大数据培训教程大数据的来源和动机

BeInternetional大数据，盛名难负Agenda1.大数据的时代背景2.大数据时代的典型技术1.大数据的时代背景大数据浪潮兴起的主要脉络2008年9月，NATURE，“SPECIALS:BigData”12月，计算社区联盟，“BigDataComputing:CreatingRevolutionaryBreakthroughsinCommerce,Science,andSociety”2009年10月，ToyHey,“The4thParadigm:Data-IntensiveScienceDiscovery”2011年2月，SCIENCE，“SPECIALS:DealingwithData”5月，EMCWorld’2011,“CloudMeetsBigData”6月，麦肯锡，“BigData:TheNextFrontierforInnovation,competition,andproductivity”6月，IDC(SponsoredbyEMC)，“DIGTIALUNIVERSE:ExtractingValuefromChaos”2012年1月，达沃斯世界经济论坛，“BigData,BigImpact:NewPossibilitiesforInternationalDevelopment”3月，美国奥巴马政府，“BigDataResearchandDevelopmentInitiative”5月，联合国，“BigDataforDevelopment:ChallengesandOpportunities”美国政府的大数据计划具有很强烈的宣传符号色彩3月29日：奥巴马政府以“BigDataisaBigDeal”为题发布新闻。宣布投资2亿美元启动“大数据研究和发展计划”以图增强收集海量数据、分析萃取信息的能力。与工业界、大学研究界、非营利性机构与管理者一起利用大数据所创造的机会。5月23日：在TechCrunchDisrupt大会上，透露了5项将要颁布的重要联邦举措。其核心是政府开放数据计划，将政府数据和一些企业数据公开，以图改善美国人的生活方式，进而创造工作岗位。6个首先启动大数据计划的政府部门中，国家科学基金会的研究内容提到要“形成一个包含数学、统计基础和计算机算法的独特科学”，其他大多是应对挑战的数据工程类项目，如国防部高级技术研究局多尺度异常检测项目网络内部威胁项目INSIGHT(网络威胁自动识别)MachineReading项目Mind’sEys(机器视觉)项目VIRAT(军事图像分析与预警)XDATA(半结构化与非结构化数据的计算技术与软件工具)ObamaElectionTOPContributor麦肯锡的咨询报告比较系统的确立了大数据的概念更为深远的可能是“数据科学”的最终兴起Allthemodelsarewrong,andincreasinglyyoucansucceedwithoutthem.-FromPeterNorvig,GOOGLE2007年，已故图灵奖得主吉姆.格雷（JimGray）在他最后一次演讲中描绘了数据密集型科研“第四范式”（The4thParadigm）的愿景。即相对于试验科学（第一范式）、理论科学（第二范式）、计算科学（第三范式）而言。数据科学继承了统计学的很多东西。。。强调后见之明（hindsight）或预见（foresight）而非洞察（insight）强调相关关系（correlation）而非因果关系（causality）Correlationisenoughandtheendoftheory!*“DataScience”在字眼上最早由EMC提出。。。BigData是什么–用于承载所有的概念BigData的定义–盛名之下，其实难负广义的:大数据已经不再局限于技术领域。如今，大数据已成为一项业务上优先考虑的工作任务，因为它能够对全球整合经济时代的商务产生深远的影响。除了为应对长期存在的业务挑战提供解决方案之外，大数据还为流程、组织、整个行业、甚至社会本身的转型激发了许多新的方式。狭义的:BigData泛指数据集的大小，产生的速度和数据类型超过了通常的数据库，数据管理软件在限定的时间范围内所能获取，存储，管理和分析的范畴。这是一个相对的概念，不能从绝对意义上指明某一个数值来定义，而且这个相对的标准根据所处的行业和客户的不同千差万别市场曲线2.大数据时代的典型技术以GOOGLE为代表的互联网公司是大数据发展的始作俑者大数据可以说发轫于GOOGLE于2003年陆续发表的一些技术论文-“TheGoogleFileSystem”“MapReduce:SimplifiedDataProcessingonLargeCluster”“Bigtable:ADistributedStorageSystemforStructuredData”HDFS是GFS的开源实现Fackbook的HayStack解决了海量小文件（如图片）的存储问题NoSQL(NotOnlySQL)GOOGLE的BIGTABLEAMAZON的DYNAMOYAHOO的PNUTSACIDvsBASEBasicallyavailableSoftstateEventuallyconsistent以弱一致获取高可用基于SPANNER的混合型数据库F1(用于GOOGLE的广告系统)融合兼有了BIGTABLE的高扩展性与SQL数据库的可用性和功能性BigData的代表技术

