← Financial Cloud Cloud Cloud Club · AWS Re:cap

极点宏观|Financial Cloud Cloud · AWS Re:cap

AWS Re:cap 13: Amazon 的 FinOps:全球电商巨头的云成本管理经验 (AMZ308)

讲者: AWS re:Invent 2025

场次: 13

场次
Summit Dev Lounge2026 Re:cap
01 把架构写成 Steering,引导 AI Agent
02 Agent Harness 才是真正的工程护城河
03 用白话询问可观测性数据
04 以 Bedrock AgentCore 打造 Serverless AR 游戏
05 AgentCore 上的多 Agent 量化回测
06 三分钟用 Kiro 把博客变成幻灯片
AWS Community Day Hong Kong 2025 Re:cap
02 使用 Terraform 实现 AWS 合规
03 从初学者到构建者:一段精彩的 AWS 云之旅
04 以团队为先:使用 Laravel 与 Bref 开展无服务器工程
05 活动开幕式
06 智能体到智能体:在 AWS 上构建可互操作的 AI
07 利用另一类遥测数据,借助 AI 智能体更快改进
08 告别氛围编程:使用 Kiro 进行规格驱动开发
09 使用 MCP 与 AI 智能体进行自动化测试
10 使用机器学习方法实现电信安全现代化
11 重新思考生成式 AI 智能体:RAG 与 MCP
12 使用 TAK 和 AWS 开展灾难与应急响应
13 从测试视角重新思考无服务器应用程序工作流
14 Practical AWS FinOps for Cloud Success
15 基于 AWS 的 AI 驱动全球纯 Alpha 宏观交易:重塑风险调整后资产收益
FSI Recap
01 现代交易生命周期:从交易到结算
02 Goldman Sachs:通过 Fast Track 加速应用程序上云 - AWS Re:cap Q1/2023
03 Zurich Insurance Group:在 AWS 上构建高效的日志管理解决方案
04 FSI Meetup 2025 年第四季度 - Brex 数据库灾难恢复
05 FSI Meetup 2025 Q4 - Graviton 迁移成功案例
06 FSI Meetup 2025 Q4 - Stifel 现代数据平台
07 FSI Meetup 2025 Q4 - PayPal 金融交易数据对账系统
08 FSI Meetup 2025 Q4 - 规模化提升韧性
09 最大限度提高 AI 推理成本效益:战略性采用 AWS GPU 实例
10 高级智能体 AI 设计模式
11 在 AWS 上构建全新的现代化应用
AWS re:Invent 2025
01 Coinbase re:Invent 回顾 (IND3312)
02 利用 AI 和 AWS 构建未来交易平台
03 交易创新:Jefferies 基于 Amazon Bedrock 构建的 AI 助手 (IND3315)
04 FSI 如何通过 Agentic AI (GBL302) 彻底改变 HFT 分析
05 使用 Amazon Time Sync 改进分布式系统(采用 Nasdaq)
06 Amazon Aurora HA 和 DR 全球弹性设计模式 (DAT442)
07 构建智能体式 AI:Amazon Nova Act 与 Strands Agents 实践 (DEV327)
08 深入探讨 Amazon Aurora 及其创新 (DAT441)
09 深入探讨 Amazon S3(STG407)
10 Nasdaq:为全球金融服务构建弹性基础设施 (HMC327)
11 AWS Lambda 新功能 (CNS376)
12 使用 Kiro 进行规范驱动开发 (DEV314)
13 Amazon 的 FinOps:全球电商巨头的云成本管理经验 (AMZ308)
14 AWS 上交易平台的 Tick-to-Trade 延迟
政务数据
01 The AI Era: The Boundary Between Development and Design Is Disappearing
02 端侧多模态 AI 与智慧城市实践
03 大模型能力评测与 AI 项目落地方法论
04 基于云代理的政府开发全链路受控自动化
05 从多智能体看 Agent 时代软件新生态
06 AI 驱动的宏观量化研究与智慧治理
07 公共数据授权运营与智慧政务实践
08 数据资产化落地实践:确权合规、工程治理与数字政府案例
09 AI技术赋能心理健康公益:可信平台的治理、架构与实践
Amarathon 2025 回顾
01 开发者的智能体架构设计路线图
02 Amazon Bedrock 数据自动化
03 AgentCore 上的多智能体
04 实践中构建智能体式 AI:Nova Act 与 Strands Agents
04 使用规格驱动开发,通过 Kiro 加速迁移项目
06 从「匹配」到「理解」:由 AgentCore Memory 驱动的个性化 AI 搜索实践
07 从观察到优化:从 LLM 可观测性迈向 AIOps,将实时洞察转化为智慧自动化
08 部署 TEAM 并打造最佳工程团队
09 五年来所谓无服务器数据库带来的五个惨痛教训
14 如果 AI 替我工作会怎样:Q Developer CLI 与 Kiro 如何改变我的日常工作
16 兼顾速度与警觉:Amazon Bedrock Agent 开发的安全要点
26 在单张 H100 上运行 OSS LLM:更智能、更便宜、更快速
28 现代统一元数据架构:打破数据孤岛的新方法
29 无服务器 MediaOps:使用 Amazon Web Services 上的 AI 自动化视频工作流
30 通过大规模性能测试构建兼具效率与可靠性的架构
31 通过开源连接世界:技术、社区与全球开发者关系的实践历程
33 构建流式 Iceberg 表以进行实时物流分析
34 加速大规模机器人策略训练:基于 Kiro、Trainium 和 EKS 的自动化闭环架构
35 通过规格驱动开发,从 Vibe 走向可行方案
36 让云成本分析更智能:使用 Strands 和 AgentCore 构建 FinOps 智能体
37 使用 CNCF Kagent、K8sGPT 和 Nova Sonic 转型 K8s 对话式智能体 AIOps

