大数据技术的发展
大数据技术的发展与趋势展望
大数据技术的发展与趋势展望随着信息化时代的到来，数据的规模和复杂性不断增加。
为了能够有效地应对这些巨大的数据量，大数据技术迅速发展起来。
本文将对大数据技术的发展历程进行探讨，并展望未来的趋势。
一、大数据技术的发展历程1. 大数据技术的起源大数据技术的起源可以追溯到20世纪90年代。
当时，互联网开始兴起，各种在线服务迅速发展。
这些在线服务产生了大量的结构化和非结构化数据，传统的数据库技术无法处理这些数据量庞大的情况。
2. 大数据技术的初期阶段在大数据技术的初期阶段，人们主要关注的是存储和处理大量数据的问题。
分布式文件系统和分布式计算框架相继被开发出来，如Hadoop和MapReduce。
这些技术的出现，极大地提高了数据的存储和计算效率。
3. 大数据技术的快速发展随着大数据技术的逐渐成熟，越来越多的企业开始意识到数据的重要价值。
大数据技术在金融、医疗、电商等行业得到广泛应用。
同时，虚拟化和云计算等新兴技术的发展，为大数据的存储和计算提供了更多的可能性。
4. 大数据技术的完善与融合随着时间的推移，大数据技术不断完善并与其他相关技术进行融合。
例如，机器学习和人工智能被应用于大数据分析中，以提高数据的价值。
此外，数据可视化和数据安全等方面也得到了更多的关注和发展。
二、大数据技术的趋势展望1. 数据驱动的决策大数据技术将在未来成为决策的重要依据。
通过对大量数据的分析，企业可以更好地了解市场需求、用户行为等信息，并根据这些信息做出明智的决策。
数据驱动决策的趋势将越来越明显。
2. 智能化的数据分析随着人工智能和机器学习的不断发展，大数据分析将变得更加智能化。
自动化的数据挖掘和预测模型将能够为企业提供更准确的分析结果，帮助他们更好地应对市场竞争和变化。
3. 数据的安全和隐私保护随着大数据的不断涌现，数据的安全和隐私保护问题也日益凸显。
在未来，数据的安全和隐私保护将成为大数据技术发展中的重要议题。
新的技术和方法将不断被提出，以应对数据安全和隐私保护的挑战。
大数据技术发展趋势及前景展望
大数据技术发展趋势及前景展望尊敬的读者：随着信息社会的快速发展，大数据已经成为全球范围内热门的话题。
本文将探讨大数据技术的发展趋势以及其前景展望，为您呈现一张大数据技术发展的全景图。
一、大数据技术的发展趋势1. 数据量的爆炸性增长：随着互联网的普及和物联网的发展，全球产生的数据量呈现指数级的增长。
据统计，到2025年，全球数据量将达到175ZB。
这将推动大数据技术的快速发展。
2. 数据多样性：不仅仅是数量的增长，数据的多样性也是大数据技术发展的一个重要趋势。
除了传统的结构化数据外，半结构化和非结构化数据的增加也使得大数据技术需要更强大的分析能力和处理能力。
3. 实时性要求的提升：随着互联网的高速发展，用户对信息的获取速度要求越来越高。
大数据技术需要具备实时处理和分析的能力，以满足用户的需求。
4. 云计算与大数据的融合：云计算技术的快速普及也为大数据技术的发展提供了更多的可能性。
云计算的弹性和高性能使得大数据处理更加灵活高效，提升了大数据技术的可操作性。
二、大数据技术的前景展望1. 商业智能和数据分析的应用：大数据技术的发展将推动商业智能和数据分析的应用。
通过对大数据进行深度分析和挖掘，企业可以更好地理解客户需求和市场趋势，从而制定更准确的营销策略和业务发展方向。