AgileprovisioningElasticcomputepowerScalablestorageresources

Devicemanagement

andanalyticsGeolocationinformationSocialbusiness

interactions

Datastreamsanalysis

HighperformanceInfrastructure

Ultralowresponsetime

HorizontalscalabilityHadoopNoSQLStreaming

PureSQLandRDBMSapproach

BetterhorizontalscalabilitythantraditionalRDBMS

RelativelowhardwareinfrastructureMPPDBSQLOnHadoop数据库的扩展，延伸和增强是Hadoop技术在目前企业市场最迫切，最可行和可落地的需求Hadoop技术的可接受度是一个大问题MapReduce运算模式与以往的方式大相径庭，具有比较陡峭的学习曲线以Hadoop技术为平台的系统的设计，开发，实施，运维，优化对于企业来说是巨大的挑战SQL支持为大数据技术的落地打开了一扇大门成熟的社区和技术体系架构业界大量的数据依然是结构化数据Pre-ProcessingHubQuery-ableArchiveExploratoryAnalysisInformationIntegrationDataWarehouseStreamsReal-time

processingHadoopLandingzoneforalldataDataWarehouseHadoopCancombinewithunstructuredinformationDataWarehouse1231.海量数据集成预处理2.历史数据管理系统3.跨域探索性分析+ConsistencyAvailabilityTolerancetonetworkPartitionsCAPTheorem你只能最多同时具备两个方面分布式计算之MPPShared-Nothing架构演进共享磁盘例如：InformixXPSOracleRACDB2pureScaleDBSAN/共享磁盘DBDBDB网络SAN/FC完全共享例如：SMP服务器DB磁盘无共享例如：GreenplumDBDBDBDB网络磁盘磁盘磁盘磁盘MasterMPP注：蓝灰色表示共享资源动态数据的实时分析流数据结构或非结构化动态数据流流计算实时对流数据进行分析计算静态数据上的历史数据分析批处理模式查询驱动：静态数据提交查询依靠数据库，数据仓库传统计算模式流计算模式QueriesMemoryDiskUpdatesMemoryDiskEventDataQueriesAlertsActions流计算3.互联网和大数据环境下的金融实践这表明了什么?商业模式的差异是巨大的互联网所有的模式都是以客户中心，流量，入口，体验至上(真正的以人为本),有两个案例1.XX行的警告短信2.某欧洲企业的前台，对于人的尊重，对比其他国内企业传统行业怎么赚钱怎么卖怎么盈利互联网不懂传统行业这是劣势，也是优势(经验是一种桎梏，守成也许适用，但是开拓未必)传统行业门口的野蛮人整体趋势脱媒和转型是中国金融业当前和未来的重要经营主题。金融深化加剧金融脱媒效应，中国金融业面临转型和分化。互联网金融的快速崛起和迅猛发展带来金融脱媒和互联网脱媒的双重挑战。在这种背景下更新转型思金融重构价值链，是中国银行业的重要变革方向。互联网的本质是通过技术手段，解决了信息不对称的问题,解决了“沟通”的问题，一切仰赖于信息封闭与不对称产生超额利润的模式与行业都会收到冲击与挑战互联网法则一.

用户，个人用户，尤其是有黏合性的用户，基于社会、组织、商业活动关系构成的虚拟社区用户，自组织的有目的的群体用户二.赢者通吃三.分散合作+开放四.用户体验至上总则：信息对称、组织扁平、快速响应，互联网代表的是一种平民化思潮互联网为金融带来了什么极为低廉的交易成本(x86&Cloud)更有效的更快速的大数据分析方法(BigData&FastData)无组织的组织力量-极致与动态的个性群体(以客户为中心)新的自然垄断平台与生态环境(Unifiedplatform&Ecosystem)加上移动互联网之后更是如虎添翼，永远在线，模糊了线上线下的边界(Neveroffline)全新的商业模式和意识形态互联网金融环境下中国金融业面临的挑战除了数据本身的大规模增长以外，银行业面临的更大的挑战是大数据带来的业务挑战，这包括：微型企业贷款市场上，银行与互联网起家的小额贷款公司难以竞争；在互联网支付中，网银支付所占比重越来越低，这使得银行越来越难以知道客户的消费行为；互联网融资模式的出现，在未来可能会超过以银行为中心的间接融资和以交易所为中心的直接融资模式，这会使得银行逐渐被边缘化。所有这些挑战，本质上是因为银行对于客户的了解程度，数据的理解相对越来越弱数据量大PBLevel的挑战互联网化带来的灵活敏捷性挑战对于数据价值的认识与挖掘能力的挑战互联网金融的主要表现形式第三方支付平台支付宝，快捷支付，PayPal，square移动金融Orange+巴克莱，法国电信网+巴黎银行，中移动+浦发，M-PESA社交网络金融Facebook

