如何将数据分析带到云端

2017年，《经济学人》发表了一篇文章，标题为世界上{BANNED}最佳有价值的资源不再是石油，而是数据。事实上，金融服务部门的企业，尤其是资本市场的企业早就清楚这一点了。

可以说，金融服务的数字化始于1986年的金融大爆炸，当时伦敦证券交易所等主要交易所改用自动报价系统，取代了交易大厅。从那一刻起，技术继续颠覆和改变着这个行业，高频交易和加密货币的引入是两个明显的例子，但还有更多。

数据，更具体地说是对数据的分析，是这一转变的基础。金融服务公司是{BANNED}最佳早意识到，更快地获取更深入、更丰富的见解，可以使其比同行具有显著竞争优势的企业之一，尤其是在高频交易等领域。

然而，不可避免的是，将重点放在分析上，并开发更加复杂和自动化的算法，使用机器学习来生成{BANNED}最佳大的阿尔法算法和{BANNED}最佳小化风险，这在该行业创造了一场可以{BANNED}最佳好描述为“军备竞赛”的局面。银行要想保持敏捷和竞争力，就必须不断更新向客户提供的服务，制定新的战略来提高地位和保护客户。为了实现这一点，他们需要重新思考他们的数据分析方法。

时间序列连续体

银行无法凭借陈旧的数据战胜竞争对手。然而，当涉及到开发、验证和发布新的算法和模型时，许多企业仍然按照数天和数周的时间表工作，而他们需要在数秒和数分钟内进行思考。但事实是，许多现有的数据管理和分析平台根本无法对正在创建的海量数据提供所需的洞察速度。

这是为什么呢?可以说，这是一种传统系统的组合，也就是prem模型数据中心和应用的结合，这些应用无法轻松扩展，以提供处理所创建的海量数据所需的存储和计算，以及一种过于关注历史数据或大数据的分析方法。

关键是要将所有数据，尤其是金融数据，视为时间序列，即在固定的时间点上具有特定的值尽管这适用于许多其他行业。这里的实时环境非常重要，因为数据的商业价值从创建之日起就开始消失。

通过采用将数据分析视为连续洞察引擎而不是批处理过程的方法，即使批处理是每小时或每天进行的，企业对业务运营方式的理解永远不会有任何“差距”。所提供的分析和见解是一个持续的、记录在案的事实流，它提供了有助于产品和服务快速创新和发展的见解。

云中的持续分析

所有金融机构都有云战略。规模、灵活性和节省成本的好处是众所周知的。战略重点现在应该转移到确保云架构得到优化，以提供持续分析，这对于持续运营效率和商业成功至关重要。

有三个关键的考虑因素：

数据源访问：能够输入分析平台的市场、贸易、订单和参考数据越多，可以提取的洞悉质量就越好。然而，金融机构一直难以管理数据的庞大数量、格式和位置。持续分析依赖于即时连接数据源，无论其位置如何，并构建运行分析的数据源。

优化编码：量化分析师、数据分析师和数据科学家从数据中提取价值的速度有多快，而不是花时间管理和处理数据。他们能否使用首选的语言，如SQL和Python，在时间尺度上开发和验证新的算法，以提供竞争优势，是否有内置的机器学习界面或容易访问相关微服务，能否快速生成报告，并以一种能提供即时价值的方式可视化。

升级路径：作为其云战略的一部分，大多数银行将考虑如何使用云来重新架构并{BANNED}最佳终重建其数据管理和分析系统。需要考虑这个过程是怎样的、移动数据和优化成本会有多容易、重新架构和在某些情况下重写应用的路径是什么、它将如何与云供应商更广泛的服务和支持生态系统集成……

{BANNED}最佳终，我们会看到大多数银行将大量数据管理和分析需求转移到云上。仍然会有一些需要超低延迟的流程只能在预先交付，但除此之外，云提供了无数的好处。然而，所有的云，就像所有的实时分析平台一样，都是不一样的，银行需要仔细考虑如何迁移他们现有的数据源、应用和流程，同时始终优先考虑对连续的分析和洞察流的需求。《linux就该这么学》不错的linux自学书籍