–金融科技改变的不是技术 而是一个时代
现在大多数银行、金融服务和保险组织（简称BFSI）正在加速转型，通过数据驱动的方式来发展业务和提高客户服务质量。金融行业由于服务客户众多，业务类型复杂，信息化程度较高，天然具有“海量用户和大数据”的特点。比如： 在规模上，现在金融机构已经实现了所有核心业务系统的计算机处理，并且每时每刻都在存储和处理大量的数据。金融行业有着大量的客户信息、储蓄信息、产品档案、报价数据、市场行情数据和交易数据等，仅纽约证券交易所一天的数据写入量就超过1Tb； 在速度上，并发的海量用户访问和交易请求，意味着需要更高的业务处理速度，如在支付高峰期，网络支付峰值可达25.6万笔/秒，数据库处理峰值达到4200万次/秒，很明显这远远超出传统数据库的处理能力； 当然还有数据的多样性，在金融机构自身产生的数据中，有一部分是结构化数据，比如客户的存款数额、贷款数额、购买理财产品的编号等等；这部分数据的存储量占比相对不大，而数据量更多、挖掘价值更大的是那些半结构化或非结构化的数据，比如用户各种身份和资产证明的复印件、行为数据、社交网络数据等。
当然，银行业监管机构对于数据管理和监测的要求也在不断提高，在《中国金融业“十三五”信息化建设规划》、《中国银行业信息科技“十三五”发展规划监管指导意见》中都提到了要加强数据管理、管控，提高数据信息质量，采用数据挖掘和大数据技术深层利用、提炼数据以提升经营管控效能。
很明显，大数据已不再只是个专有名词，银行等金融机构对大数据技术的选择成了必然趋势。
金融大数据的核心技术，也离不开处理以下几件事情：获取数据、存储数据、分析数据和应用数据。
简单来说，对应到一个大数据分析平台，可能就需要有数据产生层、数据交换层、数据存储和计算层、数据应用层以及用户访问层。
在数据产生层，是企业内外部产生的结构化、半结构化和非结构化数据，然后经由数据交换层，完成从源头抽取、清洗数据以及大数据平台内部组件之间进行的数据交换，在数据存储和计算层，会通过HDFS, S3, HBase, Cassandra等各类软件完成清理之后数据的分类存储，并通过Mapreduce、Spark、Storm等各类框架和算法响应上层的数据处理和访问需求；当然，这些需求对应的是数据应用层和用户访问层的各类界面请求和用户操作，比如仪表盘、报表、即时查询、多维分析、挖掘预测等。
简单来说，银行业海量的数据内容，需要经历从“数据采集、清理/整合、数据仓库、流程调度、数据挖掘到知识应用”多次的循环反复，才会体现出巨大的应用价值。而如何 “打通”多源异构的数据，进行数据整合从而建模分析，是机构当前面临的最大问题之一。
金融行业对大数据的选择，除了政府的推动之外，当然来自于最实际的业务驱动。
根据麦肯锡的说法，使用数据做出更好的营销决策可以将营销生产力提高15-20％ – 考虑到每年平均1万亿美元的全球营销支出，这个数字可能高达2000亿美元。对于BFSI来说，最主要的业务驱动体现在精准营销、风险控制、经营优化和业务创新几个方面
精准营销：在互联网金融的冲击下，BFSI的各类机构，迫切的需要掌握更多用户信息，包括基本的个人数据，交易历史，浏览历史，服务等等；以数据为基础的分析可以帮助他们构建精准的用户画像，了解客户并进行客户细分，从而进行精准营销、实时营销等个性化智慧营销。
风险控制：应用大数据技术，机构可以统一管理银行内部多源异构数据、外部征信数据及用户社交网络数据，通过提供更多的自动化流程，更精确的预测系统以及更小的失败风险，提高风险模型的预测能力，并显著节省成本。大数据在风险管理方面有很多领域可以应用和带来价值，包括欺诈管理，信用管理，市场和商业贷款，操作风险和综合风险管理。
经营优化：借助大数据决策分析，可以更精准地了解业务数据，改善经营决策，为管理层提供可靠的数据支撑，使经营决策更加高效、敏捷。当然，大数据也能使管理层从业务表现实时了解员工实际工作效率，从而制定相关的管理措施，实现组织激励。
业务创新：基于大数据平台进行的业务数据共享和数据挖掘，能更好地了解用户需求，进行业务创新，同时改善与客户之间的交互、增加用户粘性，不断增强银行业务核心竞争力。
作为更了解金融业务的云服务，金融行业云解决方案已经在为多家银行、证券、保险及互联网金融机构提供安全可靠的IT基础设施、大数据分析、人工智能及百度生态支持等服务，并通过人工智能、安全防护、智能获客、大数据风控、IT系统、支付等六大技术能力给合作伙伴赋能。