F币，Twitter+PayPal

=

Twitpay网络融资平台P2P，众筹，阿里小贷，鲶乡小贷，余额宝以余额宝来分析产品特点有活期存款的流动性，收益远高于活期，不设最低门槛的货币基金建行的观察通过制度规避监管风险通过客户筛选控制市场风险借助大数据降低流动性风险(海量taobao数据的深度挖掘，支付宝支付规律，消费模式，实现实时流动性预估)建行的启示尽快推出类似产品强化“以客户为中心”的创新意识(用户想要什么样的理财产品)加大信息技术与银行经营管理的深度融合(复杂的流程通过技术自动化，简化)基于海量消费数据的动态定价能力是互联网金融的核心之一

风险的快速准确定价仰赖多源与维度的信息分析盈利

=

收益

–

坏账

–成本价格

&总贷款量

客户响应率

&平均贷款额

价格12价格总业务量1价格坏账率2赢利驱动成分收支平衡曲线逆向选择测试模型Price(APR%)9.812坏账率不断测试和学习Price营业利润TP0影响最优价格的其它因素:市场竞争经济状况Etc...TP1经济变好及竞争加剧TP2经济变坏未知的价格弹性价格降低LoanSize贷款量随价格降低而增加观察和分析Price最优定价CreditLossRate$LoanSizeResponseRateTP考虑费用因素Taobao基于大数据平台的数据运算与挖掘DataArchitectureofTaoBao-ForhugedatavolumeandhugetransactionHorizontalshardinginusercenterUserlogindata(90%log)andusermasterdata(10%log)areseparated,andstoredtodifferentdbclusters,OnlineandofflinedataisseparatedRead-writeseparationintradecenterChoosesuitablepartitionkeyRelievethereadbottleneckofmasterdb,scalereadnodesWriteonlyinonedatabaseforconsistency.DealwithcomplexquerySqlisfromcomplextosimpleMulti-tablejoin->complexqueryonsingletable->queryonprimarykeyRequestsPresentationSpringTradeCenter

ProductCenterCommentCenterUserCenterTairdistributedcacheDataAccessLayerHSFHorizontalshardinginusercenterread-writeseparationintradecenterCASE1CASE2CASE3AddsearchinproductcenterTFSTDDLSharddb,shardtableSupportsubsetofsql:joinisnotsupportednow.Limitedtransaction:notcrossdatabase,specialdatasourcesRead-writeseparationTairDistributedcacheTFSDistributedstorageformassive“small”file(<1M).HSFHighperformanceserviceframeworkforthecommunicationamongmodules业务模型?这是企业的隐私几乎所有的客户不愿意告诉其他人仰赖与对于业务的熟悉和创新仰赖于基于数据的建模数据标准和数据质量非常重要，并且是需要一开始就规划和建立的(大多数传统企业并不是这样)需要数据科学家数据分析人员数据建模人员模型开发人员4.成功/失败案例介绍典型场景与案例序号场景描述1历史数据管理系统/平台数据生命周期，全量数据存储与管理2全息信息库/渠道整合半结构化，非结构化数据与传统结构化数据仓库的融合库3日志分析管理平台针对运维，应用日志的存储，管理与挖掘4用户情感分析与挖掘文本处理，NLP5市场趋势与行情挖掘预测ML，业务建模大规模并行计算能力6高频实时交易分析内存计算，实时计算7历史回放/市场监管历史数据管理系统的变种…历史数据管理的现状与需求1.历史数据时间跨度长、数据量大，目前做法主要是从备份系统获取数据，操作周期长，数据恢复、提取过程复杂，对于部分历史数据，可能难以提供。2.随着历史数据的日益增长，历史数据管理应用己面临着数据备份恢复时间长、运维成本高、存储弹性扩展能力差、存储成本高、无法满足业务多维查询的问题；3.电子影像及文档服务平台则存在海量历史数据离线检索不便、数据备份恢复时间长的问题。同时，随着近年来业务的发展，产生了结构化数据与非结构化数据整合存储与联动查询的新需求。4.基于全量数据挖掘与建模的需求历史数据HDS能力需求序号能力描述1数据导入导出数据导入导出1.1数据导入从整合层和从数据服务层导入至历史数据平台，进行存储的能力1.2数据导出从历史数据平台导出至数据整合层和数据服务层的能力2数据查询两种不同类型的查询2.1简单查询基于单表或者两个表的简单在线查询，基于关键id或者时间段的查询，例如交易明细类查询2.2复杂查询多表连接查询，批量在/离线查询，支持多种查询谓词，多维报表类应用，分析类型查询，如审计，司法类查询3数据分析基于应用日志进行各种海量数据数据挖掘分析，客户行为分析，精准营销支持等4数据归档PB级别的历史数据存储，无需进行传统备份5低成本-高扩展基于x86平台，能够上千节点的扩展性应用场景描述序号项目S1交易明细查询S2外部，内部司法审计查询S3应用日志分析S4数据导入导出S5数据模型与挖掘应用场景1–历史交易明细查询

