← Financial Cloud Cloud Cloud Club · AWS Re:cap

極點宏觀|Financial Cloud Cloud · AWS Re:cap

AWS Re:cap 13: Amazon 的 FinOps:全球電子商務巨擘的雲端成本經驗 (AMZ308)

講者: AWS re:Invent 2025

場次: 13

場次
Summit Dev Lounge2026 Re:cap
01 把架構寫成 Steering,引導 AI Agent
Summit Dev Lounge2026 Re:cap
02 Agent Harness 才是真正的工程護城河
Summit Dev Lounge2026 Re:cap
03 用白話詢問可觀測性資料
Summit Dev Lounge2026 Re:cap
04 以 Bedrock AgentCore 打造 Serverless AR 遊戲
Summit Dev Lounge2026 Re:cap
05 AgentCore 上的多 Agent 量化回測
Summit Dev Lounge2026 Re:cap
06 三分鐘用 Kiro 把部落格變簡報
Summit Dev Lounge2026 Re:cap
AWS Community Day Hong Kong 2025 Re:cap
02 使用 Terraform 實現 AWS 合規
AWS Community Day Hong Kong 2025 Re:cap
03 從新手到開發者:一段精彩的 AWS 雲端旅程
AWS Community Day Hong Kong 2025 Re:cap
04 以團隊為優先:使用 Laravel 與 Bref 進行無伺服器工程
AWS Community Day Hong Kong 2025 Re:cap
05 活動開幕
AWS Community Day Hong Kong 2025 Re:cap
06 Agent-to-Agent:在 AWS 上打造可互通的 AI
AWS Community Day Hong Kong 2025 Re:cap
07 運用另一種遙測資料,透過 AI Agent 加速改善
AWS Community Day Hong Kong 2025 Re:cap
08 告別 Vibe Coding:運用 Kiro 實踐規格驅動開發(Spec-Driven Development)
AWS Community Day Hong Kong 2025 Re:cap
09 運用 MCP 與 AI 代理進行自動化測試
AWS Community Day Hong Kong 2025 Re:cap
10 以 ML 驅動的方法實現電信安全現代化
AWS Community Day Hong Kong 2025 Re:cap
11 重新思考 GenAI Agent:RAG 與 MCP
AWS Community Day Hong Kong 2025 Re:cap
12 運用 TAK 與 AWS 進行災害及緊急應變
AWS Community Day Hong Kong 2025 Re:cap
13 從測試角度重新思考 Serverless 應用程式工作流程
AWS Community Day Hong Kong 2025 Re:cap
14 運用實務 AWS FinOps 邁向雲端成功
AWS Community Day Hong Kong 2025 Re:cap
15 運用 AWS 打造 AI 驅動的全球 Pure-Alpha 宏觀交易:革新風險調整後資產報酬
AWS Community Day Hong Kong 2025 Re:cap
FSI Recap
01 現代交易生命週期:從交易到結算
FSI Recap
02 Goldman Sachs:透過 Fast Track 將應用程式移至雲端 - AWS Re:cap Q1/2023
FSI Recap
03 Zurich Insurance Group:在 AWS 上建置有效的日誌管理解決方案
FSI Recap
04 FSI Meetup 2025 Q4 - Brex 資料庫災難復原
FSI Recap
05 FSI Meetup 2025 Q4 - Graviton 遷移成功案例
FSI Recap
06 FSI Meetup 2025 Q4 - Stifel 現代化資料平台
FSI Recap
07 FSI Meetup 2025 Q4 - PayPal 金融交易資料對帳器
FSI Recap
08 FSI Meetup 2025 Q4 - 擴展韌性
FSI Recap
09 最大化 AI 推論成本效益:策略性採用 AWS GPU 執行個體
FSI Recap
10 進階代理式 AI 設計模式
FSI Recap
11 在 AWS 上建置全新現代化應用程式
FSI Recap
AWS re:Invent 2025
01 Coinbase re:Invent 回顧 (IND3312)
AWS re:Invent 2025
02 利用 AI 和 AWS 構建未來交易平臺
AWS re:Invent 2025
03 交易創新:Jefferies 在 Amazon Bedrock 上的 AI 助理 (IND3315)
AWS re:Invent 2025
04 FSI 如何運用代理式 AI 徹底改造 HFT 分析 (GBL302)
AWS re:Invent 2025
05 透過 Amazon Time Sync 改善分散式系統,Nasdaq 專題分享
AWS re:Invent 2025
06 Amazon Aurora HA 與 DR 的全球韌性設計模式 (DAT442)
AWS re:Invent 2025
07 建構代理式 AI:Amazon Nova Act 與 Strands Agents 實務應用 (DEV327)
AWS re:Invent 2025
08 深入探討 Amazon Aurora 及其創新 (DAT441)
AWS re:Invent 2025
09 深入探討 Amazon S3 (STG407)
AWS re:Invent 2025
10 Nasdaq:為全球金融服務打造具彈性的基礎設施(HMC327)
AWS re:Invent 2025
11 AWS Lambda 的最新功能 (CNS376)
AWS re:Invent 2025
12 使用 Kiro 進行規格驅動開發 (DEV314)
AWS re:Invent 2025
13 Amazon 的 FinOps:全球電子商務巨擘的雲端成本經驗 (AMZ308)
AWS re:Invent 2025
14 AWS 上的 Tick-to-trade 延遲交易平台
AWS re:Invent 2025
政務資料
01 The AI Era: The Boundary Between Development and Design Is Disappearing
政務資料
02 裝置端多模態 AI 與智慧城市實踐
政務資料
03 大模型能力評測與 AI 專案落地方法論
政務資料
04 基於雲端代理的政府開發全鏈路受控自動化
政務資料
05 從多智能體看 Agent 時代軟體新生態
政務資料
06 AI 驅動的宏觀量化研究與智慧治理
政務資料
07 公共數據授權營運與智慧政務實踐
政務資料
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
政務資料
09 AI技術賦能心理健康公益:可信平台的治理、架構與實踐
政務資料
Amarathon 2025 回顧
01 開發人員的代理架構設計路線圖
Donnie Prakoso
02 Amazon Bedrock 資料自動化
Hafiz Syed Ashir Hassan
03 AgentCore 上的多代理
Tan Xin
04 實務建置代理式 AI:Nova Act 與 Strands Agents
Haowen Huang
04 運用規格驅動開發,以 Kiro 加速移轉專案
Sanchit Dilip Jain
06 從「比對」到「理解」:由 AgentCore Memory 驅動的個人化 AI 搜尋實踐
Liu Cao
07 從觀察到最佳化:從 LLM 可觀測性邁向 AIOps,將即時洞察轉化為智慧自動化
Jimmy Soh
08 部署 TEAM 並打造最佳工程團隊
Yuji Oshima
09 五年來所謂無伺服器資料庫帶來的五個慘痛教訓
Renato Losio
14 如果 AI 替我工作會怎樣:Q Developer CLI 與 Kiro 如何改變我的日常工作
Miguel Angel Muñoz
16 兼顧速度與警覺:Amazon Bedrock Agent 開發的安全要點
Brian Tarbox
26 在單張 H100 上執行 OSS LLM:更聰明、更便宜、更快速
Adit Modi Adit Modi
28 現代化統一中繼資料架構:打破資料孤島的新方法
Shaofeng Shi
29 無伺服器 MediaOps:運用 Amazon Web Services 上的 AI 自動化影片工作流程
Luis Valdivia
30 透過大規模效能測試建構兼具效率與可靠性的架構
Luis Guirigay
31 透過開放原始碼連結世界:技術、社群與全球開發者關係的實踐歷程
Richard Lin
33 建置串流 Iceberg 資料表以進行即時物流分析
Fahad Shah
34 加速大規模機器人策略訓練:以 Kiro、Trainium 與 EKS 為基礎的自動化閉環架構
Junjie Tang
35 透過規格驅動開發,從 Vibe 走向可行方案
Ricardo Sueiras
36 讓雲端成本分析更智慧:使用 Strands 與 AgentCore 建置 FinOps 智慧 Agent
Xiaofei Li
37 使用 CNCF Kagent、K8sGPT 與 Nova Sonic,轉型 K8s 對話式 Agentic AIOps
Shaoyi Li

