招联金融研发总监姜良雷做客选型宝 亲身讲述大数据平台选型历程

写在前面

招联金融的研发总监姜良雷， 这位被称为大数据领域“老司机”的姜总，从1997年开始便在招商银行从事数据相关的工作；过去20年，亲历了招行历代数据库的建设与开发。2014年，参与了招联金融 （招行与联通的合资公司）的筹建，主导了招联大数据平台的选型和实施的全过程。

本期的访谈，将从姜总的选型故事开始讲起……

PART1
提问招联金融 姜良雷

殷勇（选型宝CEO）：
首先请姜总为我们介绍一下招联消费金融是一家怎样的公司？

姜良雷：

招联消费金融有限公司是经中国银监会批准、由招商银行与中国联通共同组建的消费金融公司，注册资金20亿。

作为由两大行业巨头发起成立的消费金融公司，招联金融于2015年3月18日正式开业。自建立之初、即确立了基于金融科技的“纯线上”轻运营模式。

目前，招联旗下拥有 “ 好期贷 ” 和 “ 信用付 ” 两大产品体系。

“ 好期贷 ” 是招联的互联网现金借贷产品，客户可实现在线申请，即时审批，快速到账，自由还款，额度循环使用。个人最高额度20万，最长借款期限36个月。

“ 信用付 ” 则是招联的互联网信用支付产品，为用户提供快捷、安全、便捷的互联网信用支付方式，可实现在线申请、即时审批，“先消费，后还款”，享受最长40天免息和最长60期的分期付款服务。目前主要在招联金融的自有电商平台以及合作商户消费场景中申请使用。

“好期贷”和“信用付”产品体系均具备多场景需求的适配能力，目前招联除了与母公司招行、联通的线上线下多个商圈打通外，还与教育培训、家居装修、医疗美容、航空旅游、O2O电商、物流等多个行业的优质机构展开全方位合作，尽可能满足不同收入群体差异化的消费金融需求。

另一方面，招联金融所面向的客户遍布全国各地，包括金融服务不充分的二三线城市和农村等地区（合计客户占比63%），用户涵盖传统银行业务覆盖不到的低学历（大专及以下学历客户占比72%）、中低收入年轻人群（34岁以下客户占比83%），户均贷款约5000元。

殷勇：

从成立到现在，深圳招联的各项业务数据经历了一个怎样的增长情况？

姜良雷：

2014年9月，银监会批复同意筹建招行与联通共同发起筹建招联消费金融有限公司；2015年3月18日，招联金融正式开业。关于最新招联业务数据，招商银行2016年年报披露：截止2016年末，招联金融累计授信客户704.5万户，累计发放贷款570.8亿元，贷款余额181.9亿元，不良率0.82%，净利润3.24亿元。

殷勇：

什么样的业务场景、业务需求下，产生了对大数据平台的需求？

姜良雷：

对招联而言，一个重要的使命是在社会的新业态下、探索新的业务模式，服务于传统银行所不覆盖的大量基础个人客户。

这决定了招联的模式是以线上业务为主的，由于线上业务是非面对面的业务，技术、数据必然是核心竞争力必备项，在公司筹建之时，领导层认为公司要建立自己的数据的处理、分析能力。

因此，在选择业务方向的同时，公司随即着手准备大数据平台的筹划。这是由公司业务特性决定的必然选择，大数据平台是一个天然的需求。招联金融是持牌机构中首家推动“金融上云”、去IOE、首家试水互联网征信、首家实现放贷场景化的消费金融公司。

殷勇：

传统数据仓库的解决方案为什么无法满足您的需求？

姜良雷：

单纯从技术上看，传统数据仓库的解决方案，能满足公司最基本的需求。但是也有一些明显的不足之处：

1、存在高投入的问题；从过去银行业数仓建设的历程来看，投入非常大，无论是Oracle、IBM、TD都需要很大的投入。而招联正处于刚起步的创业阶段，这种高投入是公司无法承受的，这也是很多小公司、特别是创业型公司无法从一开始就考虑建设数仓的原因。对我们来说，找到一个投入合适的产品作为大数据平台的起步尤为关键。

2、传统的数仓，往往处于一个很封闭的环境，其承载了公司业务系统的历史数据及其之上的数据统计、经营分析等工作，主要是关系型数据的处理。

但在互联网发展迅捷的当下，我们需要处理更多来源的数据，因此，平台的架构需要保持良好的外联型，能与互联网流行的技术和数据形态进行整合，而传统的数仓解决方案都比较封闭，整合起来困难，庞大的体系也决定了他们对新事物的适应速度较慢。

3、互联网的发展衍生出很多新的数据处理方法、工具等，区别于传统数据分析的，这些新鲜血液给数据应用带来了强大的生命力。如何有效地整合这些技术，也是我们所必须考虑的问题。

4、在做数据分析时，我们往往会对例如客户等数据建立多种标签，造成必然存在数据稀疏的宽表的形态，但统计分析时并不会每次全用到，这样基于行存储的数据库无法很好地解决这个问题。前述的四点，都是传统数仓平台所存在的不足

殷勇：

技术架构上，有没有比较过其他的架构，例如hadoop，您认为怎样的架构更适合深圳招联?

姜良雷：

从技术层面看，实际上没有任何一个产品能100%满足数据分析的需求，他们的存在均有其合理性。无论是Vertica还是Hadoop生态圈&#