大央企信托主動管理—傳統(tǒng)融資類—紙質合同—雙錄簡單
 交易對手首次信托融資，擔保人為520億AA+公募發(fā)債主體，強擔保錄入人行征信系統(tǒng)
 財政自給率高達120%的國家級高新區(qū)，多家上市公司入駐，戰(zhàn)略定位極高
【大央企信托—56號淄博高新集合信托計劃】
【要素】3億，24月，自然季度付息，資金用于向淄博高新產投發(fā)放流動資金貸款（上征信）
【稅后收益】：100-300萬7.2%；300萬及以上7.3%；
【項目亮點】
 國家級高新區(qū)，區(qū)域內多家上市公司入駐，2021年公共預算收入近50億，稅收收入同比增長21.45%，財政自給率高達120%，財政狀況健康
 首次信托融資，交易對手覆蓋區(qū)域內第一大平臺，總資產520億，AA+公募發(fā)債主體
 淄博市是山東省地級市，國務院批復確定的山東省區(qū)域性中心城市、現(xiàn)代工業(yè)城市，2021年GDP4200億元，一般預算收入370億元，同比增速14.75%位列全省第三。

---

其他優(yōu)質項目推薦：
【新手入門：股票k線圖基礎知識 K線圖怎么看】
　　股票K線圖基本知識包括K線的定義、陰線陽線、上下影線，以及移動平均線系統(tǒng)等等。剛踏入股市的朋友，先了解這些股票基本知識很有必要。而K線圖只是非常簡單的入門級知識，學會了這些K線知識，才能為后續(xù)掌握股票技術分析知識打好基礎。那么股票K線圖基礎知識有哪些？下文略長，愿意學習的朋友請耐心看完。 　　股票k線圖基礎知識 　　股票k線圖基礎知識：K線 　　K線是指股票走勢中的K線圖，K線又稱蠟燭圖。一根日K線，表示一個交易日的個股或大盤的股票行情。K線陽線表示該時段中收盤價高于開盤價，陰線表示收盤價低于開盤價，上影線頂部與下影線底部反映該時段中的最高、最低價。根據(jù)開盤價、收盤價、最高價以及最低價之間的不同情況，陰線和陽線會呈現(xiàn)不同的形態(tài)。 　　通過K線圖，我們能夠把每日或某一周期的股票市場狀況和表現(xiàn)完全記錄下來，股價經過一段時間的盤檔后，在圖上即形成一種特殊區(qū)域或形態(tài)，不同的形態(tài)顯示出不同意義。 　　股票k線圖基礎知識：陽線陰線 　　一般來說，陽線說明買方的力量強過賣方。陽線越長，說明多方力量勝過空方越多，后市繼續(xù)走強的可能性就越大。相反，若是收成陰線表示賣方力量強過買方力量，陰線越長，說明空方力量勝過多方越多，后市走弱的可能性就越大。 　　股票k線圖基礎知識：上影線和下影線 　　不帶上、下影線的K線為光頭光腳的K線，這在股市上比較少見。它說明股市從開市到收市一路走高（或走低），后市自然一般將繼續(xù)沿此方向前進。與此類似的是光頭陽線和光腳陰線，至少說明了收市前一方占了絕對優(yōu)勢，第二天繼續(xù)占優(yōu)的可能性極大。 　　如果說不帶影線的K線說明一方占了絕對壓倒優(yōu)勢，上、下影線的長度則說明了多、空雙方斗爭激烈的程度，影線越長，斗爭越激烈。這時須將實體與影線結合起來看。陽線帶上影線，說明多方勝利得來不易，雖然暫時取得勝利，繼續(xù)上升有困難。陽線帶下影線，說明多方雖然企圖上升，但以空方的勝利而告終。自然后市下降的可能性大。陰線帶下影線，說明賣方勢力在減弱，雖然買方末能戰(zhàn)勝賣方，但再下跌已可能性不大。自然還需比較影線與實體的長短，上影線、實體、下影線中哪一段越長，則其影響就越大。小陽線和小陰線的影響就不如大陽線和大陰線的影響來得大。

民生銀行大數(shù)據(jù)體系架構設計與演進
