IDC发布的《银行数字科技五大趋势》报告显示,截至2023年6月底,中国手机银行APP月活用户数达5.1亿。如今,人们通过手机银行可以随时随地进行金融操作,无需前往银行网点,极大地提高了金融服务的便捷性和效率。

从日常消费支付到资金管理、投资理财等,越来越多人开始高频、深入使用银行业务,这也对银行数据系统造成极大挑战。一方面,银行业务结构复杂,数据体量大、来源多,不同的业务系统产生的数据格式不同,导致数据管理成本高;另一方面,业务发展带来日志数据体量激增,对银行数据系统高并发、高吞吐的要求也进一步提升。

某银行底层的数据系统涉及储蓄、信用卡、贷款等多个业务系统,每日产生大量客户交易日志,包括文本格式、数据库等多种格式。为了更好为客户提供定制化服务,银行内部需要根据日志进行多维数据分析,了解客户行为模式和特征,但现有系统从性能、易用性等方面无法支持这种复杂、灵活的分析场景。

作为火山引擎推出的一款云原生数据仓库,ByteHouse因其在大规模数据下强大的复杂查询能力进入该银行的视野。

据介绍,ByteHouse支撑海量的实时数据分析和数据离线分析,同时具备极强的弹性扩缩容能力、极致分析性能和丰富的企业级能力,对内已经服务于字节跳动内部大量数据分析场景,对外也已在多个金融场景落地。

万亿数据规模下 火山引擎ByteHouse助力银行日志数据高效分析 第1张
ByteHouse解决方案

首先,依托于ByteHouse存储引擎的能力,该银行能将所有日志数据统一汇总存放,避免日志数据孤岛,降低维护成本,提升运营效率。其次,针对高吞吐的要求,ByteHouse支持单点高吞吐量写入,其分布式架构特性进一步让写入能力线性提升;最后,为了解决数据格式杂乱的问题,ByteHouse 采用 Map 数据类型对接,在保障写入及查询性能不降低的同时,更灵活应对日志这类数据结构。

除此之外,在性能方面,ByteHouse支持实时分析,在复杂查询下能提供快速响应,并具备良好的可扩展性。比如在点查场景中,该银行系统存在响应时间慢等情况,ByteHouse则通过采用短链路的执行方式、建立unique table 点查索引、提升读链路效率等方式进行优化。

引入ByteHouse有效解决了实时运营数据入库瓶颈和延迟的问题,实现了万亿数据规模下的真实数据分析,在该银行的某些营销活动场景中,实现预测数据 5 秒内推送,保障运营人员第一时间获取信息,并调整策略。

银行数字化转型不断加速,从基础业务、风险评估、趋势分析到精准营销,对数据处理和分析的需求越来越强。未来,ByteHouse也会持续为银行等金融领域提供高性能、高可用的分析服务,助推数据价值进一步释放。

 

收藏(0)