2. 数据安全和隐私保护的挑战：随着数据的增长和应用的广泛，数据安全和隐私保护问题变得愈发重要。
大数据技术发展的前景之一是解决数据安全和隐私保护的挑战，为用户提供更可信赖和安全的数据环境。
3. 人工智能的发展与大数据技术的结合：大数据技术和人工智能的结合将成为未来的重要趋势。
通过对大数据的分析和挖掘，人工智能系统可以获得更准确的数据输入，从而提高自身的学习和决策能力。
4. 跨界融合创新的推动：大数据技术的应用正逐渐涉及到各个领域，推动了不同领域之间的融合创新。
例如医疗领域的大数据分析可以提供更准确的诊断结果，金融领域的大数据应用可以改善风险评估等。
大数据技术的发展历程与趋势
大数据技术的发展历程与趋势前言本文将介绍大数据技术的发展历程以及当前和未来的趋势。
大数据技术是近年来快速发展的领域，对于各行各业都有着重要的意义。
发展历程从长远来看，大数据技术的发展历程可以分为以下几个阶段：1. 数据收集阶段：从计算机系统开始出现，数据的收集和存储变得越来越容易。
随着互联网和传感器技术的发展，数据量的增长呈指数级增长。
2. 数据处理阶段：随着数据量的增长，人们开始意识到单机处理数据的能力远远不足以应对大规模数据的需求。
于是，分布式计算和并行处理技术逐渐崭露头角，为大数据处理提供了解决方案。
3. 数据分析阶段：大数据的真正价值在于对其进行分析和挖掘。
随着机器研究和人工智能的快速发展，各种数据分析算法和模型被提出，为数据分析提供了更多的工具和方法。
4. 数据应用阶段：大数据技术在各个行业中得到了广泛的应用。
从金融、医疗到零售和交通，大数据技术正在改变着我们的生活和工作方式。
当前趋势就当前的大数据技术发展趋势而言，以下几个方向值得关注：1. 数据安全和隐私保护：随着数据泄露和隐私问题的日益严重，数据安全和隐私保护成为大数据技术发展中的重要议题。
在大数据的应用过程中，如何保护用户的个人信息和数据安全将成为一个重要的挑战。
2. 人工智能和自动化：大数据技术与人工智能的结合将进一步推动数据分析和应用的发展。
通过机器研究和深度研究技术，人们可以更高效地分析和利用大规模数据，实现智能化决策和自动化操作。
3. 边缘计算和物联网：随着物联网的兴起，大量的传感器数据涌入，对于实时分析和处理提出了新的挑战。
边缘计算技术的发展使得数据能够在离用户更近的地方进行处理，降低了传输延迟和网络负载。
4. 数据治理和合规性：在大数据时代，如何管理和治理海量数据成为一个重要问题。
数据治理和合规性将成为大数据技术发展的重要方向，旨在建立规范的数据管理流程和合规性框架。
未来趋势展望未来，大数据技术的发展将面临以下挑战和趋势：1. 可视化和交互性：随着数据量的增加，如何更好地将数据可视化和呈现给用户，以及提供更好的交互性将成为未来发展的方向。
大数据技术发展趋势及未来应用
大数据技术发展趋势及未来应用近年来，大数据技术逐渐成为了人们关注的焦点。
它可以帮助我们分析海量数据、挖掘信息、进行预测和决策，给生产、生活、科学研究等方面带来了极大的便利。
那么，大数据技术的发展趋势及未来应用又是怎样的呢？一、发展趋势1、智能化大数据的挖掘和分析需要大量的算力和数据处理能力，而人工智能技术则可以提供这些能力，使大数据分析、决策更趋于智能化。
未来，大数据和人工智能技术将会进一步结合，形成更为智能化的大数据分析和应用系统。