　　一、大數(shù)據(jù)簡介 　　大數(shù)據(jù)起源于互聯(lián)網(wǎng)，在2003年左右由Google發(fā)布GFS和MapReduce論文為節(jié)點拉開了新技術應用的序幕，介紹了一種利用普通PC服務器構建大規(guī)模分布式系統(tǒng)，來解決海量數(shù)據(jù)的存儲和計算問題。在此論文基礎上發(fā)展出來的Hadoop開源體系逐步成為海量數(shù)據(jù)處理的一種通用技術框架。2008年左右Hadoop技術被廣泛的使用在各個互聯(lián)網(wǎng)企業(yè)中，極大的推進Hadoop技術體系的成熟，隨著早期Single Point of Failure問題被解決，在MAP-REDUCE兩階段的計算模式上，誕生了更豐富的Spark、Flink等計算框架。2013年左右批量數(shù)據(jù)的計算模式逐步成熟，在需求的推動下互聯(lián)網(wǎng)開始進一步的攻堅實時數(shù)據(jù)計算領域。同年部分銀行開始嘗試引入Hadoop大數(shù)據(jù)技術。民生銀行作為銀行業(yè)第一批，在2013年從互聯(lián)網(wǎng)引入了大數(shù)據(jù)專業(yè)才人，啟動了Hadoop大數(shù)據(jù)體系化的建設。 　　新技術的應用首要是解決問題，提高數(shù)據(jù)使用的效率，降低數(shù)據(jù)使用成本，最終推動業(yè)務數(shù)字化、智能化轉型。在大數(shù)據(jù)體系化規(guī)劃下，以服務用戶為目標，以解決問題為抓手逐步推動大數(shù)據(jù)技術落地。民生銀行大數(shù)據(jù)整體規(guī)劃如下圖： 　　圖1 大數(shù)據(jù)平臺體系規(guī)劃 　　在整個規(guī)劃的指導下，按照不同階段的主力需求，民生銀行大數(shù)據(jù)建設可以簡單分為三個階段： 　　第一個階段是面向客戶的在線存儲查詢階段： 　　銀行有很多面向客戶的數(shù)據(jù)，數(shù)據(jù)積累非?？煲卜浅６?，以流水數(shù)據(jù)為例，為了保證系統(tǒng)服務質量，通常是縮短可查詢的周期，依托大數(shù)據(jù)的海量數(shù)據(jù)存儲能力，基于分布式體系構建了歷史數(shù)據(jù)管理平臺來滿足業(yè)務場景中海量數(shù)據(jù)的存儲和查詢服務需求。 　　第二個階段是離線的批量數(shù)據(jù)計算及智能數(shù)據(jù)分析階段： 　　在2015年全面啟動鳳凰計劃建設后，各領域系統(tǒng)性的梳理了業(yè)務戰(zhàn)略和實施策略，配合鳳凰計劃中數(shù)字化戰(zhàn)略的落地，業(yè)務流程和模式中涌現(xiàn)出大量的批量數(shù)據(jù)加工計算和結果數(shù)據(jù)服務的應用場景。在這個階段根據(jù)數(shù)據(jù)流轉周期和服務場景，結合整體的數(shù)據(jù)管控需求，建立了企業(yè)級數(shù)據(jù)開發(fā)模型，逐步推動和完善了全行統(tǒng)一的數(shù)據(jù)服務中臺，先后為數(shù)十個業(yè)務場景提供數(shù)據(jù)支持。同時隨著數(shù)據(jù)中臺的成熟，原始數(shù)據(jù)的積累，基于數(shù)據(jù)的機器學習人工智能分析等場景逐步涌現(xiàn)，為了降低新技術的使用門檻，快速迭代場景下的機器學習算法模型，在這個階段同步建設了可視化的機器學習平臺，對接數(shù)據(jù)中臺，為個性化推薦、風險預警及運營多個領域內的細分場景提供服務能力輸出。 　　第三個階段是全面推動在線實時數(shù)據(jù)計算及分析階段： 　　隨著批量數(shù)據(jù)體系的成熟，業(yè)務場景對實時數(shù)據(jù)的需求迅速涌現(xiàn)，我行科技啟動了全面的實時數(shù)據(jù)體系建設，對實時風控和實時事件驅動的營銷和運營形成了全面的支撐。 　　