神策沙龙回顾：大数据技术和金融、房产、理财的深度结合
在大数据井喷的时代，各行各业所产生的数据就是一座座金矿，如何设计大数据应用，更有效、创新的发掘大数据的价值，也是行业内一直在追寻并探索的答案。
12月17日，由神策数据和极客帮、InfoQ 共同策划的技术沙龙在中关村成功举办，来自诸葛找房、神策数据、91金融和51理财的技术专家分享了大数据开发场景，建模，结果应用，扩展等技术内容，全面展示互联网金融、房产领域大数据的分析方法和价值，帮助参会者寻找新的数据利用突破点和应用模式。以下是分享内容的简单整理。
诸葛找房合伙人&CTO 张文战根据自身所在的领域，分享了诸葛找房的数据体系和架构（如下图），BASIC 里面包括很基础设施，URL META 适用来建立全国唯一房源编号的；房价预测基础数据来源于房产政策性信息、历史房价预估偏差、历史真实成交价格、历史挂牌价，起到一个参考的作用。楼盘字典这部分包含楼盘基本信息、凶宅信息、户型图、历史成交记录等信息。虚假房源字典则是房源质量评估系统评分较低的房源库。
中介识别系统包括模式识别、虚假信息、中介号码库、用户⾏行为分析等，其目的就是为了识别出虚假房源：房源本身不存在、房源已售、中介冒充个人、描述不真实、价格异常等房屋信息。识别的技术方式包括通过成交记录、图片识别率、房源相似度等手段来识别。
为了获取更多有效数据，数据挖掘系统起到了至关重要的作用，数据挖掘系统的构成包括：数据源，数据预处理系统，特征⼯程，数据挖掘平台，算法库，算法评估系统，算法结果反馈及优化系统。
数据源：链家、我爱我家、爱屋及屋、搜房、豆瓣、贴吧、建委、合作商；
数据挖掘平台：Job 调度、大数据可视化；
数据预处理系统：异构数据源、结构化处理、数据清洗；
特征工程：数据和特征决定数据挖掘上限；
算法库：统一定义 input、output，灵活适应；
算法评估及反馈优化系统：点击、转化、回炉策略、正负样本学习拟合；
数据挖掘体系的算法库的功能在于提供各种算法包，统⼀定义了输⼊与输出规范，适用于相对应的数据挖掘工作。这其中就有三个基础版本：单机版，Hadoop 版，Spark 版，适用于不同的场景。而具体使用到的技术分类如下：
分类：LR，SVM，朴素贝叶斯，决策树，HMM
聚类：k-means，Dirichlet Process，Minhash，Canopy，Spectral
回归：Linear Regression
特征选择：SVD，PCA，ICA
关联规则：FP growth
推荐算法：ItemCF
时间序列：exponential smoothing
神策分析是一个支持私有化部署的用户行为分析产品，支持全端埋点、海量数据任意维度的实时分析，并且还提供了完全开放的 PaaS 平台特性。神策数据联合创始人兼首席架构师付力力介绍了神策分析的产品理念，以及由此所决定的技术选型和架构设计的思路，并对几个核心模块的实现进行深度解析。
在设计之初，就要考虑客户需求，产品功能，技术选型等因素，同时还要考虑产品的私有化部署属性，对数据的安全与隐私、数据资产积累、数据的深度应用与二次开发都有着很高的要求。这其中的核心技术决策包括：可以私有化部署，并优化运维部署的成本；以开源方案为主，便于复用和客户二次开发；数据模型尽量简洁，减少 ETL 代价和使用成本；每天十亿级别数据量下，秒级导入，秒级查询；存储明细数据，随用随查。
关于技术实现，它的整个流程是这样的，先是数据接入，数据传输，然后是数据建模/存储，紧接着是数据查询，最后是数据可视化/反馈，将分析结果展示出来。整个架构图如下：
在前端埋点上，神策提供了三种不同的埋点方式，第一个是默认埋点：自动采集所有的页面浏览、控件操作、App启动等；可视化埋点：采集指定的控件操作，无法自定义属性；代码埋点：自定义任意的事件和属性。在数据传输方面，使用了 Nginx、Kafka 等开源组件，其中 Nginx 作为据接收层，保证接入层的性能和高可用，而 Kafka 则提供了高可用的分布式消息队列，用作导入过程中的数据缓冲。
在数据存储方面，神策使用了 Kudu，一个新的开源存储引擎，用作 WOS (Write Optimized Store)，来保证秒级的实时写入。数据查询上则主要通过神策自己的 QueryEngine 来生成 SQL，并提交给 Impala 执行。
付力力最后说到，由于神策分析主要是部署在客户的私有网络环境里，这样就需要一个强大的拥有自我修复功能的监控系统，在无人干预的情况下尽可能的保证系统的稳定运行。
来自91金融的 CTO 宋传胜介绍了在互联网广告以及互联网金融领域，用户画像地位很重要，应用也很广泛。但是在独立的第三方金融系统中，如何获得大数据，并且通过大数据的分布式算法对用户进行画像分类和画像分析，是很关键的技术点。
首先是收集有价值的数据，来源是通过用户在各种网络设备上的行为沉淀的数据，金融机构会选择合适的数据，识别出同一个用户的不同行为，然后是建立模型，并且验证数据的可用性。为了避免数据重复，所以要确定用户的唯一 ID，采集不同维度的用户数据，包括结构化和非结构化的数据集。整个过程依靠任务调度系统进行数据挖掘，收集上来的数据涵盖 PV/UV、访问时长、地域、时间、跳出率、停留时间等等。
除此之外，还会有第三方数据采集的途径，包括桌面软件的 Cookie 植入、桌面安装软件列表特征抽取、提取 URL History，特征抽取、网站域名和分类、通过模板抽取查询词、Category 抽取、提取键盘输入信息等等。电商和社交环境下，关键的数据收集基本上来自类目、购物车、收藏、支付等等。
宋传胜重点讲了数据挖掘模型的构建内容，LDA 文档主题模型涵盖用户文档、特征词汇（类目，行为，查询，网址）、主题属性；通过人工标注的方式来选取有用的数据；之后是将主题属性代入模型实现迭代训练。例如像识别羊毛客这样的风控应用，就可以识别出IP属性（代理、VPN、网关、服务器），以及用户的行为特征，包括发生时间，行为间隔等等。