2、多样化随着数据生成和存储的方式的丰富和变化，大数据的来源和形式也日益多样化。
未来大数据技术和应用将更加多元化，数据类型、分析手段、应用场景等等都将更为丰富多彩。
3、云化云计算技术使得大数据的存储和处理更加方便、高效和灵活。
未来大数据技术将借助云平台、云计算等技术，将大数据存储、计算、分析和应用等环节都可以在云端实现，使得大数据的应用从地理和分布式的限制中摆脱出来，有更大的灵活性。
二、未来应用1、医疗健康医疗领域一直是大数据技术的重要应用领域之一。
通过大数据技术分析和建模，可以提高疾病预测和诊断的准确性，帮助医疗机构提高服务和效率。
未来，随着医疗技术和数据的不断积累，大数据技术将成为医疗健康领域的重要驱动力。
2、智慧城市大数据汇聚和分析可以为城市规划、交通、环保、安全等各个方面提供有效的支撑。
未来智慧城市将会更加精细化、智能化，基于大数据、物联网和人工智能技术，实现全面的城市监测、预警、管理和服务，提升城市的管理和生活水平。
3、金融风控金融行业是大数据技术最早和最典型的应用领域之一，大数据技术可以快速、准确地识别和分析风险，降低不良资产风险和信用风险。
未来，大数据技术将更加广泛地应用于互联网金融、智能投资、区块链等金融领域，为金融业提供更为精细化、高效化的服务。
4、教育科研大数据技术可以帮助教育行业实现智慧化、个性化、教育理念普及等目标，使学习过程更加精细化、系统化、高效化，提高教育效果和教育质量。
大数据的发展历程
大数据的发展历程大数据的发展历程是一个跨越了数十年的漫长旅程，它见证了从数据的初步收集到如今数据驱动决策的转变。
这个历程可以大致分为几个阶段：1. 早期数据收集与处理在计算机和信息技术的早期，数据的收集和处理非常有限。
数据主要来源于手工记录和简单的自动化系统。
这个阶段的数据量相对较小，处理速度慢，主要用于基本的统计分析。
2. 数据库和数据仓库的出现随着计算机技术的发展，数据库管理系统（DBMS）和数据仓库开始出现。
这些技术使得数据的存储、检索和分析变得更加高效。
企业开始利用这些工具来管理大量的数据，并从中提取有价值的信息。
3. 互联网的兴起与数据量的爆炸式增长20世纪90年代末，互联网的普及带来了数据量的爆炸式增长。
网页、社交媒体、在线交易等都成为了数据的重要来源。
这个阶段，数据的收集和分析开始变得更加复杂，需要更先进的技术和算法来处理。
4. 大数据技术的诞生21世纪初，随着数据量的不断增加，传统的数据处理技术已经无法满足需求。
这时，大数据技术应运而生，包括分布式存储系统（如Hadoop）、实时数据处理框架（如Apache Storm）和非传统数据库（如NoSQL数据库）。
这些技术的出现，使得处理大规模数据集成为可能。
5. 机器学习和人工智能的融合近年来，大数据与机器学习、人工智能技术的结合越来越紧密。
通过机器学习算法，可以从大量数据中自动学习和发现模式，而人工智能则进一步使得数据分析更加智能和自动化。
这不仅提高了数据处理的效率，也使得数据驱动的决策更加精准。
6. 数据治理和隐私保护随着大数据应用的广泛，数据治理和隐私保护成为了重要的议题。
企业和组织需要确保数据的安全、合规和道德使用。
数据治理框架和隐私保护法规的建立，对于保护个人隐私和数据安全至关重要。
7. 数据驱动的决策和业务模式如今，大数据已经成为许多企业和组织决策的核心。