通過三個階段，在支撐業(yè)務應用場景發(fā)展的同時，目前平臺層面已初步完成如下幾大平臺建設： 　　·數(shù)據(jù)采集分析平臺 　　·Hadoop數(shù)據(jù)加工整合平臺 　　·可視化機器學習平臺 　　·實時推薦引擎 　　·數(shù)據(jù)開放平臺 　　圖2 大數(shù)據(jù)主要平臺視圖 　　在數(shù)據(jù)采集層通過行為數(shù)據(jù)平臺和外部數(shù)據(jù)平臺，豐富了整個數(shù)據(jù)體系。通過數(shù)據(jù)整合平臺（DC），打通以用戶為中心的全維度的數(shù)據(jù)視圖，為后續(xù)的機器學習和人工智能應用提供了可行的數(shù)據(jù)基礎，通過可視化的機器學習平臺完成數(shù)據(jù)與算法的結合，由數(shù)據(jù)服務層統(tǒng)一管控輸出。 　　目前隨著大數(shù)據(jù)多個平臺的建設，為我行多個戰(zhàn)略級項目提供了全面的底層數(shù)據(jù)和模型能力輸出，包括支持了鳳凰計劃項目指南針預警項目、數(shù)據(jù)化平臺型授信決策變革項目、運營風險監(jiān)控體系項目、新一代零售信貸體系、村鎮(zhèn)銀行等多個項目的建設。 　　二、數(shù)據(jù)采集平臺 　　背景及目標 　　銀行在過去的信息化建設中，更多的注重是交易數(shù)據(jù)的積累，對用戶的使用偏好、瀏覽點擊行為、停留時間等行為層面的數(shù)據(jù)較少涉及。隨著大數(shù)據(jù)的發(fā)展，通過對用戶數(shù)據(jù)的收集，整合，分析，挖掘，能夠很好的對用戶是誰，用戶從哪來，要到哪里去等問題進行定義和解析。在交易數(shù)據(jù)的基礎上，對用戶行為數(shù)據(jù)和外部數(shù)據(jù)進行補充建設，有了這些數(shù)據(jù)，首先可以在我行的APP、網(wǎng)站以及ATM等與用戶密切相關的場景里，提供更貼心，更優(yōu)質的服務；其次對公司內部各個金融業(yè)務產品用戶體驗優(yōu)化等方向上提供用戶數(shù)據(jù)反饋支撐。 　　行為數(shù)據(jù)采集及分析 　　圖3 行為數(shù)據(jù)平臺 　　從行為數(shù)據(jù)的采集、數(shù)據(jù)分析整合及數(shù)據(jù)應用三個方面統(tǒng)籌進行規(guī)劃和設計，完成了行為數(shù)據(jù)平臺（GD）的建設。數(shù)據(jù)采集部分作為整個項目的數(shù)據(jù)來源層，完成對用戶產生的原始行為數(shù)據(jù)的收集和存儲。數(shù)據(jù)分析部分作為GD的中間層，對收集來的用戶行為數(shù)據(jù)進行統(tǒng)計分析，大致可以得到三類數(shù)據(jù)，一類是反應應用整體運營情況的指標數(shù)據(jù)，第二類是反應用戶行為軌跡、地理位置軌跡等的用戶生命周期數(shù)據(jù)，還有一類是標識每一個微觀用戶的標簽數(shù)據(jù)。數(shù)據(jù)應用部分作為GD對外展示和服務層，一方面為實時推薦、精準營銷等應用提供數(shù)據(jù)支持，一方面通過后臺管理系統(tǒng)，供應用運營方進行查看。 　　在數(shù)據(jù)采集層通過構建采集客戶端SDK，嵌入我行統(tǒng)一的移動開發(fā)框架Firefly以及前端開發(fā)框架Apollo中，結合無碼采集的技術能力運用，使得我行所有基于同一框架開發(fā)的移動端APP和Web網(wǎng)站天然具備用戶行為數(shù)據(jù)采集和分析的能力。 　　行為數(shù)據(jù)平臺自2015年上線到現(xiàn)在為止，已經接入了手機銀行、直銷銀行、樂收銀及客戶化運營等民生銀行大部分APP應用，對這些應用中的用戶的行為數(shù)據(jù)進行采集，2017年又增加了對網(wǎng)頁端行為數(shù)據(jù)采集的功能。