互联网金融客户上云案例

本文涉及的产品
云数据库 RDS MySQL,集群系列 2核4GB
推荐场景:
搭建个人博客
阿里云百炼推荐规格 ADB PostgreSQL,4核16GB 100GB 1个月
RDS MySQL Serverless 基础系列,0.5-2RCU 50GB
简介: 阿里云以 “大中台,小前台”为战略,帮助客户打破传统的烟囱式系统,全面整合数据资源、信息资源,以十年百家客户的实践为基础沉淀而成的一整套方法论,打造高并发、云原生、高可靠的业务中台,做到业务解耦、能力复用,通过业务功能的组合,达到业务开发场景化的目的,提升了创新效率、降低创新成本。

1、引言-互联网金融行业背景
根据中国人民银行等十部门联合发布的《关于促进互联网金融健康发展的指导意见》,互联网金融是传统金融机构与互联网企业(以下统称从业机构)利用互联网技术和信息通信技术实现资金融通、支付、投资和信息中介服务的新型金融业务模式。其类别包括互联网支付、网络借贷、股权众筹融资、互联网基金销售、互联网保险、互联网信托和互联网消费金融等。
互联网金融行业从本质来看依然属于金融行业,但它又具备互联网的开放、平等、协作和分享等特性,特别在服务模式和场景化上大大区别传统金融业务,下面我们从社会发展和技术角度来分析下互联网金融行业的趋势。
消费观念转变带动互联网金融发展随着生活水平的提高和消费能力的提升,人们的消费观念转变,投资欲望增强,信用消费、超前消费被越多越多的消费者所接受。同时,社会大众对第三方支付、互联网理财产品等互联网金融产品的认可程度越来越高。
金融科技加速开放,推动互联网金融转型升级当前,金融科技加速开放,互联网金融结合金融科技的科技输出解决方向,融合金融云、区块链、大数据风控等新技术,互联网金融正在步入新的发展阶段。
关于全站上云: 更多详情-> 更多详情

2、互联网金融行业的主要痛点
案例中的这家企业,目前以线上、线下支付业务为主,互金领域小额信贷、理财、电商、智能终端等业务也均有涉足。通过详细调研,我们总结了它的核心痛点:业务稳定可靠成本高、业务创新慢、数据智能化驱动难。下面将分别阐述这些痛点,以及如何通过阿里云计算来解决这些问题。

3、为什么上云-提供更稳定可靠的技术支撑
该客户最初采用自建数据中心模式,在当地有两个数据中心,一个提供服务,另一个是冷备数据中心,非核心业务前端采用了集群化部署模式,数据库以DB2、MySQL为主,需要大量人力运维成本和设备持续投入成本;核心交易系统是小型机,数据库采用了Oracle RAC模式。线下业务每天中午和晚上吃饭时间是交易高峰期,而线上业务主要以节假日,重要事件和促销为业务高峰点,这就给客户带来极大的困扰,在重要时期,两种业务叠加会造成核心系统的压力,而由于系统老旧加上数据存储层不易扩容,导致通过增加设备难以实现业务线性增长,成为业务瓶颈;而非核心业务系统又因为某几个时间点的业务高峰期造成了大量的资源闲置;同城的灾备数据中心由于不影响核心业务,采用延迟复制的方式,而且也没有经常的进行演练,导致出了问题数据不能用和不敢用。
将客户的部分本地数据中心迁移至阿里云 RDS 后,省去了大量服务器成本、软件购买成本、以及日常运维的人力成本。同时阿里云RDS可根据业务压力随时购买实例、调整规格,有效解决非业务高峰时的资源闲置问题。阿里云聚集顶尖的数据库专家, RDS的所有参数都经过多年生产实践的优化,确保RDS实例一直基于最佳配置运行,为客户提供高性能实例,以轻松应对线上线下两种业务叠加带来的核心数据系统业务压力。在安全性、稳定性和可靠性方面,帮助客户搭建多个云上+云下的高可用数据中心,通过低网络时延的双机热备、数据多副本冗余,保障数据服务的高可用性。
另外,通过数据传输服务,实现不停机IDC数据迁移至阿里云RDS数据库,打消了用户数据迁移的顾虑。

