大数据风控架构的分析是一个复杂的过程，它涉及到数据收集、数据处理、模型建立和应用等多个环节。以下将分为三个部分介绍大数据风控架构的分析。

一、数据收集和存储的分析
数据是大数据风控的基础，因此数据的收集和存储是架构中非常重要的一环。针对大数据风控的需求，需要选择合适的数据源，包括外部数据源和内部数据源。外部数据源可以是公共数据集，例如金融市场数据、舆情数据等；内部数据源可以是公司内部的各种业务数据，例如用户行为数据、交易数据等。

1. 外部数据源的分析
针对外部数据源，需要考虑数据的来源、数据格式、数据量和数据实时性等因素。数据的来源可以是第三方数据提供商、公共数据库等。数据格式可以是结构化数据、半结构化数据或非结构化数据。数据量和实时性是决定数据收集方式的关键因素，如果数据量很大或者需要实时处理，可以考虑使用流式数据处理系统。

2. 内部数据源的分析
内部数据源可以是公司的各个业务系统产生的数据，例如用户行为数据、交易数据等。在数据收集和存储的过程中，需要考虑数据的一致性、可靠性和安全性。可以使用ETL工具将数据从业务系统抽取出来并进行清洗和转换，然后再进行存储。在数据存储方面，可以选择传统的关系型数据库，也可以选择分布式存储系统。

二、数据处理和模型建立的分析
数据处理和模型建立是大数据风控架构中的核心环节，主要包括数据预处理、特征工程和模型训练等。在这个环节中，需要使用合适的工具和算法来对数据进行处理和分析。

1. 数据预处理的分析
数据预处理主要包括数据清洗、数据集成、数据变换和数据归约等步骤。数据清洗是对数据中的错误、缺失和异常值进行处理；数据集成是将多个数据源中的数据进行整合；数据变换是将数据转换为适合模型分析的形式；数据归约是对数据进行降维或抽样。

2. 特征工程的分析
特征工程是将原始数据转换为更具有表达能力的特征，以用于模型训练。在特征工程中，需要进行数据的选择、变换和构建。数据选择是选择与目标变量相关的特征；数据变换是对特征进行变换，例如对数变换、归一化等；数据构建是通过组合、衍生或交互等方式构建新的特征。

3. 模型建立的分析
在模型建立中，需要选择合适的算法和模型，例如决策树、支持向量机等。同时，还需要进行模型训练和验证。模型训练是使用训练数据来拟合模型的参数，使其能够对目标变量进行预测；模型验证是使用验证数据来评估模型的性能。

三、应用场景和系统架构的分析
大数据风控的应用场景非常广泛，例如银行风控、电商风控、网络安全等。根据不同的应用场景，可以设计相应的系统架构来支持大数据风控的应用。

1. 应用场景的分析
针对具体的应用场景，需要确定风控目标、数据需求和模型需求。风控目标是指所要解决的问题，例如欺诈检测、信用评分等；数据需求是指所需要的数据类型和数据量；模型需求是指所需的模型类型和模型性能。

2. 系统架构的分析
根据应用场景的需求，可以设计相应的系统架构。系统架构包括数据采集和存储层、数据处理和模型建立层、应用和决策层。数据采集和存储层负责数据的采集和存储；数据处理和模型建立层负责对数据进行处理和建模；应用和决策层负责对模型进行应用和决策。

总结起来，大数据风控架构的分析涉及到数据收集和存储的分析、数据处理和模型建立的分析、应用场景和系统架构的分析等多个方面。在实际应用中，需要根据具体的需求和场景来进行分析和设计，以实现有效的大数据风控架构。