目前每天采集的數(shù)據(jù)超過千萬條，累積的行為數(shù)據(jù)已經達到數(shù)十億條，通過大數(shù)據(jù)分析技術，對采集到的數(shù)據(jù)進行了報表統(tǒng)計和分析，已得到五類的統(tǒng)計報表數(shù)據(jù)，包括應用中用戶的新增數(shù)目、活躍數(shù)目、累計數(shù)目及用戶的設備分布、地域分布、操作系統(tǒng)、留存情況、用戶瀏覽時長統(tǒng)計、點擊事件統(tǒng)計及應用的錯誤統(tǒng)計等，目前進一步的在推動行為數(shù)據(jù)對營銷和風控的實時數(shù)據(jù)補充。 　　外部數(shù)據(jù)采集及分析 　　圖4 外部數(shù)據(jù)平臺 　　在啟動外部數(shù)據(jù)平臺建設之前，我行外部數(shù)據(jù)由各業(yè)務條線獨立規(guī)劃實施，各個技術團隊建設了自己業(yè)務領域內的外部數(shù)據(jù)鏈路及服務，形成了“煙囪”式的數(shù)據(jù)加工服務模式。隨著Hadoop大數(shù)據(jù)平臺的推進，2016年在統(tǒng)一外部數(shù)據(jù)管理及使用的思想下，啟動了外部數(shù)據(jù)平臺的建設，核心定位在于：負責所有外部數(shù)據(jù)的統(tǒng)一存儲、統(tǒng)一加工以及統(tǒng)一的查詢服務，要求支持海量的結構化、非結構化外部數(shù)據(jù)的引入分析能力。 　　外部數(shù)據(jù)平臺OMDS于2016年9月完成上線，目前已經整合接入包括征信、工商、法院、公安、千里眼、百度、銀聯(lián)、世聯(lián)評估、行業(yè)分析、萬德財報等約二十種外部數(shù)據(jù)的統(tǒng)一管控和服務。 　　三、配置化的數(shù)據(jù)加工整合平臺 　　背景及目標 　　Hadoop數(shù)據(jù)整合平臺（DC）在行內大數(shù)據(jù)體系中承擔著承上啟下的角色，匯集各渠道的數(shù)據(jù)到大數(shù)據(jù)平臺，經過統(tǒng)一清洗、加工、治理，進而向上游應用提供服務，從后臺走到中臺，直接、快速地向應用系統(tǒng)提供數(shù)據(jù)服務和大數(shù)據(jù)能力，發(fā)揮數(shù)據(jù)內在的威力。數(shù)據(jù)的獲取并不是目的，如何利用大數(shù)據(jù)平臺技術，實現(xiàn)數(shù)據(jù)的管理和信息的加工提煉，并對上游系統(tǒng)提供各類數(shù)據(jù)支支持。針對這些問題和挑戰(zhàn)，DC從數(shù)據(jù)和技術兩個方面著手對平臺進行構建。 　　數(shù)據(jù)層次 　　圖5 DC數(shù)據(jù)層次 　　為方便數(shù)據(jù)的管理、加工和使用，DC將數(shù)據(jù)進行了分層：近源層和共性加工層，其中近源層為來自于MDS、OMDS、GD和EDW的原始數(shù)據(jù)，包含行內數(shù)據(jù)、外部數(shù)據(jù)、行為數(shù)據(jù)、分行數(shù)據(jù)和數(shù)倉數(shù)據(jù)。 　　近源層數(shù)據(jù)經過關聯(lián)、匯總和分析之后，針對上游應用的需求，進行數(shù)據(jù)共性加工，包括流水加工、應用統(tǒng)計、指標加工、標簽計算、風險領域和運營領域。 　　通過OpenFile（批量文件服務）實現(xiàn)數(shù)據(jù)的訂閱管理，提供了近源層、共性加工層等數(shù)據(jù)的查看、訂閱功能。 　　