数据湖里面有很多，这后面有很多数据“库”，中间有原始数据，有一个目录，这边有很多数据和IT之间的交互，这边有很多读的交互，底下还有很多数据治理，数据治理是说你的数据进来什么人可以以什么方式把数据存进来？什么方式把数据提走？以什么方式使用这些数据？尤其金融数据很敏感，你们构建这个的时候必须要考虑。
其他跟数据进来，数据怎么清理，还有分析的工具有关，这是架构在数据之上的，这个概念知道以后，用什么样的数据和技术，大家可以来考虑。
这个是在架构数据库中间，中间要用大量Cloud或者Hybrid Cloud方式提供服务，使用者可以自服务的，构建一些UI功能让他在界面上自己编辑，就可以编辑出很多应用出来。从描述性分析到诊断性分析到预测性分析，再到指导性分析。指导性分析它的意思有点开药方一样，我已经知道你得什么病了，告诉你该吃药了。这一类分析是我已经80%、90%的确定。这个走势是这样的，于是你作为关注这个走势的这些人应该做这些事情。
最后一个是自学习，最终你构建的金融大数据中心里面，是在若干个方面提供服务的，如果仅仅是玩票，可以在某些领域玩得深一点就可以了，这个没有问题。
这是未来可能发生的，Data Lake和Hybrid Cloud。有的人构建了一个企业内部的数据湖，有的人构建云中的数据湖。从使用者角度来讲，既需要云中的，也需要某些企业内部的。这两者之间对于后台管理来说是一个蛮大的挑战。数据的拥有人不一样，数据和数据之间的标准，交互的标准、描述的标准都不一样，互相之间怎么协调，是一个很大的挑战。从IBM角度来讲，我们是站在这两个后面来看怎么支撑未来的服务。
现在所有的东西基本都变成开源了，开源以后商家怎么挣钱成为一个很大的问题。比方说我们原来卖软件license的，现在不太好卖了，或者未来越来越卖不动。我卖服务，假如我是IBM，做了一堆服务，放到IBM的云里面，举个例子，中国的银行就不会把它的数据放到IBM的云里面，美国银行可能会，这样IBM未来的商业模式在哪里？这也是我们正在探讨的一些方向。
这个数据本身，大量的Self-Service是被数据分析师需要的。那些投资人对大家来说是数据分析师，用大家的数据是指导它进行投资。分析师需要一些工具，要把这些工具做得简单方便，自己配置就能用了，你也可以说，你使用我，找一个数据分析师，专业的，帮你天天做，这个可以，有可能是一个人，有可能是个小的机器人，你们朝这个方向做，建议可以做个小的机器人助手，可以做自学习、分析。从投资角度来讲，这个分析越全面投资越准确。数据分析人有一个很大的悖论，很特定的观点，数据看得越多、越全面，就越能够把握住相关的规律。从我们的角度来讲，到最后的结果，社交媒体里面的数据，相关的新闻报道、正式媒体里面的数据，相关的监管机构的数据、交易数据等，对大家来说都是非常重要的。
IBM有个Watson Explorer，本质来说从功能上现了大家做的数据集，但不是针对金融做的。不同的数据源，不同的数据分析报表，有大量不同的结构化、非结构化的数据，通过自服务的形式提供出去，这是IBM自己做到的一些东西，但不是特定针对金融行业做的。
速记内容有删改。
整理：干货组、张梦
注：本稿件摘自数据观入驻自媒体—数据派，转载请注明来源。