通过分析数据，企业能够更好地理解市场趋势、消费者行为和业务流程，从而做出更加明智的决策。
大数据技术的发展和应用趋势分析
大数据技术的发展和应用趋势分析大数据技术是目前科技领域最热门的话题之一，伴随着数字化时代的到来和互联网的高速发展，数据量呈现出指数级增长，因此大数据技术的出现显得尤为重要。
那么，大数据技术的发展和应用趋势又有哪些呢？一、大数据技术的发展趋势：1. 智能化：随着人工智能技术的快速发展，大数据技术也会向智能化的方向不断发展。
这就意味着大数据技术将更加注重数据的智能分析和利用，以实现更加准确、快速、高效的数据处理效果。
2. 集成化：大数据技术主要涉及到数据采集、存储、处理和分析等多个环节，未来的趋势是对这些环节进行统一的集成化，形成一个完整的大数据生态系统。
这种模式下，大数据技术可以更加高效、智能地处理海量数据，进一步提升其应用效果。
3. 安全化：随着大数据应用范围的不断拓展，数据的安全性逐渐成为一个难以忽视的问题。
未来的大数据技术将更加注重数据的安全保障，加强对数据的管理和控制，保证数据不受恶意攻击和泄露。
二、大数据技术的应用趋势：1. 人工智能：人工智能是未来大数据技术最重要的应用方向之一。
人工智能技术可以通过对大数据的分析和处理，提取出有用的信息、知识和规律，从而实现更加智能化和自动化的数据分析和应用。
2. 云计算：随着云计算技术的不断成熟和普及，大数据技术将更加广泛地应用于云计算领域。
云计算可以将不同的计算资源整合成一个统一的虚拟环境，从而降低数据处理和存储的成本，并实现跨地域、跨组织的大数据共享和协同分析。
3. 移动互联网：移动互联网时代的到来，为大数据技术的应用带来了更加广阔和多样化的空间。
通过移动互联网技术，可以将相关数据进行无线传输和共享，实现实时数据分析和应用，从而提升企业和个人的工作效率和生活品质。
三、大数据技术的发展和应用面临的挑战：1. 数据质量问题：目前大数据技术面临的最大问题之一是数据质量问题。
由于数据来源的不一致和数据质量的不稳定性等原因，大数据分析结果往往存在误差，这会对数据应用的效果造成一定的影响。
大数据技术的发展趋势与前景展望
大数据技术的发展趋势与前景展望随着信息技术的快速发展和互联网的普及，大数据技术逐渐成为了当今社会的热门话题。
大数据技术以其强大的数据处理能力和广泛的应用领域，吸引了众多企业和研究机构的关注。
本文将探讨大数据技术的发展趋势以及其前景展望。
一、大数据技术的发展趋势1. 数据量的爆炸式增长随着互联网的普及和物联网的兴起，数据量呈现爆炸式增长的趋势。
根据国际数据公司（IDC）的预测，到2025年，全球数据量将达到175ZB（1ZB=1021B），相当于每个人每天产生1.7MB的数据。
这种数据量的爆炸式增长对大数据技术提出了更高的要求。
2. 多样化的数据类型除了传统的结构化数据，如数据库中的表格数据，大数据技术还需要处理非结构化数据，如文本、图像、音频、视频等。
这些多样化的数据类型对大数据技术的处理能力和算法提出了更高的要求。
3. 实时性的需求随着物联网的发展，越来越多的设备和传感器产生的数据需要实时处理和分析。
实时性成为了大数据技术的一个重要发展方向。
实时数据处理技术的发展将使得企业能够更快地做出决策，并提供更好的用户体验。
4. 人工智能与大数据的结合人工智能技术的快速发展为大数据技术带来了新的机遇。