技術架構 　　基于上述數(shù)據(jù)架構及應用需求，DC從數(shù)據(jù)處理、任務調度、數(shù)據(jù)管理和開發(fā)輔助四塊進行平臺的建設，技術架構如下圖： 　　圖6 DC技術架構圖 　　1.數(shù)據(jù)處理體系 　　數(shù)據(jù)的存儲、計算和分析為基于Hadoop生態(tài)體系，包括Hadoop、Spark、Inceptor、HBase等分布式計算及存儲框架，來完成數(shù)據(jù)的存儲、計算、分析整個生命周期。 　　數(shù)據(jù)處理自下到上包含數(shù)據(jù)獲取RouterIn、數(shù)據(jù)清洗(DataClean)、共性加工(SparkSql/Inceptor Sql)和批量數(shù)據(jù)訪問服務OpenFile。 　　通過Router實現(xiàn)不同數(shù)據(jù)平臺間的數(shù)據(jù)交互，屏蔽平臺間的差異，配置化開發(fā)，提升了開發(fā)效率，降低了人為失誤導致的問題，實現(xiàn)了數(shù)據(jù)的快速接入和分發(fā)。 　　基于Inceptor和SparkSql設計開發(fā)了數(shù)據(jù)共性加工模塊DcCore和Dispose，實現(xiàn)了數(shù)據(jù)的快速加工，并支持模板式的配置開發(fā)，有效提升了共性加工的開發(fā)效率。 　　2.任務調度體系 　　為實現(xiàn)調度批次輕量化，精細化數(shù)據(jù)依賴，避免批次等待，通過任務組織模塊化，來實現(xiàn)作業(yè)調度的導出與上線。 　　系統(tǒng)間的調度通過CPS，實現(xiàn)批量作業(yè)執(zhí)行，系統(tǒng)內部調度通過moia聯(lián)動，可支持更小粒度的作業(yè)調度，實現(xiàn)了作業(yè)調試的效率和靈活。 　　3.開發(fā)輔助體系 　　開發(fā)人員需要對數(shù)據(jù)處理及任務調度單獨開發(fā)一系列的代碼和配置文件，人為操作不僅效率低，而且易出錯。通過輔助開發(fā)工具，可根據(jù)每個模塊的規(guī)范，自動生成代碼及配置文件，并提供可視化界面，提升開發(fā)效率，降低成本和風險。 　　支持的功能分為自動化創(chuàng)建、自動化校驗、調度管理、模型管理和元數(shù)據(jù)管理。 　　4.數(shù)據(jù)管理體系 　　數(shù)據(jù)管理體系建設目的是為了降低運維成本，對源數(shù)據(jù)、加工數(shù)據(jù)、數(shù)據(jù)質量、作業(yè)運行進行統(tǒng)計分析，分析結果通過Web頁面展示以方便對系統(tǒng)及數(shù)據(jù)的查看管理，并對于重要信息進行監(jiān)控告警，其核心模塊包括信息采集模塊、數(shù)據(jù)質量管理、系統(tǒng)運行分析和監(jiān)控告警。 　　DC的構建在民生銀行中起到承上啟下的作用，匯集了各渠道的數(shù)據(jù)，經過統(tǒng)一清洗、關聯(lián)整合，并對數(shù)據(jù)進行深層的分析挖掘，進而向上游應用提供服務，從后臺走到中臺，直接、快速地向應用系統(tǒng)提供數(shù)據(jù)服務和大數(shù)據(jù)能力，發(fā)揮數(shù)據(jù)內在的威力。目前DC系統(tǒng)管理了近源數(shù)據(jù)5000余項、共性加工數(shù)據(jù)800余項，為包括風險領域、運營領域、移動互聯(lián)領域等8個領域，20余個系統(tǒng)，50余個場景提供數(shù)據(jù)或計算支持。 　　四、在線機器學習平臺 　　背景及目標 　　目前的機器學習技術，尤其是智能算法，具有很高的技術門檻，需要頂級專業(yè)團隊的持續(xù)投入，每個項目單獨去關注技術的變化并落地代價太高。