随着中国互联网的高速发展，传统证券行业的业务也正朝向市场化和智能化发展，行业在快速变化中也面临着激烈的竞争，一方面国家监管层面逐步放开管制，加强监督，鼓励创新。另一方面，证券行业内部各公司也在不断的与时俱进，从经纪、资管业务的网络化，到证券版银联的发展，再到个性化、移动化、社交化的客户服务。

证券公司要在这样竞争激烈市场中保持领先地位，需要在满足监管层合规审计的要求下，以客户为中心，对内深化运营和服务，提高现有客户体验和单客户价值；对外实时了解市场和上市企业等信息，加强跨界合作，对潜在客户精准定位和营销。因此，数据已经不知不觉的成为券商提供内外竞争力的核心关键，只有及时准确地获得客户在内部和外部的交易、行为，媒体偏好，社交内容的信息数据，才能更好的了解客户，做好营销和服务，并不断优化产品设计和运营。

证券公司内部在经纪业务、资管业务、投行业务和自营业务中存在有各类系统，例如股票交易系统、理财交易系统、用户开户系统、客服系统，这些系统都是证券行业数据生态的开始。同时，在各个业务中又存在各种角色，如用户、上市公司、融资方、出资方、托管行等。这些角色在各个系统每时每刻都在产生着各种结构的数据，这些数据产生的不但数量大，类型多，速度快，而且可能会存在各个系统的不一致。同时，在互联网高速发展的今天，和证券公司相关的各个角色也在无时无刻不在产生大量的网络相关数据，例如用户的购物行为、媒体资讯浏览等，上市公司的投融资、并购活动等。各业务形态也都在大的市场环境下受到影响，例如政策法规、国内外金融形势、重大事件等。

毋庸置疑，制定统一的数据接入标准、结构化标准、归一化标准、挖掘标准都是至关重要的，这不仅能实现很好的系统扩展性，还能根据业务需求、数据类型、范围、来源、采集技术、实时性要求等进行分层接入，尽量保证原始数据完整性，整合数据一致性和挖掘数据价值度。股票、投资理财、投顾服务等各个业务，涉及到交易、风控、清算等系统的数据都是用户在各个触点、场景下的痕迹，对这些数据进行拉通和分析，可以掌握用户在该券商所处的生命周期，从而可以有的放矢的。对用户进行针对性运营。

因此，对用户在各个系统、各个触点的行为数据进行采集，分析其浏览、查找、存留、访问路径、事件深度、到达渠道等，进而对用户进行跨屏幕、跨应用、跨系统的生命周期分析。面对越来越多的投资选择，用户的选择困难症凸现。如何让用户在最短的时间找到自己需要的产品、资讯乃至可靠的投资建议、选股建议呢？建立在用户、产品、资讯、服务、市场充分了解的基础上，通过强大的推荐引擎给用户提供实时的“千人千面”的跨屏、跨站的个性化产品资讯推荐和服务。

所以，作为今天证券行业的数据承载者，他们的大数据生态环境，从技术上是由传统数据仓库EDW、大数据平台Hadoop、资讯数据处理平台等多元化技术产品构成，多平台之间实现数据共享，实现分析应用。

其大数据架构主要包括：

?在企业级数据仓库基础上，搭建完善的数据模型和标签库；

?采用Hadoop平台，分析非结构化数据，包括使用MongoDB平台解析和分析外部资讯数据；

大数据分析技术主要包括：

?围绕客户细分、客户服务、产品营销、市场渠道优化；

?运用新型的大数据分析手段和工具；

?统计分析、多维分析、数据挖掘的综合运用；

围绕客户、产品、市场、渠道和交易相关业务触点，巩固完善数据湖和大数据分析能力，支持投顾服务、MOT营销、管理层数据分析和经精准化营销。这使得证券公司不仅拥有自己的内部数据，更可以在集团的帮助下共享兄弟公司的数据，例如征信、理财等数据。从而更加完善用户画像，对用户进行更贴心的服务和更精准的营销。建立自有用户画像体系，进行网络交易行为分析、支付分析、产品分析、市场监控、智能产品推荐等典型大数据应用，实现了用户需求驱动的产品企划，优化产品开发，提升用户服务质量。

建立统一的数据采集、整合、数据挖掘，完成统一数据视图，打通多渠道、多交易APP和产业互联，从而沉淀完成用户标签数据库，建立起包括个性化产品和资讯推荐、个性化消息提醒、个性化投顾服务在内的应用场景，快速提高用户的忠诚度与用户粘性，用数据打造券商的用户竞争力。

证券行业在传统交易型数据域发展，也从新兴分析型业务域深耕

分析世界讲方案，为您带来精彩的一页；

——垂直领域、专注原创；

——感谢阅读、感谢共鸣。