通过将人工智能算法应用于大数据分析中，可以挖掘出更深层次的信息和规律。
例如，通过机器学习算法可以对大规模数据进行分类和预测，从而为企业决策提供更准确的依据。
二、大数据技术的前景展望1. 商业应用的广泛推广大数据技术在商业领域的应用前景广阔。
通过对大数据的分析，企业可以更好地了解市场需求、优化产品设计、提高运营效率等。
例如，电商企业可以通过分析用户的购买行为和偏好，精准推荐商品，提高销售额。
随着大数据技术的不断发展，商业应用的广泛推广将成为大数据技术的重要发展方向。
2. 政府决策的智能化大数据技术在政府决策中的应用也具有巨大的潜力。
通过对大数据的分析，政府可以更好地了解社会经济状况、民生需求等，从而制定更科学、更有效的政策。
大数据技术的发展历程
大数据技术的发展历程1. 介绍在当今数字化时代，大数据已成为企业和机构的重要资产。
大数据技术的发展历程经历了多个阶段，从最初的数据存储和处理到现在的智能分析和决策支持。
本文将详细探讨大数据技术的发展历程。
2. 数据存储与处理阶段2.1 关系型数据库•数据库管理系统（DBMS）是大数据技术的基础，最早的数据库系统是关系型数据库（RDBMS）。
•20世纪70年代，IBM的研究员Edgar F. Codd提出了关系型数据库的概念，这种数据库通过使用表格和关系来组织和管理数据。
•关系型数据库使用结构化查询语言（SQL）进行数据检索和操作，这种数据库系统成为企业中常用的数据存储和处理工具。
2.2 数据仓库•随着数据量的增加，关系型数据库在存储和处理大规模数据时遇到了挑战。
•数据仓库的概念在20世纪80年代提出，它是一个用于集成、存储和管理大量数据的系统。
•数据仓库通过将数据从多个来源进行抽取、转换和加载（ETL），然后将其存储在专门的数据存储中，为企业提供决策支持和数据分析。
2.3 分布式文件系统•随着互联网和移动技术的快速发展，数据量呈指数级增长，传统的数据存储和处理方式已经无法满足需求。
•分布式文件系统（DFS）的概念应运而生，它将数据分散存储在多个节点上，实现了数据的分布式处理和容错能力。
•2003年，Google发布了Google文件系统（GFS），这是第一个商用的分布式文件系统，为大数据处理奠定了基础。
3. 大数据处理与分析阶段3.1 Hadoop•2006年，Apache Hadoop项目诞生，它是一个开源的分布式计算框架，用于存储和处理大规模数据。
•Hadoop基于Google的GFS和MapReduce思想，通过将数据切分成小块并分发到集群中的多个节点上进行处理，实现了大规模数据的并行计算。
•Hadoop的出现极大地降低了大数据处理的成本和复杂性，成为了大数据技术的重要里程碑。
3.2 NoSQL数据库•随着互联网应用的快速发展，传统的关系型数据库在处理海量数据时遇到了瓶颈。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2009 年， Google 不借助任何医疗手段， 仅通过5000万条用户检索关键词，比美 国疾控中心提前数周预测H1N1流感的爆 发！
中英人寿保险有限公司分析客户多种生 活数据（爱好、常浏览网站、常看节目 等），找出更有可能患高血压、糖尿病 和抑郁症的人。
商业营销
TB PB EB ZB
这些由我们创造的信息背后产生的这些数据早已经远远超越了目前人力 所能处理的范畴 大数据时代已经来临..
