在银行业有效利用大数据分析现在是一项竞争要求。大数据在银行业中的作用是多方面的。最常见的用例是访问各种类型的第一方数据，以更好地了解客户并根据他们的需求定制产品和解决方案。其他大数据银行业务示例和用例包括利用命令式数据协助银行处理 Customer 360，以及通过高级财务数据分析进行风险管理。总体而言，银行业通过大数据分析实现的自动化也最大限度地减少了人类情感和偏见对金融交易的影响。

然而，许多银行每年花费超过 1 亿美元来继续获得银行业大数据分析的好处。其中一些是不必要的超支。公司需要采用新的技术工具来帮助他们优化性能并减少超支。

多租户数据湖的挑战

所有主要银行都在随时存储和访问大量数据。这些数据位于每年都在扩展的数据湖中。通常，它们的大小会增加一倍以上。

曾几何时，大数据银行示例和用例是分开的。将有一个商业银行数据湖，一个零售数据湖，一个投资数据湖，一个家庭保险数据湖，等等。但今天，越来越多的数据涌入，形成了一个巨大的数据湖。银行的各个部分充当租户，访问同一个数据湖。这种多租户数据湖安排给系统和服务器带来了巨大压力。通常，在银行业有效使用大数据分析的能力会逐渐停止。

多租户数据湖还带来了另一个问题：数据隐私。关于银行和金融机构如何处理大量不同的、非结构化的私人数据，存在很多紧张的讨论。并且有充分的理由；当谈到银行业的数据分析时，个人信息是从消费者行为分析中收集的，他们的决策是使用大量杂乱无章的信息做出的。当然，安全协议已经到位，可以保护如此庞大的数据集合。但是，当每个人都浸入同一个湖中时，数据泄露的风险就会增加。

银行如何最终超支以跟上

金融服务公司通常如何应对多租户数据湖的挑战？通过增加基础设施。根据 ResearchandMarkets 的一份报告，在大数据和人工智能上投资至少 5000 万美元的公司去年增长了 7%。在全球范围内，每年约有 1800 亿美元用于大数据分析投资。

简而言之，在银行业有效利用大数据分析的压力促使银行迅速投资额外的本地和云基础设施，以跟上不断增长的数据量。这会导致 Dell 或 IBM 的巨额硬件账单，和/或 AWS 的巨额云账单。

此外，运营基础设施本身也需要花钱。指挥基础设施和不断扩大的数据湖的管理和维护需要具有专业知识的专业人员的服务。成本迅速增加，许多银行每年花费超过 1 亿美元来继续获得银行业大数据分析的好处。

关注公众号“大模型全栈程序员”回复“小程序”获取1000个小程序打包源码。更多免费资源在http://www.gitweixin.com/?p=2627