.2 人员水平 224
15.3 育人 226
15.4 用人 227
15.5 留人 229
1 6 大数据的合作资源 231
16.1 产业链整体情况 231
16.2 专业领域划分 234
16.3 合作商近况 235
16.3.1 基础平台提供商 235
16.3.2 Hadoop 提供商 237
16.3.3 可视化分析软件 238
16.3.4 数据中心提供商 239
16.3.5 集成服务提供商 241
16.3.6 系统安全提供商 241
16.3.7 多媒体识别与分析 243
16.3.8 数据分析提供商 244
16.3.9 数据管理提供商 245
· · · · · · (收起)
读后感
说道金融，各种虚虚实实。扯不清楚讲不明白。我不是搞金融的。买这本书的时候本来也多大期望。就随手翻了翻内容，哎，觉得有点意思就顺手买了。然后仔细翻翻。觉得确实有点东西。是本书，不知不觉看完了之后，觉得这书买的肉痛，但确实值！在金融之外的人看金融，就有一种看故...
说道金融，各种虚虚实实。扯不清楚讲不明白。我不是搞金融的。买这本书的时候本来也多大期望。就随手翻了翻内容，哎，觉得有点意思就顺手买了。然后仔细翻翻。觉得确实有点东西。是本书，不知不觉看完了之后，觉得这书买的肉痛，但确实值！在金融之外的人看金融，就有一种看故...
说道金融，各种虚虚实实。扯不清楚讲不明白。我不是搞金融的。买这本书的时候本来也多大期望。就随手翻了翻内容，哎，觉得有点意思就顺手买了。然后仔细翻翻。觉得确实有点东西。是本书，不知不觉看完了之后，觉得这书买的肉痛，但确实值！在金融之外的人看金融，就有一种看故...
说道金融，各种虚虚实实。扯不清楚讲不明白。我不是搞金融的。买这本书的时候本来也多大期望。就随手翻了翻内容，哎，觉得有点意思就顺手买了。然后仔细翻翻。觉得确实有点东西。是本书，不知不觉看完了之后，觉得这书买的肉痛，但确实值！在金融之外的人看金融，就有一种看故...
说道金融，各种虚虚实实。扯不清楚讲不明白。我不是搞金融的。买这本书的时候本来也多大期望。就随手翻了翻内容，哎，觉得有点意思就顺手买了。然后仔细翻翻。觉得确实有点东西。是本书，不知不觉看完了之后，觉得这书买的肉痛，但确实值！在金融之外的人看金融，就有一种看故...
用户评价
这本书简直是为我量身定做的，我一直都在寻找一本能将理论与实际操作完美结合的指南，这本书的深度和广度都远超我的预期。作者对于大数据在金融领域应用的洞察力令人惊叹，特别是关于风险管理和客户行为分析的部分，提供了许多开创性的思路。书中不仅详细阐述了如何构建数据驱动的决策框架，还深入剖析了实施过程中可能遇到的技术和组织挑战，并给出了切实可行的解决方案。我特别欣赏作者在数据治理和合规性方面的论述，这在当前这个监管日益趋严的环境中尤为重要。书中提供的案例研究丰富且贴近实战，让我能够清晰地看到大数据技术是如何在实际业务场景中产生巨大价值的。这本书不仅仅是技术手册，更是一份战略蓝图，指导着金融机构如何在数字化浪潮中保持领先地位。
读完这本书后，我感觉自己对金融科技的理解提升到了一个新的层次。作者的文笔流畅且逻辑严谨，使得即便是复杂的统计模型和机器学习算法，也能被非技术背景的读者所理解。我尤其喜欢书中关于“数据文化”建设的章节，这往往是很多机构在推行大数据战略时容易忽略的关键点。书中强调了自上而下的承诺和自下而上的执行力相结合的重要性，这一点非常具有启发性。此外，书中对新兴技术的跟进也十分及时，例如对区块链在金融数据安全方面的潜力分析，展现了作者的前瞻性视野。对于那些正在考虑或已经启动大数据项目的金融从业者来说，这本书无疑是一份不可多得的宝藏，它不仅教授“做什么”，更重要的是教会我们“如何思考”和“如何落地”。
这是一本极具深度和前瞻性的著作，它成功地避开了金融大数据领域常见的那种浮于表面的炒作和空泛的口号。作者没有停留在介绍各种时髦的技术术语上，而是聚焦于如何利用这些工具来解决金融机构最根本的业务痛点，比如信贷审批的效率、欺诈识别的精准度以及个性化营销的有效性。书中对数据治理框架的构建给予了足够的篇幅，这表明作者深知，没有高质量的数据和健全的管理体系，再先进的算法也只是空中楼阁。我特别欣赏作者对于“小步快跑、快速迭代”实施方法的推崇，这与当前敏捷开发的主流思想不谋而合，体现了现代项目管理的精髓。
阅读这本厚重的指南，我最大的感受是结构化思维的胜利。作者将庞大且分散的金融大数据知识体系，梳理成了一个清晰、可执行的路线图。它不是那种只适合数据科学家阅读的纯技术书籍，反之，它更像是为那些肩负着数字化转型重任的高级管理人员准备的“操作手册”。书中对不同部门（如市场、风控、运营）如何协同作战，共同推进数据战略，提供了详尽的组织架构建议和角色定义。最让我眼前一亮的是，书中对未来几年金融数据应用趋势的预测，特别是对嵌入式金融和超个性化服务发展的论述，让我对行业的未来有了更清晰的把握。这本书的价值在于，它提供了一种系统性的方法论，帮助企业真正实现从“拥有数据”到“利用数据创造智能”的飞跃。
这本书的内容架构非常合理，从宏观的战略规划到微观的技术实现，层层递进，令人信服。我以前总觉得大数据项目成功率不高，很多时候是因为目标设定不清晰，而这本书恰恰从战略的源头抓住了问题的核心——如何将数据能力与企业的核心业务目标紧密对齐。书中对“数据价值链”的梳理非常清晰，从数据的采集、清洗、建模到最终的应用和反馈，每一步骤的关键控制点都被详细地描绘出来。我个人觉得，书中关于如何衡量大数据项目投资回报率（ROI）的部分尤其实用，提供了具体的量化指标和评估方法，这对于说服高层投入资源至关重要。这本书的实操性极强，绝对值得在办公室里随时翻阅。