视频: https://www.youtube.com/watch?v=-GuZhm4XGxM

Amazon 现代化历程的关键经验

● 基于 AWS Billing and Cost Management 服务构建

● 为 FinOps 实践奠定基础

● Amazon 的业务运行于 AWS 之上,因此需要采用全面的 FinOps 策略

● 最初使用自定义财务报告统计每月云成本

● 逐步转向使用 AWS 数据导出、成本和使用情况报告 (CUR) 及其他 AWS 账单服务

● 从月度和账户级粒度转向 ARN 和小时级粒度的可视化

● 向各团队(开发人员、管理者、财务团队和 FinOps 团队)普及成本数据

● 启用 Cost Explorer,支持自助式成本分析和实时决策

● 在整个组织中实施标签策略,加强成本管控

● 与 Compute Optimizer、Cost Optimization Hub 等 AWS 功能集成

● 从集中式报告转向分布式成本洞察模式

● 利用 AWS Organizations 实现一致的管控,并提供统一的工具集

通过与业务目标一致的机制提升效率

● 挑战:推动成本管理实践得到广泛采用

● 关键洞察:在团队层面将云成本与业务成果关联起来

● 将 AWS Cost & Usage Report (CUR) 中的精细成本数据与团队关注的业务指标相结合

● 清晰呈现支出情况以及每一美元支出所带来的价值

通过智能自动化扩展 FinOps 实践

● 着重实现流程自动化,从而高效扩展 FinOps

● 详细介绍所采用的具体自动化策略和工具

● 强调自动化对于维持和扩展 FinOps 实践的重要性

融入业务背景

通过关联成本与业务成果推动采用

● 推动采用的关键:将成本与团队的业务成果关联起来

● 将账户和基于标签的成本分摊纳入业务背景及投资跟踪

● 利用 AWS 成本管理服务自动执行投资回报分析——

● 简化成本可见性

● 使用 AWS Cloud Intelligence Dashboard (CID) 获取可执行的洞察和优化机会

● 将 AWS 各项服务的预算数据与实际用量进行嵌套对比,呈现预算偏差

● 使财务和运营效率团队能够推进成本削减计划,并修订预算和预测

● 将具备业务背景的数据与 AWS 基础设施使用情况相结合

● 创建针对不同角色的视图,供团队深入分析各项服务——

● 实际案例

● 团队可以识别成本突增及其来源账户、服务和资源

● 将业务影响与收入或预算等指标一并可视化

● 将成本突增关联到具体人员或计划,以便立即采取行动——

● 持续演进的效率提升方法

● 认识到效率提升没有一套适用于所有场景的方法

● 衡量基本的资源利用率指标(CPU、内存、网络吞吐量)