大数据的诠释
“大数据或称巨量数据、海量数据、大资料，指的是所涉及的数据量规模巨大到无法通 过人工在合理时间内达到截取、管理、处理、并整理成为人类所能解读的信息。”（维 基百科）
NoSQL应用现状
大数据应用领域
大数据应用前景
互联网行业大数据应用场景
100.0% 80.0% 60.0% 40.0% 20.0% 0.0%
社交网络 B2C业务 精准营销 在线音视频业务 广告监测
电信行业大数据应用场景
100.0% 80.0% 76.6% 42.3%
83.4%
75.5%
51.6%
农业管理
粮食安全、农业结构调整等方面的管理问题，都可通过大数据研究预测和解决。
采用条形码及RFID技术进行记录、监督，从而 在河北廊坊郊区，农田里安装了内置摄像头的传感 器，通过传感器、摄像头等终端应用收集、采集农 实现针对生产、收获、库存、流通和食品安全 产品的各项指标，并将数据汇聚到云端进行实时监 等的管理，再根据不同地区、不同作物类型进 测、分析和管理，比如每天的气温、湿度、雨量等 行相应的数据信息调整，以便监控管理软件能 信息，还向农民发放智能手机和平板电脑，让大家 够很好地帮助农户种植和管理作物。 随时记录工作成果和现场注意到的问题。
非结构化处理案例（BigTable）
数据模型 一个存储Web网页的例子的表的片断
行名：”n.www” contents列族：存放的是网页的内容 anchor列族：存放引用该网页的锚链接文本。 “anchor:”列表示被引用 “anchhor:my.look.ca”列表示被my.look.ca引用 (”n.www”,” anchor: my.look.ca”,t8)->””
政府治理
大数据提高政府社会治理水平
两会期间，通过“网友热搜的两会关键词”， 了解老百姓关注的热点、精神和解读，为制定 工作目标提供决策依据。
创建环境监控物联网系统，利用大数据手段监控、 评估、分析诱因（地域气象条件、生产生活方式、 植被治理模式，城市建设方式），找到解决方案。
医疗健康
39.4% 20.9%
60.0% 40.0% 20.0% 0.0% 实时营销
30.7% 15.9%
线路监控
新业务挖掘
业务推送
100% 80% 60% 40% 20% 0%
金融行业大数据应用场景
80.9% 100.0% 73.1% 60.3% 57.0%
制造行业最关注的大数据应用场景
80.0%
60.0% 40.0% 20.0% 0.0%
•
NoSQL数据模型及分类
类型 列存储 部分代表 Hbase Cassandra Hypertable 特点 顾名思义，是按列存储数据的。最 大的特点是方便存储结构化和半结 构化数据，方便做数据压缩，对针 对某一列或者某几列的查询有非常 大的IO优势。 文档存储一般用类似json的格式存 储，存储的内容是文档型的。这样 也就有有机会对某些字段建立索引， 实现关系数据库的某些功能。 可以通过key快速查询到其value。 一般来说，存储不管value的格式， 照单全收。（Redis包含了其他功 能） 图形关系的最佳存储。使用传统关 系数据库来解决的话性能低下，而 且设计使用不方便。 通过类似面向对象语言的语法操作 数据库，通过对象的方式存取数据。 高效的存储XML数据，并支持XML 的内部查询语法，比如 XQuery,Xpath。
• •
对于分布式数据系统，分区容忍性是基本要求
对于大多数web应用，牺牲一致性而换取高可用性，是目前多数分布 式数据库产品的方向。
变革的方向NOSQL ? NEWSQL?
Nosql 是 not only sql ，并不是没有sql，是一种菲关系型数据库
Nosql 希望从内核与理念上打破关系模型、设计出一套更适合分布式存储，支持 多样化数据的存储体系。 MongoDB Hbase Redis
金融大数据产学研项目
2014年，基于CEP的金融期货会员端风险监控（中国金融期货交易所）
风险监控
异常报警
状态展示
流程处理
事件订阅适配器 保证金账户风 险监控模型 客户异常交易 行为监控模型 市场行情 监控模型
其他模型
事件流连接适配器
历史数据访问适配器
交易数据
结算数据
市场数据
其他数据
左起 Ed Oates、Bruce Scott、Bob Miner、 Larry Ellison
Oracle CEO Larry Ellison
/bigxuyue/p/3386396.html 银行建模案例