模型研發(fā)實踐亟需一個統(tǒng)一的機器學習平臺，用以規(guī)范模型開發(fā)流程，封裝和簡化各類算法的使用，支持多種多樣的數(shù)據(jù)預加工，提供和管理模型預測服務。最終滿足數(shù)據(jù)分析師、業(yè)務專家、軟件開發(fā)等不同角色的不同層次的模型研發(fā)實踐訴求。 　　機器學習平臺建設旨在： 　　·基于Hadoop技術棧的平臺型環(huán)境，提供業(yè)內最新的模型算法； 　　·基于Hadoop技術棧的分布式環(huán)境，支持超大規(guī)模的模型場景； 　　·為一般模型研究人員提供便捷的基于算子和工作流的圖形環(huán)境； 　　·為高階模型研究人員提供全面的基于編程的模型開發(fā)管理環(huán)境。 　　機器學習平臺要能夠適配各種已有的數(shù)據(jù)源，如傳統(tǒng)關系型數(shù)據(jù)庫，TeraData數(shù)據(jù)倉庫等，提供數(shù)據(jù)的各種可視化探索及建模挖掘；并能對數(shù)據(jù)和模型基于角色進行完善的權限管理；對于研究人員精心挑選調試而來的模型，平臺能夠將其一鍵部署為在線服務，將經驗數(shù)據(jù)及時轉化為對未來的精準預測能力。 　　圖7機器學習平臺功能架構圖 　　建設現(xiàn)狀 　　項目一期中建設了機器學習平臺系統(tǒng)核心模塊，覆蓋了模型研發(fā)的主要流程，主要分為調研平臺和預估服務兩大子模塊。海量樣本學習、高維特征分析處理和自動特征組合能力是其最大亮點，示意圖如下： 　　圖8 機器學習平臺系統(tǒng)基本示意圖 　　整個平臺主要通過網(wǎng)站交互式功能為用戶提供服務。模型生命周期內的幾個大的階段都已經封裝成算子的功能模塊，模型的研發(fā)過程就是在一塊“畫布”上，通過拖拽算子，串聯(lián)模型研發(fā)的各個階段，繪制創(chuàng)意藍圖。如下圖所示： 　　圖9 拖拽算子進行模型研發(fā) 　　對于訓練好的模型，平臺支持一鍵發(fā)布為在線預測服務。從研發(fā)到服務，不再需要龐雜的代碼與流程。只要對學習模型有概念，對于領域問題有好的創(chuàng)意。就能在拖拽之間，點選之后獲得一個高性能的，高可用的預測服務。就能實現(xiàn)業(yè)務決策的更加精確化、智能化。 　　典型案例 　　平臺目前對接了以下幾方面的應用： 　　運營風險監(jiān)控之可疑境外取現(xiàn) 　　運營風險監(jiān)控之可疑境外取現(xiàn)場景，通過機器學習方法分析已掌握的可疑取現(xiàn)行為特征，自動發(fā)現(xiàn)其中模式，從而更全面、更及時地發(fā)掘可疑取現(xiàn)賬號。經過頭腦風暴，我們抽取了銷卡/重開/換卡次數(shù)、開戶機構、交易地域/時段/頻率/金額、資金流入流出渠道/時間差、客戶基本信息等特征，精確率從~65%提升到了~90%，緩解了人工復核階段的開銷。 　　零售風險申請反欺詐評分實驗 　　結合信用風險和反欺詐兩方面，建立統(tǒng)一的小微反欺詐評分模型。期望通過機器學習平臺系統(tǒng)的新機器學習算法和高維特征處理能力使我行小微申請反欺詐評分模型的效果有比較明顯的提升和優(yōu)化，提高對信用風險和欺詐風險的識別能力。通過對到達1TB的征信、工商、設備和客戶基本信息加以聚合分析，抽取了800多特征字段，特征自動組合階段又發(fā)現(xiàn)了20多個高效特征，再結合平臺內置算法模型的AUC達到了0.9，KS值從0.xx提升到了0.yy。 　　