4、为什么上云-提升创新效率、降低创新成本
现在企业创新动力充足,通过线上与渠道合作,把自己的支付、信贷等金融业务植入到各个场景中,同时需要做多种线上活动,IT部门需要配合活动,研发应用功能,做业务推广。这些应用的特点是以天和周为单位的短周期,并且需要配合其它平台要求,不断的修改内容;在线下活动中,也面临同样的问题,围绕着商圈、商户不断的进行业务推广、应用推广,周期会比线上长些,以周和月为单位,但对于传统金融业务来看依然属于短期、频繁、多变的业务,而传统的烟囱式开发导致各自为政,不同的系统不能共享资源,不能交付和访问,形成了资源孤岛和信息孤岛,开发积累的资产不能快速交付给运维,造成迭代速度慢,很难满足互联网金融的业务特点。
阿里云以 “大中台,小前台”为战略,帮助客户打破传统的烟囱式系统,全面整合数据资源、信息资源,以十年百家客户的实践为基础沉淀而成的一整套方法论,打造高并发、云原生、高可靠的业务中台,做到业务解耦、能力复用,通过业务功能的组合,达到业务开发场景化的目的,提升了创新效率、降低创新成本。在此基础上,引入 DevOps 理念,以 CALMS 为主旨提供线上CI/CD方案,整合工具链,构建敏捷闭环,打造一站式工具平台;此外,由于基础设施云化,支持分钟级申请、使用、销毁,也降低加了业务试错的成本。

5、为什么上云-构建数智化业务驱动引擎
该互金客户希望通过数据智能来提升公司的三个方面的能力:

  1. 全面提升用户体验,这里主要表现为全渠道的用户体验,目前客户有线上、线下业务,线上的端有自由APP、小程序、公众号等等,而每个渠道都是割裂的,没有统一的用户画像和服务;其次是产品优化的用户体验,以用户喜好去推进产品完善,而不是产品和管理者的喜好;营销和推广的用户体验,能更精准,让用户感觉更舒适的方式来进行营销活动

通过

  1. 智能化辅助业务,降低人工成本,提升业务能力,目前在金融行业,刷脸、智能客服、催收等场景都有比较好的智能化的案例,客户希望能结合自身业务快速的低成本的方式打造适合自身企业的智能化能力
  2. 数据驱动业务,客户希望进行数字化转型,通过数据来推进自身的业务发展,例如通过数据的精细化分析和风险模型的建立,可以在金融业务的广度和深度有所拓展,另外可以大幅缩短业务办理周期,从根本上变成一家以用户为中心的互联网金融公司。

互联网金融行业正面临流量由PC端转向移动端的趋势,因此我们为客户提供覆盖了小程序、移动端APP的全生命周期管理的一体化移动开发平台,在降低研发、迭代成本的同时,统一各终端的数据标准,为数据共享运营变为可能;结合云小蜜、图像识别、人脸识别等人工智能技术,更加快速精准的认证、响应客户咨询,不但降低了服务成本,还自动收集了更多的结构化数据。将人工智能、移动端、PC端以及传统线下业务数据接入专有云数据中台,形成企业内部高速数据通道,统一管理数据资产,提高数据质量,在保障数据安全的前提下,高效治理数据,深度挖掘数据价值,提取用户特征、行为、喜好等,描绘精准用户画像,让精细化运营成为可能。

