大数据分析工具与传统分析工具有什么区别？

传统分析工具更多是基于少量、结构化的数据来做分析可视化，它更强调对使用者手头上的数据做即时的分析处理，可随时按需修改数据并随时呈现出结果，比如微软的Excel及苹果的Numbers表格，面向所有大众用户的办公软件。而大数据分析工具是基于海量、异构化的数据做处理、洞察及可视化，它更强调对大量复杂数据的处理能力、对文本数据的NLP挖掘能力、对商业分析元素的可视化能力，比如Tableau及Datastory的数说立方，面向专业的分析师。

搭建大数据分析工具一般需要哪些技术？

首先，搭建大数据分析工具一般具有一个通用的分层框架，包括数据采集层、存储层、分析层和展现层。其中，采集层是获取大数据的基础，如果要将数据存入HDFS中，那么可能需要用到Sqoop或者Flume与Kafka等技术；存储层，因为数据可能具有多源异构特性，需要考虑后续如何使用与研究数据，可选的技术包括HBase、Hive等；分析层，可能需要对数据进行抽取与统计，复杂点的包括算法建模，前者可选择ElasticSearch分布式倒排索引引擎，后者可以考虑Spark Sql以及Spark的mllib；最后，展现层，是与用户沟通的关键一步，需要搭建一个用于交互的服务器，一般选择C/S技术架构，可快速迭代发布，用户体验较佳。

大数据技术在金融行业有哪些应用前景？

经过多年的发展与积累，金融领域已具备海量数据，正在步入大数据时代的初级阶段，因此金融大数据正受到银行、保险、证券企业的追捧。随着大数据技术的完善，大数据在金融领域发挥的作用将越来越大，在应用广度和深度上还有很大的进步空间，金融大数据发展势头强劲。

金融领域具备海量数据，非常适合与大数据技术相结合，因此金融大数据正受到银行、保险、证券企业的追捧。通过互联网、云计算等信息技术来处理海量数据，从而更好地了解客户、创新服务。

目前，金融行业主要如信用卡、防欺诈、电子支付业务等，对大数据有比较大的需求。因此，随着金融行业大数据应用的加强已经深入，前瞻产业研究院预计，到2017-2022年，金融行业大数据应用市场规模年均复合增长率为55.21%，到2022年，中国金融行业大数据应用市场规模为497亿元。

不过，金融大数据还面临着不少阻碍，如内部各业务间存在信息孤岛现象、外部大数据整合难度大等。相信在大数据起到更大效果时，金融大数据的推进不会太大问题，未来前景广阔。据前瞻产业研究院《中国大数据金融行业市场前瞻与投资战略规划分析报告》显示，银行处处都在和数据在做打交道，而且做得越大越好的金融机构越能够驾驭和使用这些数据，用流行的话说叫数据驱动经营。所以其实银行到处都在进行着数据分析，现在真正做成系统，模块化，数据量能够到海量级别的，我觉得银行内部的crm营销和统计，ftp的定价，征信系统（自己做的不是人行的那个），各个大行基本都已经达到了大数据的量，也都在做有关大数据的事情。

总而言之，就是把数据的分析和整理应用到整个金融的体系中去，而不是空谈大数据。比起争论数据分析还是大数据应用而言，我觉得找到客户或者内部员工的一个痛点，解决它，再考虑扩展是一个更为脚踏实地的方式。

当然大数据因为数据量大(百亿以上)所以进行分析之前需要有配套的数据分析工具和架构，还需要有符合仓库要求的数据源，而这些东西要慢慢的搭建和准备。传统行业的数据是有的，但是很多并没有纳入到整个大数据的框架中去，这需要做一些工作，需要各个部门配合，审核，还有一些时日。但是这种以数据为基础进行精细运营，把数据融入商业运营的趋势是不会改变的，慢慢来吧。

主力通过大数据监控散户,那散户有哪些应对方法

“主力资金”是主力的钱，不是散户的钱。“散户资金”是散户自己的钱，不是主力的钱。根据谁能够自由支配这个资金，那么这个资金就是谁的来界定区分的。简单而言关键看每笔的交易量，大则视为主力，小则视为散户。

结合K线，分时图，个股基本面综合考虑，到底是主力还是散户，单纯从资金流向是看不出来的，而且主力多狡猾，也会造假，可以通过其他网站看你想看的股票评价情况来分析，有的个股甚至要结合几天走势看，到底是不是主力。华中智能股票预警系统里面有全面的分析。你可以去看看。