五、智能化實時推薦引擎平臺 　　背景及目標 　　實時推薦引擎是我行大數(shù)據(jù)體系中面向應用場景建立的應用層面的通用智能引擎，該引擎將大數(shù)據(jù)基礎平臺的多種底層數(shù)據(jù)產出系統(tǒng)，包括標簽系統(tǒng)、機器學習平臺、大數(shù)據(jù)平臺及實時數(shù)據(jù)平臺，通過應用場景鏈接起來，構建了具備實時推薦能力的數(shù)據(jù)服務層。 　　實時推薦引擎的核心是實時數(shù)據(jù)處理體系以及機器學習推薦模型。實時推薦引擎的建設，為精細化的客群經營、個性化客戶服務提供了千人千面的支持，成為大數(shù)據(jù)能力落地、轉化為效益的重要環(huán)節(jié)。實時推薦建設的目標包括： 　　·構建在線推薦系統(tǒng)，建設提供各場景的實時推薦服務的基礎能力； 　　·打通用戶實時點擊行為鏈路，將實時數(shù)據(jù)結合到在線推薦服務中； 　　·打通機器學習平臺模型推薦結果，將模型結果數(shù)據(jù)融合到在線推薦服務中； 　　·抽象用戶、產品數(shù)據(jù)模式，建設推薦層面規(guī)則引擎，支持業(yè)務策略靈活配置，并支持融合在線實時行為推薦結果以及機器學習批量模型結果等數(shù)據(jù)。 　　系統(tǒng)架構 　　從技術上實時推薦引擎分為數(shù)據(jù)加工體系和數(shù)據(jù)服務體系兩部分，通過Redis層來將兩部分鏈接起來。 　　數(shù)據(jù)加工上涉及到后端多平臺上的數(shù)據(jù)加工，在通用類數(shù)據(jù)加工上，包括了通過數(shù)倉平臺建立的集市層數(shù)據(jù)加工以及DC平臺完成的行為和外部數(shù)據(jù)標簽加工。這部分加工的數(shù)據(jù)作為客戶的屬性數(shù)據(jù)，灌入到Redis中供引擎層快速查詢和過濾使用。同樣在后端數(shù)據(jù)加工上，還涉及到算法層面的數(shù)據(jù)加工，通過機器學習平臺完成客戶購買預測，將基于批量持有信息的計算結果，通過T-1每日批量的模式推入Reids作為推薦結果集的數(shù)據(jù)來源之一。 　　對于用戶實時點擊的數(shù)據(jù)，通過GD的行為數(shù)據(jù)采集，推送到實時數(shù)據(jù)處理平臺上，通過流式作業(yè)計算在線實時的相關性矩陣，將用戶的實時行為通過協(xié)同過濾算法體現(xiàn)到推薦結果中去。對于服務層，著重建設了核心的引擎（包括算法引擎和規(guī)則引擎），用戶訪問將觸發(fā)引擎訪問Redis對應模塊的數(shù)據(jù)，通過業(yè)務策略以及在線的算法對各推薦結果備選集進行篩選和排序，最終給出最適合的結果。 　　圖10 實時推薦引擎 　　典型案例 　　手機銀行理財產品推薦 　　當前手機銀行上推薦的理財是基于客戶資產、持倉以及在售理財產品信息，按照相應推薦規(guī)則計算得到，使用的數(shù)據(jù)維度少，靈活性較差。因此為了進一步為了提升客戶體驗，在手機銀行上實現(xiàn)個性化的理財推薦服務。 　　財富圈資訊推薦 　　以萬德的新聞資訊數(shù)據(jù)為基礎，依據(jù)客戶在我行的產品購買，交易行為以及上線之后的瀏覽行為等信息，推薦符合客戶投資、閱讀偏好的新聞資訊，并且在推薦過程中對新聞的價值作出簡要判斷，以對客戶形成簡要的投資支持。 　　六、數(shù)據(jù)開放平臺 　　背景及目標 　　如何實現(xiàn)大數(shù)據(jù)價值轉化是其中非常重要的課題，從當前數(shù)據(jù)應用的趨勢來看，一是越來越看重數(shù)據(jù)的時效性，從數(shù)據(jù)分析到數(shù)據(jù)提供，都要求從離線走向在線；二是注重場景化，要求數(shù)據(jù)能夠靈活和快速地適配各類應用場景。 　　為適應這樣的趨勢，大數(shù)據(jù)的服務層就必須設計相應的機制。