金融方向的大数据分析与计算机科学方向的大数据处理有什么区别？

首先说一下大数据在金融行业的具体运用吧
想了解更多大数据转行行情可以私信回我大数据
金融行业犹如国民经济的血脉，渗入市场的各个环节，与宏观经济和微观经济生活都密切相关，而**拥有14亿的庞大人口，社会生活多元化，需求多元化。在此复杂多变的背景下，金融机构要想实现正确的商业判断，难度很大，但借助金融大数据分析软件，可以实现更全面更精准的决策。例如，在个人信用风险控制方面，金融机构除了可以从人民银行征信中心调取数据外，还可以利用网络、电商等不同来源的“大数据”，来解决个人客户信用评价的全面性与客观性不足的问题。目前，金融行业越来越重视大数据的应用，但面临一些疑惑：分析处理什么数据？数据怎么分析处理？数据用在哪些产品或活动中？基于大数据做出的分析判断如何落地推动业务发展？从现状来看，大数据目前最主要应用在于帮助金融机构实现“精准营销”、“客户价值管理”和“风险控制”。首先，实现精准营销。传统上，营销无外乎是寻找目标客群、细分目标客群、触达客群个体。但采用利用大数据机器学习的分析手法，金融机构可以判断他们的习惯偏好以及短期需求，形成画像描述，从而找到精准的目标客群。在第三方大数据支持下，金融机构可以在互联网使用者中发掘需求。一般在3-5次业务数据循环后，营销的效果会达到最优。比如，某银行的现金贷款营销中，经过5次大数据优化，客户响应率、响应客户的资质合格率均有大幅度提升。其次，高效的客户价值管理。目前，尽管大型金融机构沉淀了大量客户及**，但从大数据角度看，由于对**缺乏挖掘、分析，导致对存量客户的了解不能加深，金融机构在进行客户管理时的效率提升会遇到困难。以客户激活为例，某行有4亿的存量客户，其中30%以上客户为静止客户，但在这1亿多静止客户中，银行对哪些是高净值客户，哪些需要加大力度挽留一直不得而知。如果对所有的静止客户进行激活，则成本会相对较高。但借助大数据进行客户聚类和客户行为分析，为金融机构的客户激活、客户管理和产品设计提供更精准的依据，帮助金融机构整体提升存量客户的价值，或交叉销售更多的产品，或激活能够带来价值的客户。最后，加强风险控制。通过客户标签的匹配，对客户进行行为分析，把客户进行聚类，标示客户的风险级别，这样金融机构在客户贷款时，就确立了精准的风险控制，进而减少了违约风险。再说一下大数据的处理
一、数据采集
由于数据来源的限制，数据采集上可能很不一样，最典型的有网络爬虫、网站数据库数据、日志文件等。其中网络爬虫涉及网站页面抓取，链接抽取（url extractor），链接过滤（url filter。内容抽取（（content extractor），爬取url队列（site url frontier）和数据存储。二、数据存储
1、传统关系型数据库：oracle、sqlserver、mysql等，因为这些数据库难以横向扩展，面对海量的数据很进行有效处理。2、nosql数据库：几个有代表性red**、mongodb、hbase。red**是一个key-value**的数据库，主要用于缓存操作；mongodb是在传统关系型数据库下，对事务性进行妥协，这样就可以实现一些传统数据库不能实现的功能，比如海量数据、分布式处理等；hbase也是一个key-value型数据库，是基于hadoop的，具备海量数据存储和分布式并行计算功能，这两点是red**不具备的，但是red**是实时的，hbase只能满足准实时状态。red**通过cod**框架现在也可以实现分布式存储。3、hdfs：是hadoop的一个核心功能，提供分布式文件存储。三、数据挖掘和分析
1、storm：流式实时计算，其计算**与hadoop中的mapreduce类似
2、hive：hadoop之上的批处理数据分析工具，提供了类似于sql语言的查询语言，通过mapreduce实现分布式并行计算，非实时的。3、spark streaming：流式实时计算，按时间单位分割数据
4、kylin：hadoop之上的分布式的大数据分析引擎，它对外暴露的是标准sql接口，支持tb到pb量级的数据，以秒级甚至亚秒级的时间返回响应。四、机器学习
1、mahout：在hadoop之上运行，提供一些可扩展的机器学习领域经典算法的实现
2、spark ml：mahout是hadoop的一个机器学习库，主要的编程模型是mapreduce；spark ml则是基于spark的机器学习，spark自身拥有mllib作为机器学习库。现在mahout已经停止接受新的mapreduce算法了，向spark迁移，也就是现在的spark ml
3、tensorflow：google提供的开业机器学习库。4、r语言：于统计分析、绘图的语言，可以实现各种数据挖掘算法
5、python语言：在大数据分析、机器学习、数据采集、系统维护等方面使用比较广泛，如果要在j**a语言之外再掌握一门编程语言，最好就是python了
五、分布式、集群管理
1、zookeeper：集群协同服务，提供统一命名、配置、集群管理、分布式锁、负载均衡、分布式队列管理等功能，目前很多需要在集群计算框架都结合zookeeper来使用，如kafka、solrcloud、storm、
2、hadoop：分布式存储和计算，其核心为hdfs和mapreduce
六、消息服务
1、stormmq、zeromq、rabbitmq、activemq
2、kafka：基于分布式，高吞吐量，实时消息**，是在集群消息处理中比较好的技术方案。七、搜索引擎
1、lucene：搜索引擎框架，提供数据索引和搜索接口，使用简单功能强大，有不少搜索引擎框架基于此开发
2、nutch：基于lucene的web搜索引擎，同时实现了网络爬虫功能，以及搜索引擎的管理界面
3、solr：基于lucene的搜索引擎，是一个独立的企业级搜索应用服务器，之后结合zookeeper发展出分布式搜索方案solrcloud
4、elasticsearch：基于lucene的分布式搜索引擎框架
5、sphinx：基于sql的全文检索引擎，可以结合mysql,postgresql做全文搜索
八、基础服务
1、openstack：覆盖了网络、虚拟化、操作系统、服务器等各个方面，作为云基础服务来提供（iaas基础即服务）。2、docker：打包部署环境的容器
看完这个，你的心理就已经有答案了吧