6、上云方案-互联网金融客户如何通过云计算加速业务发展
这里我们从三方面简单说明互金客户如何进行数字化转型的。
1) 高可用架构
1
提供了符合客户业务要求、面向互联网金融行业的混合云高可用架构。业务接入区由两个阿里云数据中心和一个友商的云数据中心组成,核心业务区由用户本地IDC组成。以测试结果来看,阿里云数据中心的网络延时较低,网络更加稳定,所以采用阿里云数据中心,以一主两备同步复制方案负责主要流量接入,对于大流量业务,进行数据分片,由每个阿里云数据中心各承担50%流量,在核心业务区,客户本地IDC 的Oracle Rac集群互为主备,同时提供服务。对于小流量业务,采取主备模式,尽可能确保数据一致性,并在友商的云数据中心进行应用业务日志跨数据中心备份,若主数据中心出现问题,则以备份数据中心数据为基础,与业务日志进行核对,尽可能的恢复数据,保障数据完整性。同时,进行异地混合云冷备,提升RTO与RPO指标。
2) 业务敏捷架构
2
通过深刻分析客户小额信贷、理财产品、信用卡还款等业务场景,链接和协同业务中通用部分,逐步抽象出用户中心、交易中心、风控中心、等共享单元,形成业务中台,并在中台建设过程中,持续分析总结出适合企业的理念与规范,以配合企业优化组织结构、提升中台效率。同时以企业自身生态为基础,结合阿里云以及云原生技术栈,打造以自动化、精益、可度量、资源共享为主旨的 DevOps 平台,帮助客户推广 DevOps 理念,实现云上 CI/CD,达成敏捷研发闭环。降低了试错成本,给企业快速进行业务创新的能力。
3) 数据驱动业务
通过使用阿里云具备移动端研发能力、移动数据中台、后台连接能力的一体化研发平台,提供多种开发框架、丰富的功能组件,让客户像搭建积木般简单快捷的开发小程序、客户端APP的同时,统一多个团队,不同领域、终端的数据采集、计算、存储、加工的标准以及口径,形成标准数据,再进行存储,形成大数据资产层,打造企业数据中台。以数据为依据,绘制精准用户画像,深度洞察客户业务需求,达到精准营销的目的,完成线下访客发展为线上会员,线上会员发展为 VIP会员的转化。
3
互联网金融客户通过云计算加速业务发展,需要通过云化基础设施,降低构建稳定、安全、高性价比的云IT产品的成本与难度;通过数据智能化,简化应用开发流程、大数据框架搭建、安全稳定的云存储;通过智联网化,轻松上手AI、机器学习、IoT;通过协同移动化,随时随地办公,达全方位立体化解决互联网金融业务上云。

7、上云的价值
• 挺升高可用性与异地灾备能力
提供稳定可靠的混合云高可用解决方案,构建多活数据中心,并进行异地灾备,定期演练
• 快速应对突发的业务量,实现弹性扩缩容
针对互联网金融线上线下业务结合,存在明显业务数据量高峰与低谷的特点,灵活快速申请资源与释放资源,在满足业务要求的同时,还节约了成本
• 实现敏捷闭环,降低试错成本,提高创新能力
整合现有业务模块,构建微服务化业务中台,统一标准,提高功能复用性;同时推广进行DevOps实践,有效赋能,提高研发效率。
• 提高用户画像准确度,实现精细化运营
打通线上与线下,网页、移动端与小程序间信息孤岛,打造数据中台,形成大数据资产,推动数据采集、分析能力,实现“一切业务数据化,一切数据业务化”。

