Информационные-коммуникационные технологии. Внедрение облачных технологий и Big Data в деятельность коммерческого банка: Российский и зарубежный опыт

ВВЕДЕНИЕ 4
ГЛАВА 1. ОБЛАЧНЫЕ ТЕХНОЛОГИИ И BIGDATA 6
1.1 Понятие big data 6
1.1.1 Характеристика технологии 7
1.1.3 Архитектура 8
1.1.4 Компоненты технологии 10
1.2 Основные элементы облачных технологий 11
1.2.1 Исторический обзор 11
1.2.1.1 Раннее время 12
1.2.1.2 2000-е 12
1.2.1.3 2010-е 13
1.2.2 Безопасность и конфиденциальность 14
1.2.3 Ключевые преимущества 15
1.3 Предпосылки внедрения 16
1.3.1 Технология big data 16
1.3.2 Облачные технологии 17
1.3.2.1 Обеспечение омниканальности и реализация цифрового банкинга 17
1.3.2.2 Обеспечение информационной безопасности и непрерывности бизнеса 18
1.3.2.3 Хранение больших объемов данных 19
1.3.2.4 Оптимизация процессов 19
1.3.2.5 Экономия на ИТ-инфраструктуре 20
ГЛАВА 2. ИСПОЛЬЗОВАНИЕ ОБЛАЧНЫХ ТЕХНОЛОГИЙ И BIGDATA 21
2.1 Использование технологий big data в коммерческих банках 21
2.1.1 Статистика 21
2.1.2 Особенности применения 22
2.1.3 Внедрение больших данных на стороне банка 23
2.1.4 Определение объема 24
2.1.5 Определение набора навыков 24
2.1.6 Распознавание источников данных 25
2.1.7 Анализ результатов 25
2.1.8 Возврат к опыту 25
2.1.9 Обучение и переподготовка 26
2.1.10 Задача с циклическим подходом DIRAPT 26
2.1.11 Практический подход к внедрению больших данных операторами связи 26
2.1.11.1 Включение 27
2.1.11.2 Миграция 27
2.1.11.3 Интеграция 27
2.1.11.4 Тестирование 27
2.2 Использование облачных технологий в коммерческих банках 28
2.2.1 Облака - сумма инноваций и экономии 28
2.2.2 Опережение конкурентов в цифровом развитии 29
2.2.3 Большое число ресурсов облачных платформ прямо пропорционально надежности инфраструктуры 30
2.2.4 Внутренняя облачная платформа 31
2.2.5 Российский опыт 32
ЗАКЛЮЧЕНИЕ 34
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ 35
СПИСОК ПРИЛОЖЕНИЙ 38

Весь текст будет доступен после покупки

С каждым годом конкуренция на отечественном банковском рынке становится все жестче. И это весьма объективная данность. Многие сегменты рынка уже заняты, поэтому, для того чтобы реально преуспеть, расширить свою долю рынка, кредитным организациям необходимо действовать эффективнее, чем их конкуренты. Сегодня уже недостаточно просто использовать традиционные банковские технологии и инструменты - необходимы качественно новые, действительно прорывные и инновационные технологии.
В последнее время все интенсивнее происходит процесс цифровизации российского банковского сектора. Многие эксперты полагают, что со временем так называемые цифровые банки и вовсе полностью вытеснят с рынка традиционные кредитные учреждения. Более того, банковская конкуренция все активнее переходит из сферы «офлайн» в сферу «онлайн», из сферы традиционных банковских услуг и продуктов в сферу IT. Новая площадка, где все более интенсивно разгорается процесс соперничества, борьбы между банками, – область высоких новейших прогрессивных технологий, в том числе и информационных. И российские кредитные организации никак не могут этот процесс игнорировать.
Современная история показывает, что сегодня успешные банки постепенно трансформируются в разряд реальных финтех-компаний с обширной сетью так называемых финансово-информационных лабораторий, центров разработки инновационных банковских технологий. Таким образом, сегодня банковская конкуренция становится все более связанной с борьбой больших умов, борьбой финансово-информационных лабораторий, соперничеством инновационных финансовых технологий.