● 针对不同工作负载采用不同的效率提升方法

● 建立统一的效率提升机制

● 跟踪特定业务的效率

● 依据集中商定的理想标准监控资源利用率

● 在适用的业务线中显著提升效率并降低成本

融入业务背景(续)

信用评分指标

● 创建名为“信用评分”的指标,用于衡量各类服务的资源效率

● 通过迭代不断完善统一基准

● 评估与统一效率提升计划(例如容量利用率、存储类别优化)的契合度

● 结合业务数据(收入、预算),衡量各业务线的 FinOps 成熟度

● 帮助团队开展优化并节省大量成本——

● 每周效率评分

● 团队每周都会收到附有成本优化建议的效率评分

● 建议可按技术类别(存储、计算、生成式 AI、数据库、网络)分组

● 建议与账户、团队和负责人相关联

● 所有利益相关者(财务团队、管理层、技术负责人和运营效率团队)均可从各自视角查看数据——

● 通过自动化扩展 FinOps 实践

● 真正的云财务管理是一个持续运转的智能循环

● 将 AWS 服务与自动化工作流集成,把手动流程转变为能够自我改进的系统

● FinOps 自动化之旅从提升云成本可见性开始

● 持续迭代,打造能够更深入洞察基础设施支出模式的系统

● 每一项改进都会反馈到学习循环中,不断增强智能云财务管理能力

● 有效的 FinOps 自动化需要全面掌握使用趋势、预算偏差和容量需求

通过智能自动化扩展 FinOps 实践

通知和自动响应

● 团队通过其首选渠道接收优化机会通知

● 对于已有充分认知的场景,团队可以定义策略和阈值,以触发自动响应

● 在自动化与监督之间取得平衡,是建立信任和推动采用的关键——

● 通过透明度建立信任

● 扩展 FinOps 实践需要始终保持透明

● 每项操作(无论自动还是手动)都必须详细记录并跟踪

● 团队需要准确了解其基础设施成本正在发生哪些变化及其原因

● 透明度优先是采用自动化和规划功能的关键——

● 将人的洞察与自动化分析相结合

● 这种方法在零售业中尤其有效

● 以 AWS 服务为基础,开启 FinOps 自动化之旅

● 首先着力提升成本可见性

● 逐步自动化已有充分认知的流程(例如财务规划、OP1 周期、计划制定和容量管理)

● 随着透明度和实际成果逐步建立信任,扩大自动化的范围并提升其复杂程度

● 目标不是取代人,而是通过自动化增强人的能力

制定自己的 FinOps 路线图

坚实的基础

● 从自定义工具、机制和流程起步

● 与自定义解决方案相比,AWS 账单和成本管理服务能够提供更清晰的成本可见性

● AWS Cost and Usage Report 提供精细数据,实现细粒度成本管控

● Cost Explorer 直接为各团队提供分析能力

● AWS Organizations 支持超大规模治理——

● 将业务成果与云成本关联起来

● 只有将业务成果与云成本关联起来,才能实现真正的转型

● 与仅了解支出金额相比,明确成本对收入的归因更有助于采取行动

● AWS Cost Intelligence Dashboards 展示团队层面的价值及与目标一致的指标——

● 通过自动化实现规模化并提高效率

● 从每月审查转向每日执行优化操作

● 智能系统能够检测异常、提出优化建议并自动实施改进

● 由自动化处理日常任务,让团队专注于战略决策

● 借助自动化实现规模化运营