相关实践学习
阿里云百炼xAnalyticDB PostgreSQL构建AIGC应用
通过该实验体验在阿里云百炼中构建企业专属知识库构建及应用全流程。同时体验使用ADB-PG向量检索引擎提供专属安全存储,保障企业数据隐私安全。
AnalyticDB PostgreSQL 企业智能数据中台:一站式管理数据服务资产
企业在数据仓库之上可构建丰富的数据服务用以支持数据应用及业务场景;ADB PG推出全新企业智能数据平台,用以帮助用户一站式的管理企业数据服务资产,包括创建, 管理,探索, 监控等; 助力企业在现有平台之上快速构建起数据服务资产体系
相关文章
|
机器人 BI vr&ar
伙伴客户案例|阿里云RPA助力制造零售企业降本增效 ——财务场景篇
RPA全称机器人流程自动化(Robotic Process Automation),是一种新兴的“数字劳动力”,可以替代或辅助人完成规则明确的重复性劳动,大幅提升业务流程效率,实现企业业务流程的自动化和智能化,从而降本增效。目前,RPA解决方案的应用场景几乎涵盖了所有行业,包括银行、保险、制造、零售、医疗、物流、电子商务甚至政府和公共机构。
2368 3
伙伴客户案例|阿里云RPA助力制造零售企业降本增效 ——财务场景篇
|
存储 安全 云计算
《快递行业云上技术服务白皮书》——4. 快递行业技术服务最佳实践——4.1 核心业务上云最佳实践——4.1.1 上云背景介绍
《快递行业云上技术服务白皮书》——4. 快递行业技术服务最佳实践——4.1 核心业务上云最佳实践——4.1.1 上云背景介绍
133 0
|
消息中间件 JSON 运维
《快递行业云上技术服务白皮书》——4. 快递行业技术服务最佳实践——4.1 核心业务上云最佳实践——4.1.3 业务迁移上云最佳实践(3)
《快递行业云上技术服务白皮书》——4. 快递行业技术服务最佳实践——4.1 核心业务上云最佳实践——4.1.3 业务迁移上云最佳实践(3)
122 0
|
SQL Oracle 安全
《快递行业云上技术服务白皮书》——4. 快递行业技术服务最佳实践——4.1 核心业务上云最佳实践——4.1.3 业务迁移上云最佳实践(5)
《快递行业云上技术服务白皮书》——4. 快递行业技术服务最佳实践——4.1 核心业务上云最佳实践——4.1.3 业务迁移上云最佳实践(5)
129 0
|
数据库
《快递行业云上技术服务白皮书》——4. 快递行业技术服务最佳实践——4.1 核心业务上云最佳实践——4.1.3 业务迁移上云最佳实践(4)
《快递行业云上技术服务白皮书》——4. 快递行业技术服务最佳实践——4.1 核心业务上云最佳实践——4.1.3 业务迁移上云最佳实践(4)
101 0
|
运维 Dubbo Java
《快递行业云上技术服务白皮书》——4. 快递行业技术服务最佳实践——4.1 核心业务上云最佳实践——4.1.3 业务迁移上云最佳实践(1)
《快递行业云上技术服务白皮书》——4. 快递行业技术服务最佳实践——4.1 核心业务上云最佳实践——4.1.3 业务迁移上云最佳实践(1)
163 0
|
机器学习/深度学习 监控 安全
在线教育行业云上技术服务白皮书-客户活动云上护航介绍-在线教育客户业务护航保障案例(中)
在线教育行业云上技术服务白皮书-客户活动云上护航介绍-在线教育客户业务护航保障案例
|
弹性计算 安全 中间件
在线教育行业云上技术服务白皮书-客户活动云上护航介绍-在线教育客户业务护航保障案例(上)
在线教育行业云上技术服务白皮书-客户活动云上护航介绍-在线教育客户业务护航保障案例
142 0
|
弹性计算 人工智能 监控
在线教育行业云上技术服务白皮书-客户活动云上护航介绍-在线教育客户业务护航保障案例(下)
在线教育行业云上技术服务白皮书-客户活动云上护航介绍-在线教育客户业务护航保障案例
113 0
|
搜索推荐 小程序 大数据
杭州联合银行 x 袋鼠云:打造智能标签体系,助力银行大零售业务转型
经过前期的多轮调研和选型,杭州联合银行了解到袋鼠云的客户数据洞察平台 DataTag 具备全面的标签平台功能,标签圈群、用户画像等功能完备。最终,杭州联合银行选择与袋鼠云携手,重点打造智能标签平台,从而为大零售转型提供数据价值,提高营销效率。 联合银行各条业务线一直以来都有在做相应的标签体系建设,但由于各业务系统的标签数据标准不统一,标签建设缺少系统性,导致用户画像不完整,甚至缺失,各业务线存在数据孤岛现象。
267 1