Весь текст будет доступен после покупки

ГЛАВА 1. ОБЛАЧНЫЕ ТЕХНОЛОГИИ И BIGDATA
1.1 Понятие big data
Большие данные - это область, в которой рассматриваются способы анализа, систематического извлечения информации или иной работы с наборами данных, которые слишком велики или сложны для обработки традиционным прикладным программным обеспечением для обработки данных. Данные с большим количеством полей (столбцов) предлагают большую статистическую мощность, тогда как данные с более высокой сложностью (больше атрибутов или столбцов) могут привести к более высокому уровню ложного обнаружения. [1] Проблемы анализа больших данных включают сбор данных, хранение данных, анализ данных, поиск, совместное использование, передачу, визуализацию, запросы, обновление, конфиденциальность информации и источник данных. Текущее использование термина «большие данные» имеет тенденцию относиться к использованию прогнозной аналитики, аналитики поведения пользователей или некоторых других методов расширенного анализа данных, которые извлекают ценность из больших данных, и редко к конкретному размеру набора данных. «Нет никаких сомнений в том, что количество доступных сейчас данных действительно велико, но это не самая важная характеристика этой новой экосистемы данных». [2] Анализ наборов данных может найти новые корреляции для «выявления тенденций в бизнесе, предотвращения болезней, бороться с преступностью и так далее». [3] Ученые, руководители предприятий, практикующие врачи, представители рекламного агентства и правительства регулярно сталкиваются с трудностями при работе с большими наборами данных в таких областях, как поиск в Интернете, финансовые технологии, аналитика здравоохранения, географические информационные системы, городская информатика и бизнес-информатика. Ученые сталкиваются с ограничениями в работе с электронными науками, включая метеорологию, геномику, коннектомику, сложные физические симуляции, биологию и исследования окружающей среды. [4]

Весь текст будет доступен после покупки

1. Breur, Tom. Statistical Power Analysis and the contemporary «crisis» in social sciences. Journal of Marketing Analytics. London, England: Palgrave Macmillan. 2016. – 61-65 p
2. boyd, dana; Crawford, Kate. Six Provocations for Big Data. Social Science Research Network: A Decade in Internet Time: Symposium on the Dynamics of the Internet and Society. 2011
3. Data, data everywhere. The Economist. Electronic source: http://www.economist.com/node/15557443
4. Reichman OJ, Jones MB, Schildhauer MP. Challenges and opportunities of open data in ecology. Science. 2011. - 331 p.
5. Segaran, Toby; Hammerbacher, Jeff. Beautiful Data: The Stories Behind Elegant Data Solutions. O'Reilly Media. 2009. - 257 p.
6. Hilbert M, Lopez P. The world's technological capacity to store, communicate, and compute information. Science. 2011. - 332 p.
7. Sagiroglu, Seref. Big data: A review. 2013 International Conference on Collaboration Technologies and Systems (CTS). 2013. - 42-47 p.
8. Kitchin, Rob; McArdle, Gavin. What makes Big Data, Big Data? Exploring the ontological characteristics of 26 datasets. Big Data & Society. 2016
9. Onay, Ceylan; Ozturk, Elif. A review of credit scoring research in the age of Big Data. Journal of Financial Regulation and Compliance. 2018. - 382 p.
10. Survey: Biggest Databases Approach 30 Terabytes. Eweek.com. Electronic source: http://www.eweek.com/database/survey-biggest-databases-approach-30-terabytes
11. LexisNexis To Buy Seisint For $775 Million". The Washington Post. Electronic source: https://www.washingtonpost.com/wp-dyn/articles/A50577-2004Jul14.html
12. Bertolucci, Jeff. Hadoop: From Experiment To Leading Big Data Platform, Information Week, 2013.
13. Webster, John. MapReduce: Simplified Data Processing on Large Clusters, Search Storage, 2004.

Весь текст будет доступен после покупки