业务需求针对交易明细，放开给终端用户进行查询，面向普通用户和分行支持网银或者柜台进行在线查询，服务器响应时间要求为在线SLA或者异步方式针对特殊帐号，如taobao类海量交易帐号，可适当延长SLA具体查询类型用户帐号+查询时间段基于单表或者少量表连接应用场景2–司法与审计查询业务需求支持离线批量查询，查询类型多变，不固定格式有单独的审计数据库，如审计库无数据，需要在历史数据HDS中进行查询，或能导入至审计数据库针对特殊帐号，如taobao海量交易帐号，可适当延长SLA具体查询类型无具体类型ad-hoc查询应用场景3–应用日志分析业务需求支持离线批量查询和分析，查询类型多变，不固定格式基于应用程序日志等日志数据进行用户行为，用户偏好等客户化分析为精准营销进行服务来自外部的半结构化，非结构化数据存储与分析具体查询类型复杂查询，多表关联应用场景4–数据导入导出业务需求交易明细数据，加工后的数据，公共处理的数据，轻度加工汇总的数据以及其他各类数据的高速导入导出能力与其他各类源数据库的交互能力高性能，大吞吐量并行导入导出应用场景5–数据模型与挖掘业务需求海量历史交易数据的数据建模与挖掘，产生用户消费行为数据分析围绕以客户为中心的各类应用客户360视图客户细分客户生命周期管理宏观经济类面向互联网背景的业务探索已经展开：服务营销DDN专线连接一对一客户信息绑定（唯一识别）基本的功能账单、积分、额度。。。消费提醒（取代短信？）还款（微信支付？？？）信息推送（较少）未来LBS->想象空间太大语音->机器人客服几个数字3000千万持卡人已粉100万每年上亿条的短信费用呼叫中心成本技术性探索也已未雨绸缪：某商业银行案例（续）打通社会化大数据库，期待社会化数据内外通达如何把品牌价值透过网络杂音直击目标客户，并及时发现客户的需求做好精准服务是考验自身技术段位的如果把银行内部的客户号和新浪的微博号挂接起来，在一定程度上就可以做群体营销了。外部数据引入的动作很关键，把微博、QQ、邮箱等社交化的、能很快找到客户的方式能通达起来。跟传统的数据存储放一起，同等对待，建立一个更加立体丰富的数据库。基本信息、爱好信息、行为信息、分析信息互联网金融模式新浪微博开发平台上做了一个缴费应用——“V缴费”国外典型案例：摩根大通已经开始使用Hadoop技术以满足日益增多的用途，包括诈骗检验、IT风险管理和自助服务150PB在线存储数据、30,000个数据库和35亿个用户登录账号Hadoop能够存储大量非结构化数据，允许公司收集和存储Web日志、交易数据和社交媒体数据。数据被汇集至一个通用平台，以方便以客户为中心的数据挖掘与数据分析工具的使用。BankingSolutionsTreeImproveCompanyPerformanceCustomerIdentificationCustomerAttractionCustomerRetentionCustomerDevelopmentEntityResolutionTargetCustomerAnalysisEconomicValueAddCustomerSegmentationLook-a-likeModelingOfferOptimizationNetLift/UpliftModelingChurnPredictionCustomerLifetimeValueSentimentAnalysisLoyaltyModelingComplaintsManagementCustomerProfilingUpSell/CrossSellOptimizationMarketBasketAnalysisPropensityModelingOperationsPlanningAdministrative/GeneralFacilitiesManagementIT/SecurityAnalyticsCostAnalysisDecisionSupportBusinessForecastingEventSimulationWorkforceAnalyticsEmployeeChurnEmployeeUtilizationMarketingServices/ProductsManagementConsumerCreditModelingRiskScorecardSpendAnalysisChannelPreferenceProductOptimizationAssetAllocationAnalysisCommercial/BusinessRiskandExposureAnalysisRetirementBenefitsAnalyticsTreasuryManagementAssetManagementModelingGeneralEconomicForecastingPricingStrategiesPortfolioOptimizationRegulatoryAdherenceAnalysisPhase1Phase2Phase3IncreaseSpendEfficiencyCampaignAnalyticsTradePromotionModelingMarketingMixModelingIncreaseCustomerAcquisitionCustomerSegmentationChurnPrediction,LoyaltyProgramAnalytics&TargetingCustomerLifetimeValueCustomerSegmentationSiteSelectionDigitalPresence&SocialMediaAnalyticsCrossChannelCustomerViewIncreaseBasketSizeCorrelationAnalysisAffinityAnalysisCross-sell/Upsell&NBO©Copyright2012EMCCorporation.Allrightsreserved.53发展方向建议-样例5.超越大数据，发展与展望金融服务业“大数据”发展的10大趋势（Sungard）对更大的历史数据集的需要新的监管和合规要求更加深入的数据分析自身风险管理框架的完善对风险可审性与管理强度的要求利用更多服务交付渠道带来的更多数据及其分析需求市场中对数据处理基础设施的大量投资帮助金融服务业充分掌握数据价值、降低成本并发现套利需要重新设计ETL流程以适应数据扩展使用预测信用风险模型移动设备的普及要求处理和整合非结构化数据推动了对数据处理算法的需求风险管理数据集成分析&价值但最大的趋势可能是。。。金融业发展互联网金融和大数据的一些思考金融的客户数据和交易数据是大数据的重要组成部分，是进行金融互联化最大的宝藏之一外部/线上数据作为银行内部数据的补充，现阶段内部的客户行为数据和交易数据具有最大的价值大数据的技术架构不一定马上能够解决，重要的是大数据应用的理念金融机构的比较优势垄断性的线下能力金融专业能力强大的资本实力和雄厚的客户资源积累了非常多的客户资金数据当前金融业从事互联网金融和大数据的几大缺陷战略上重视度不够，资源投入不足，缺乏有效的基础架构支持内部管理中互联网文化与传统银行文化存在冲突商业模式上对互联网精神尊重不足银行创设的平台较为封闭，银行服务反而是短板大数据人才(基础架构人才，应用开发人才，大数据分析人才)的缺乏。为什么大数据现在在国内叫好不叫座深层次的原因，数据化，量化管理和决策与我们的文化与习惯不太契合案例:一个做BI和前端展现的朋友和我讲的一个企业老总的故事,数据裁剪不分缘由的问责制，缺乏支持创新的文化和氛围现有的基础架构是面向功能性的，而不是面向主题和客户，导致数据的不一致性，质量问题和集成性问题。具有政治壁垒属性技术的成熟度，最后一公里的实现缺乏相应的技术人才，咨询人才和业务人才能够实施和运维的基础技术人才–不多将业务问题转换为大数据架构上的模型的咨询人才–非常少运用新的技术力量提供的能力优化业务模型的业务人才–几乎没有互联网企业的比较优势创新基因更符合互联网精神的企业文化监管套利平台竞争方面的先发优势如何将推进大数据技术在传统企业落地