場景化數(shù)據(jù)開放平臺從大數(shù)據(jù)服務的頂層設計出發(fā)，為統(tǒng)一服務出口，增強數(shù)據(jù)輸出規(guī)范，對外使用上提供統(tǒng)一的API服務網(wǎng)關，提供服務流量的匯聚點，為數(shù)據(jù)服務模型服務的共享和迭代提供可能。 　　在數(shù)據(jù)開放平臺中，API是數(shù)據(jù)基礎。在各類數(shù)據(jù)規(guī)范的指引下，對數(shù)據(jù)進行分門別類，維度切分后，以在線API的方式提供包括數(shù)據(jù)接入、數(shù)據(jù)供給等各類服務，供各應用場景實時、組合式調用。通過統(tǒng)一的開放網(wǎng)關實現(xiàn)服務接入、發(fā)布、鑒權、訪問、統(tǒng)計和監(jiān)控，實現(xiàn)數(shù)據(jù)安全與管控。 　　功能架構 　　數(shù)據(jù)開放平臺整體上包含管理網(wǎng)站和網(wǎng)關系統(tǒng)兩部分。管理網(wǎng)站負責API的接入、發(fā)布、維護、監(jiān)控，訪問統(tǒng)計數(shù)據(jù)的展示和API的訪問申請審批。網(wǎng)關系統(tǒng)是訪問API請求的統(tǒng)一出入口，負責請求的鑒權、訪問控制、流量控制、統(tǒng)計監(jiān)控等功能。 　　圖11 功能架構圖 　　技術架構 　　管理網(wǎng)站將API數(shù)據(jù)、鑒權數(shù)據(jù)和訪問控制配置信息等持久化到MySQL數(shù)據(jù)庫，同時將這些數(shù)據(jù)和配置信息通過Zookeeper服務同步到網(wǎng)關系統(tǒng)。為了實現(xiàn)對請求的靈活管控，網(wǎng)關系統(tǒng)針對黑名單、身份驗證、權限校驗、流量控制等功能采用插件化開發(fā)，且每個插件均能動態(tài)開關。每個請求的處理日志信息通過異步方式發(fā)送到事件隊列，并由單獨的日志收集進程進行收集，大數(shù)據(jù)實時計算平臺對收集的日志進行分析處理將訪問統(tǒng)計數(shù)據(jù)存儲到數(shù)據(jù)庫供用戶查看。 　　圖12 技術架構圖 　　建設現(xiàn)狀 　　數(shù)據(jù)開放平臺上的API服務分為客戶行為類、客戶資產類、行外數(shù)據(jù)類、基礎服務類等，其中基礎服務類中已經接入了實時數(shù)據(jù)接收API，該API用于接收各個系統(tǒng)實時數(shù)據(jù)供后續(xù)實時計算任務消費。已經開發(fā)完成客戶行為類API共16個、客戶資產類API共6個、行外數(shù)據(jù)類API共13個，OpenAPI平臺屬于初步完成建設，后續(xù)會有更豐富的數(shù)據(jù)服務API通過數(shù)據(jù)開放平臺對外服務。 　　總結 　　民生銀行大數(shù)據(jù)建設之路是一個配合業(yè)務場景需求反復迭代前進的一個線路，發(fā)展到今天，從多個不同的平臺、模塊逐步的形成了幾大體系：數(shù)據(jù)采集體系、數(shù)據(jù)服務體系、批量數(shù)據(jù)分析體系、實時數(shù)據(jù)分析體系以及智能數(shù)據(jù)分析體系。對于數(shù)據(jù)服務體系，主體是整體規(guī)劃中提到的數(shù)據(jù)中臺演化而來，是數(shù)據(jù)業(yè)務化輸出的重要承載體。數(shù)據(jù)服務體系形成統(tǒng)一的數(shù)據(jù)服務目錄，由開放平臺層面的網(wǎng)關統(tǒng)一進行把控，通過場景化數(shù)據(jù)服務中臺對數(shù)據(jù)和模型應用進行服務化，為對數(shù)字化、場景化的業(yè)務轉型提供了堅實的底層支撐能力。