变化来了之一：数据量爆炸增长
大数据时代到来
变化来只二：非结构化类型增加成主流
大数据来源
大数据的兴起
数据量增加 数据结构日趋复杂
大量新数据源的出现则导致了非结构化、半 结构化数据爆发式的增长
根据IDC 监测，人类产生的数据量正在呈指数级 增长，大约每两年翻一番，这个速度在2020 年 之前会继续保持下去。这意味着人类在最近两年 产生的数据量相当于之前产生的全部数据量
72.5%
66.3% 50.9% 24.8%
证券/股票投资
险种开发
信用卡欺诈
电子支付业务
供应链优化
产业研发
仓储监控
企业统一管理
综合来看，未来几年大数据在商业智能，公共服务和市场营销三个领域的应用非常 值得看好，大多数大数据案例和预算将发生在这三个领域。 29
数据来源：CCW Research，2012/4
NEWSQL希望以尽可能兼容原有体系的基础上，逐渐过渡到分布式存储 VoltDB MEMsql
变革方法
纵向扩展 （很难分布式部署、无Master 架构） ---横向扩展 分库分表 —分片 行式存储 ----列式存储 ACID -BASE
无需预定义模式、不需建立确定的列
NoSQL数据模型及分类
• • •
• •
•
全球每秒钟发送290万封电子邮件，一分钟读一篇的话，足够一个人昼夜不息的读5.5年… 每天会有2.88万个小时的视频上传到Youtube，足够一个人昼夜不息的观看3.3 年… 推特上每天发布5千万条消息，假设10秒钟浏览一条信息，这些消息足够一个人昼夜不息的浏 览16 年… 每天亚马逊上将产生6.3百万笔订单… 每个月网民在Facebook上要花费7千亿分钟，被移动互联网使用者发送和接收的数据高达 1.3EB Google上每天需要处理24PB的数据…
通过客户行为特征分析，进行产品推荐，实现精准营销。
淘宝、亚马逊等电商企业，通过客户商品浏览 与购买行为，进行偏好分析，并准确的预测客 户的产品购买意向，进行相关推送。
精准营销：北美折扣零售商 Target 在完全不和 准妈妈对话的前提下，仅分析顾客的购买习惯， 并进行“怀孕趋势”评分，能较准确地预测预 产期，以便在孕期寄送相应的优惠券。
交易风险监控：交易所对于实时交易数据进行及时 扑捉，对金融期货等异常交易行为、持仓、资金、 行情风险进行监控，及时制止扰乱市场的行为。同 时通过对海量交易数据的存储进行交易反演，旨在 挖掘风险监控的最优阀值，提升风控可靠性。
风险溢价计量：在小微企业业务方面，银行可以 在准确计量风险溢价的基础上，构建自动审批模 板，适当提高价格、加快授信流程，既满足企业 融资需求，又确保风险调整后的总体收益水平。
文档存储
MongoDB CouchDB
key-value存储
Tokyo Cabinet / Tyrant Berkeley DB MemcacheDB Redis Neo4J FlockDB InfoGrid db4o Versant Berkeley DB XML BaseX
图存储
对象存储 xml数据库大数据技术发展来自数据库技术发展历史
无库时代
层次状数据库
网状数据库 关系型数据库 分布式数据库
层次型数据库
关系型数据库之父：E.F.Codd
关系型数据库
1970年，Codd划时代的论文 《用于大型共享数据库的关系数据模型》
关系与关系代数
SQL之父
唐·钱伯林（Don Chamberlin），是IBM Fellow，ACM及IEEE 特别会员。 他是SQL关系数据库语言的发明人之一，也是XQuery语言的设计基础Quilt 语言的发明人之一。Don拥有加利福尼亚大学博士学位。他目 前在 IBM Almaden 研究中心工作，在过去几年中，他代表IBM参与W3C XML Query 工作组的工作。
“大数据是所涉及的资料量规模巨大到无法透过目前主流软件工具，在合理时间内达到 撷取、管理、处理、并整理成创造新价值的源泉，还是改变市场组织机构，以及政府与 公民关系的方法 。”（《大数据时代》）
“大数据是数据量在10TB以上、需要采用新兴的大数据技术加以收集、处理和应用，以 展现更多社会、商业价值的数据。”（个人总结）
NoSQL运动两个核心理论基础：
•
Google的BigTable
BigTable提出了一种很有趣的数据模型，它将各列数据进行排序存 储。数据值按范围分布在多台机器，数据更新操作有严格的一致性保 证。