BigData需要仰赖一个可扩展的基础架构和大数据团队2BigData的应用需要在一开始就找准可度量的业务价值5围绕推进以客户为中心的创新1BigData要真正发挥力量需要依靠先进的分析技术4最初的努力需要着重于内部已有数据的利用和挖掘3实验精神和试错精神-Readytofail!6大数据的愿景我坚定的相信，如果传统的行业，金融，电信，医疗，政府与公共事业等等，能够善加利用和挖掘数据的宝藏一定会给人民群众带来更多的惊喜，便利，大幅的提高客户的满意度和生活的幸福感。如同目前的互联网企业一样对于企业的影响我的建议IT和业务部门需要能够识别，利用大数据处理技术来给实际的业务，商业和企业发展以巨大的帮助CIO和IT领袖需要开始投入资源，或者使用一个实际的业务项目来演练大数据技术，锻炼整个相关的团队IT部门将要全面的支持大数据的方案，并且这种支持并不是暂时，而是长远的在进行技术路线或基础设施规划时，需要考虑投入适当的预算，人力和项目来应对大数据的挑战企业的数据仓库和数据集市面临巨大的变革来迎接大数据的时代，或者面临被淘汰的危险考虑使用新兴的大数据技术架构或适合于本行业的大数据方案来扩展和延伸当前的企业数据仓库商业分析人员在使用大数据处理技术对业务提供指导必须要谨慎的考虑数据的真实性和分析结果的可信度以及数据隐私，否者会对商业产生不可估量的损害上线试点项目或者系统，持续收集反馈信息，积累经验，与成熟的有经验的厂商进行合作，确保整体规划方向正确，确保初创项目得到最好的咨询和实施服务大数据技术未来的热点方向大数据时代的信息隐私保护–用户偏好与客户把握与隐私保护为天然的矛盾少数派报告关于一切数字化后，人类无处遁寻的灾难，信息隐私保护的问题，对于再无隐秘可言的担心。人们会被预测将要犯罪而被逮捕。黑镜子第三季关于虚拟人生的探讨基于大数据的建模预测分析技术[真正带来价值的部分]统计学习,机器学习DeepLearning图片视频等非结构化数据的实时分析[非结构化数据的处理]中文文本的语义级别信息挖掘[NLP,智能问答系统]冬天能穿多少穿多少，夏天能穿多少穿多少。。。StaticwebsiteWebfrontendUserDBQueueAnalyticsDBBackgroundworkersAPIendpointnginx1.5+modsecurity+openssl+bootstrap2postgresql+pgv8+v8hadoop+hive+thrift+OpenJDKRuby+Rails+sass+UnicornRedis+redis-sentinelPython3.0+celery+pyredis+libcurl+ffmpeg+libopencv+nodejs+phantomjsPython2.7+Flask+pyredis+celery+psycopg+postgresql-clientDevelopmentVMQAserverPublicCloudDisasterrecoveryContributor’slaptopProductionServersMultiplicityofStacksMultiplicityofhardwareenvironmentsProductionClusterCustomerDataCenterDoservicesandappsinteractappropriately?CanImigratesmoothlyandquickly?目前传统IT架构-非互联网化架构日益受到的挑战超越大数据,大数据已是过去时!Software-DefinedDatacenterNewData-fabricsTheSoftwareDefinedDataCenterNewExperiencesNewBizModelspioneeredbynewConsumer

