某行省级子公司总贷款10,000亿，有抵押贷款700亿。工商银行、中国银行、建设银行、招商银行、农业银行、交通银行在该省贷款额度均很大。
企业尤其是中小微企业经常采取相互担保、循环担保等复杂的担保关系情况，抱团成“担保群”，这种行为容易造成多头授信和过度授信。当贷款无法按时偿还，最终损失会由银行承担，提升银行的坏账率。
从宏观经济角度层面来讲，经济环境复杂，企业间关系不透明，企业间形成错综复杂的关系网络；传统的分析方法无法快速、准确抓住关键的风险因素；风险传播影响大。
从商业银行角度层面来讲，已经沉淀了多年丰富的历史数据，并尝试使用新的分析手段，由于自身数据的局限性，很难在分析结果的真实性上有所突破，风险依然存在。
因此有必要在银行系统大且全的数据基础上，使用复杂网络分析技术进行深度数据挖掘，为管理和化解风险提供条件。
Hubble数据库
提供全国金融机构贷款统计系统
通过核心组件构建企业关联关系分析
梳理、分析、防范和化解担保圈风险，已成为稳定经济增长，维护金融稳定的重要方面。Hubble数据库辅助某人行征信中心全国金融机构搭建贷款统计系统，利用企业之间的法人关系、供应链关系、担保关系、雇佣关系、股权关系等相关关系，利用复杂网络技术，构建对公企业族谱，利用复杂网络算法技术，分析网络担保风险，进而发现潜在的风险。
核心组件 |
使用 ArangoDB 支撑亿级的关系实时查询 |
使用 Hbase 支撑所有节点信息和关系信息的详细记录查询 |
使用 Spark 完成节点关系复杂算法离线计算 |
使用 Hive 完成数据整理和部分传递功能 |
通过以上核心组件，构建了大数据量的，集数据整理、离线计算、实时查询、关联关系查询的企业关联关系分析项目。
Hubble数据库
在某人行征信中心实践
检测出某集团超200亿的过度授信贷款
直接成果：某集团有限责任公司凭借其资质可以从以上大型银行贷款64.5亿，而实际上通过循环担保从以上各大银行共计贷款300亿，超出的235.5亿为过度授信贷款。
间接成果：重点关注企业密切资金往来的风险关系和担保圈关联企业的风险关系，通过两种关联关系的分析，把单一企业风险，利用社交网络的风险传播算法，传导到群体企业，起到的风险放大作用，对企业进行提前风险预警，从而减少风险损失。
