大数据等同于数据仓库吗？
如前所述，商业银行是否具备大数据能力，应依据数据及数据分析系统所发挥的具体效用来判断。以“显著提升数据分析和商业决策的效率”，“显著提高对客户的理解与认知能力”，“低成本、批量地实现较高水准的个性化客户服务”三条标准来衡量，目前商业银行数据仓库建设还需在以下几个方面加以强化。
建设异构的数据仓库平台。多年来，商业银行的数据仓库以存储业务、交易数据为主，因此采购了存储成本较高的专业数据仓库服务，数据在进入仓库之前的ETL规则相对比较严格，并采用了“时间换空间”的策略进行主题拆分以节约存储空间，这就导致在执行诸如交易链恢复、交易场景还原等分析任务时消耗较高的计算资源，降低整体的分析效率。与用户行为数据紧密相关的日志数据，具有典型的“数据量大、频度高但价值密度低”的特点，可针对这一需求，搭建低成本的PC集群、内存数据库等，与既有的数据仓库融合起来，构成对数据源和分析端透明的异构数据仓库，提高其响应速度和处理能力。
搭建业务指标提取逻辑的共享平台。目前商业银行基础数据的标准化工作已经取得了长足的进展，但在实际应用中，尚存在“业务逻辑信息孤岛”现象（即由于缺乏一个共享平台，而造成不同的分析师之间无法互通业务指标的提取逻辑，每个分析师、每个数据分析部门就形成了一座座孤岛）。这一现象不仅造成业务指标“多态”问题，也诱发了数据仓库访问请求的重复提交，影响数据分析的效率和准确性，因此需尽快搭建权限控制合理的业务指标提取逻辑分享平台，解决“业务逻辑信息孤岛”问题。
建立由信息治理部门主导、以业务部门为中心的大数据创新立项机制。大数据应用要求尽量压缩数据分析业务链条，进一步提高具体业务与数据分析环节结合的紧密程度，对此，可以探索建立由信息治理部门主导、以业务部门为中心的大数据创新立项机制。简言之，就是将数据分析师融入具体业务部门，由数据分析师和具体业务部门共同发起大数据应用的创新项目立项，经信息治理部门审批后，给予相应的计算资源，并依据数据应用项目在具体业务中产生的效果进行评估和激励。
大数据只需要海杜普平台吗？
Apache 软件基金会（ASF）旗下的海杜普（Hadoop）开源项目对于大数据应用无疑有着巨大的推动作用，基于Hadoop的HDFS系统也是目前主流大数据平台的重要基础设施，那么是不是有了Hadoop平台，商业银行就拥有了大数据处理能力了呢？
首先，从软硬件平台的完备性来看，还需持续投入，配置更多的软件模块，以提升大数据分析平台的能力。Hadoop只是大数据分析平台的基础设施，除了基于Hadoop及Yarn的Hive、HBase、Pig、Storm之外，mahout、Hadoop-R、Hadoop-weka等数据分析、数据挖掘套件对于大数据分析也是必不可少的，另外速度更快、性能更高的Spark体系也在互联网企业获得了成功的应用，值得商业银行关注和借鉴。
其次，从数据的来源来看，还需改造前端，以获取更多维度、更高频次、更细粒度的数据。商业银行的数据分析系统长期以来重视业务数据的存储，而对于系统运行状态的日志、客户个人信息的收集并不重视，而这些信息恰恰是大数据分析得以理解客户、排查业务问题的关键所在。因此，商业银行需要系统性地进行应用前端改造，借鉴互联网企业、电商企业的做法，设法获取更多维度、更高频次、更细粒度的数据，更好地满足大数据分析对数据源的需求。
最后，从项目的执行过程来看，还须形成“数据分析+业务应用”的数据分析模式，以迭代方式优化分析结果和具体业务。传统的BI模式下，数据分析的业务流程可以概括为：接受业务部门提出的分析需求=>数据分析=>形成报告。而大数据分析的很多项目需要数据分析师与业务人员一起进行持续迭代，有的项目甚至很难确立一个明确的终止时间点（例如电商的推荐系统一般由一个团队持续优化），这就需要商业银行能够允许在特定的大数据分析项目上，采取“数据分析+业务应用”的数据分析模式，以迭代方式优化分析结果和具体业务。
可见，Hadoop平台并不是商业银行具备大数据能力的充要条件，商业银行不仅需要在软硬件平台上持续投入，还需要在前端设计、数据分析模式等方面加以改造，才能更加适应大数据分析的要求。
大数据只是数据分析部门的事？
如前所述，大数据能力是以数据分析为基础的，融合商业决策、客户感知、个性化服务为一体的综合竞争力，因此，大数据能力建设就不应仅由数据分析部门来承担。
要从战略层面将大数据能力建设纳入发展规划。应做好顶层设计，把大数据能力建设与信息化银行建设结合起来，与线上线下一体化建设结合起来，与互联网金融发展战略结合起来，协同业务、渠道、科技、数据分析等多个部门，做好顶层设计和统筹规划，形成“全员大数据”的氛围，从数据源梳理、数据分析平台搭建、分析模式确立、外部数据交换规则等多个层次制定明确的方针与操作标准，加快大数据能力建设的进度。
要重视数据分析流程的效率提升。大数据分析的效用大小，很大程度上取决于数据的活性以及分析结果投入具体业务的速度，因此，要尽可能压缩传统BI的业务链条。可在电子渠道和自助渠道尽可能地实现数据采集与分析结果应用的一体化（例如，基于客户个性的产品关联推荐、基于场景的实时定价、自助设备界面个性化自适应等），也可在传统的BI领域中，应用大数据的处理模式，以高实时性的中间数据层为媒介，建立效率更高、实时性更强、管理者自定义程度更深的商业智能系统，实现商业报表的实时化、移动化、定制化。
要重视人才储备和技术积累。大数据技术的发展日新月异，数据的人才储备和技术积累却不能一蹴而就，需要相当力度的持续投入。人才储备方面，应本着“引进一批，培养一批，储备一批”的原则，引进一小批高层次技术人才，通过具体的项目实施，培养大量的存量技术人员，并通过面向高校和社会的大数据技术竞赛、资助开源社区等方式，形成广泛而有效的人才储备。技术积累方面，应按照“开放并包，为我所用”的思路，组成大数据预研团队，积极开展开源项目的筛选、验证、吸收工作，沿着“引入并消化大数据开源项目—资助大数据开源项目—提出并主导大数据开源项目”的路径，不断强化自身在大数据技术方面的优势，形成自身的核心竞争力。
【了解更多商业智能行业资讯，商业智能解决方案以及商业智能软件下载请访问FineBI商业智能官网www.finebi.com】