如何通过组合方式来适应实际需求并应用到具体场景中？

我们的最佳实践是利用互联网+大数据的技术架构，构建Lamda架构，如图所示：

一、数据采集
1. 传统业务系统数据库和数据集市、数据仓库的数据，均可以通过Sqoop等数据桥接的方式接入大数据平台，同时可以将数据库日志、系统日志等非结构化文本数据通过Flume等组件接入大数据平台
2. 银行线上渠道（网站、APP应用、微信公众号等）中的用户行为可以通过数据探头技术，Web端及H5通过JS、移动端通过SDK部码，采集用户行为数据；银行线下渠道（柜面、ATM等）的用户行为数据，需从线下接入的系统数据中解构分析
3. 互联网公开数据，如论坛、微博、媒体资讯等，通过数据爬取技术进行数据采集
4. 也可以利用各种API接口接入其他合作方、第三方等的在线或离线数据
二、数据分发
通过FTP或Kafka消息队列将数据实时分发，分发后分开实时数据处理和离线数据存储和处理两条线，形成“人”字型的Lamda架构
三、离线数据存储及处理
基于Hadoop平台和MpReduce技术的离线数据处理，常用的是HBase列式数据库。
四、实时数据处理
利用Storm或Spark技术的实时数据处理，例如Storm是事实流式处理，Spark（Spark Streaming）是基于内存的实时批处理。
五、数据存储
不同的数据类型、不同的业务场景，需要的不同的数据存储服务，在我们的产品中应用了Redis、MongoDB、MySQL、ElasticSearch等多种存储服务。

百分点基于此架构为银行提供服务的典型应用场景包括：
1. 用户行为采集分析：利用数据探头（JS、SDK，Nginx、ICE）、数据分发（Kafka）、离线数据存储及处理（HBase）、运营分析结果展现（MySQL）
2. 跨部门数据整合：利用数据桥接（Sqoop）、日志接入（Flume）、数据分发（FTP）、离线数据存储存储及处理（HBase、ES）
3. 离线用户画像和用户洞察（支持营销）：利用离线数据存储存储及处理（HBase、ES）
4. 实时用户画像及推荐：利用实时数据处理（Storm、Spark）、数据存储（Redis、MongoDB）
5. 实时反欺诈：利用数据接口（API）、数据分发（MQ）、实时数据处理（Storm）