InternetgiantsInternet-of-thingsPervasivetelemetryMainframeClient-Server&WebCLOUDERAOperateatScaleinahighlyautomatedwayAWSVMW...ETC超越大数据-云时代的新平台建议NextGenerationPlatform大数据快数据快速迭代开发与集成FromVMwareFromEMCIaaS云抽象化与应用自动部署扩容与运维新一代金融的IT服务层次

以云服务为基础，以数据为核心，以分析为手段基础云服务数据云服务应用云服务“整合”–互联网基础设施化，建立互联网基础设施云服务平台，提供支撑互联网银行的IT基础设施“创新”–以渠道拓展和风控加强两个层面为基础，去进行业务、服务、营销和服务创新，提升业务“关键”–扎实的数据服务基础和云服务能力是支撑互联网银行各服务正常和低风险运转的重要保障新一代金融的IT服务细化

数据的核心价值数据处理融合大数据的数据仓库数据服务数据管控业务创新渠道创新互联网、移动、自助等营销创新整合创新基础设施接入和虚拟化管理存储服务器网络关键客户账户交易数据操作系统风控创新以数据为核心竞争力服务创新基础云服务数据云服务应用云服务...ETC支持开放标准并与开源有效互动以数据为中心不与特定云平台绑定,方便灵活部署针对企业的需求针对开发者的需求3个平台无缝集成1.应用虚拟化平台，支持多种IaaS2.数据中心平台3.应用开发与服务平台可伸缩的存储和计算: