随着业务规模扩大、数据量增长和分析场景日益复杂，中原银行原有数据平台面临复杂查询耗时长、实时处理链路复杂、离线与实时数据存储不统一等问题。通过引入 StarRocks，中原银行分阶段升级 OLAP 架构，在保留既有平台能力的基础上，提升报表与客户行为分析效率，并构建统一的离线与实时分析平台。
复杂查询效率不足： 原有基于 MPP 和 Hadoop 的数据平台在多表关联分析中响应较慢，BI 平台平均查询耗时超过 10 秒，知秋系统平均耗时超过 20 秒，影响客户洞察与经营分析体验。 数据时效难以满足业务需求： 最新数据需要等待小时任务跑批完成后才能查询，难以支撑客户分析、风控管理及经营决策的实时需求。 实时处理链路复杂： 原有实时链路经过 Oracle、AR 数据传输平台、Kafka、Flink 和 Kafka 等多个环节，增加了数据处理与维护的复杂度。 离线与实时数据分散： 两类数据存储不统一，存在数据冗余和存算资源浪费，流批链路的运维成本较高。 迁移涉及场景广泛： 固定报表超过 2,800 张，覆盖对公、零售、绩效、风险和系统指标监控等场景，需要兼顾迁移效率与业务连续性。
通过 POC 验证选型： 围绕数据导入、查询响应、多表关联及知秋系统适配程度开展测试，结合技术兼容性、产品成熟度和运维要求，选择 StarRocks。 分阶段推进架构升级： 将项目拆分为集群搭建、离线业务实践和实时业务实践，先完成平台对接与资源规划，再逐步迁移业务场景。 自动化迁移固定报表： 更新建表语句，将原有函数转换为 StarRocks 内部函数，并结合前缀索引、分桶键和多副本配置优化查询与可用性。 改造客户行为分析： 将知秋系统分析场景迁移至 StarRocks，针对留存分析引入 Bitmap 交集与并集计算，提升客群分析的灵活性和查询效率。 统一离线与实时数据接入： 离线数据通过 Broker Load 导入，实时数据通过 Flink Connector 写入，形成 Oracle—Kafka—Flink—StarRocks 的实时链路。 使用主键模型承载实时维表： 将原有 Elasticsearch 实时维表迁移至 StarRocks 主键表，支持数据更新及最新状态查询，为实时业务分析提供支撑。
改善报表使用体验： 缩短固定报表和复杂分析查询的等待时间，提高业务人员获取经营数据的效率。 增强客户洞察能力： 支撑获客、增长、留存、传播与特征分析，提升客户分群及行为分析的灵活性。 提升经营决策时效： 将依赖小时跑批的数据服务升级为秒级数据服务，支持最新存贷款数据查询及入账核对。 简化数据分析架构： 统一离线与实时数据分析，减少冗余存储和重复处理，降低链路维护复杂度。 拓展实时监控场景： 为运营触达转化、对公存贷款、客户数量及研发效能等大屏提供实时数据支撑。
带上一个指标、流程或数据难题，和我们一起评估 MIP 如何在真实业务环境中提供支持。