Hadoop是一个目前已经得到广泛应用和相对成熟的分布式架构计算平台。用户可以在Hadoop上开发和运行处理海量数据的应用程序。Hadoop是一个数据管理系统，作为数据分析的核心，汇集了结构化和非结构化的数据。
Hadoop的生态系统，主要由HDFS、MapReduce、Hbase、Zookeeper、Oozie、Pig、Hive等核心组件构成，另外还包括Sqoop、Flume等框架。同时，Hadoop生态系统也在不断增长，新增Mahout、Ambari、Whirr、BigTop等内容，以提供更新功能。
低成本、高可靠、高扩展、高有效、高容错等特性让Hadoop成为最流行的大数据分析系统。
什么是数据分析数据分析的目标：通过数据描述目前业务运行的情况、提供下一步决策的依据、对业务发展和运营作未来的预测。
数据分析的基础：未经处理的原始数据或各种影像资料等。
数据分析的方法：加工数据、清洗数据达到目标，主要是找到合适的工具和平台。
数据分析的要素：数据、工具、平台。
数据分析的定义：即根据分析目标，找到相应数据，运用合适的工具与平台的过程。
3数据分析架构大数据体系一般分为：数据采集、数据存储(数据清洁、数据转换、数据校验和数据规约等)、数据建模(数据指标、业务宽表和业务建模等)、数据分析、数据可视化。
4技术架构4.数据采集
让数据发挥价值、以数据来驱动业务，你面临第一个问题就是大数据从那里来，巧妇难为无米之粥，你应该要知道企业的大数据在那里，应该用什么方式及时获取到。
金融行业的数据源主要来源几个地方：业务系统、前端运营的APP等平台、业务日志和互联网数据等。
关于数据采集具体内容请参考：《你的数据从哪里来？》
4.数据存储
数据存储过程中，需要在数据仓库里解决数据质量的问题，对数据进行清洗，数据清洗的目标除了解决数据质量的问题，还需要让数据更适合做下一步的数据分析和数据挖掘。
()、解决数据质量问题；
()、解决数据完整性问题；
(3)、解决数据唯一性问题；
(4)、解决数据合法性问题；
(5)、数据数据一致性问题；
关于数据质量具体内容请参考：《数据质量，你永远的痛？》
4.3数据融合
数据融合的过程包括数据检验、数据重构、数据指标建模的过程。数据集市和数据仓库都要支撑业务，从底层构建、梳理业务，把数据底层和业务结合设计各种主题宽表，需要梳理业务核心指标、分层建立数仓分层结构。
4.3.数据指标
一个优秀的数据指标体系，不仅能让你快速解决数据需求，洞察出可能会被忽略的价值数据，还能反映出你目前最需解决的业务问题。
正常的来说，金融行业的APP、