如何構建智慧監控預警管理平臺？

與傳統金融機構相比，網際網路金融打破地域限制帶來便利的同時，也使維權成本變高。

由於互聯 網金融的所有交易透過非面對面的方式進行，從開立賬戶、條款說明到簽署合同都是透過電子資料得以記錄。但這些電子資料容易被篡改和滅失，消費者往往存在舉證困難的可能性。

基於上述問題和挑戰，我們需要一個全鏈路、智慧化、可擴充套件的數字化經營體系，它面向的不僅是分析師，還有不同事業部不同職能的員工，他們看資料的顆粒度都不一樣。比如，數倉管理人員是按周或按日維度，一線運營同學可能是小時級甚至分鐘級，風控同學則要求資料的實時性，產品同學可能需要過去三五年的歷史資料，去研發一套新的保險產品。

面對不同的資料需求，分析的粒度也各不相同，那麼怎樣更加高效地完成分析，而不是做重複的工作。那就需要資料平臺的細粒度、強實時性、高效能。

現在，無論實時資料倉儲還是歷史資料倉儲，資料的維數越來越高，使用者分析需求也越來越複雜，我們應該如何對高維實時資料和高維歷史資料進行建模、儲存和分析?如果維數很高，比如銀行賬戶，維數達到100或者上千個，我們怎麼靈活地建模?同時考慮分析的效率?

顯然，實時數倉無疑是最佳選擇，銀行最重要的是當天的流水。所以更多的需求都應該是銀行的流水資料產生的。實時的資料量很少。只有當天或幾天的資料(儲存幾天的資料可以增加容錯的機制)，所以實時數倉關注的應該是指標，而非各種各樣的資料。模型也應該是輕量級的，而非傳統的數倉是非常沉重而沉澱的資料。

具體而言，我們可以得分幾步來做:

1.資料全部收集到一個資料平臺。不管是實時的還是歷史的。

2.做好資料庫的清洗和基礎關聯，和寬表的建立。

3.根據對資料的實時性要求進行分級處理。

4.成立每個業務分析團隊在款表上做分析。

5.分析的資料再返回寬表，並形成資料模型，供以後或其他業務線使用。譬如標籤體系，使用者體系。

總結而言，針對金融行業或者交易類業務的獨特性，需要有商業化的反作弊監管，根據實時短時間之內的行為，判定使用者是否為作弊使用者，做到及時止損。

金融類場景對時效性要求極高，透過對異常資料檢測，可以實時發現異常情況而做出一個止損的行為。收集指標或者日誌等統計各個系統的指標，對指標進行實時的觀察和監控等等需求場景，都是可以透過實時計算 Flink 產品解決的。