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

Amazon 現代化歷程的重要經驗

● 建構於 AWS Billing and Cost Management 服務之上

● 奠定 FinOps 實務的基礎

● Amazon 在 AWS 上營運,因此需要採取全面的 FinOps 策略

● 起初使用自訂財務報表呈現每月雲端成本

● 逐步轉向 AWS Data Exports、Cost and Usage Reports (CUR),以及其他 AWS 帳務服務

● 將視覺化粒度從每月/帳戶層級提升至 ARN 與每小時層級

● 讓各團隊(建置人員、主管、財務、FinOps)都能平等取得成本資料

● 啟用 Cost Explorer,讓團隊自行分析成本並即時做出決策

● 在整個組織內部署標記策略,以改善成本控管

● 與 Compute Optimizer 和 Cost Optimization Hub 等 AWS 功能整合

● 從集中式報表轉型為分散式成本情報模式

● 運用 AWS Organizations 實施一致的控管並彙整工具集

透過與業務目標一致的機制提升效率

● 挑戰:廣泛採用成本管理實務

● 關鍵洞察:在團隊層級將雲端成本與業務成果連結

● 將 AWS Cost & Usage Report (CUR) 的細緻成本資料,與團隊重視的業務指標結合

● 清楚呈現支出,以及每一美元支出所獲得的價值

透過智慧自動化擴展 FinOps 實務

● 專注於流程自動化,以有效率地擴展 FinOps

● 詳述所採用的特定自動化策略與工具

● 強調自動化對維持及擴展 FinOps 實務的重要性

整合業務情境

透過連結成本與業務成果來推動採用

● 推動採用的關鍵:將成本與團隊的業務成果連結

● 納入帳戶及以標記為基礎的成本分攤,以連結業務情境並追蹤投資

● 使用 AWS 成本管理服務自動分析投資報酬率,

● 簡化成本可視性

● 使用 AWS Cloud Intelligence Dashboard (CID) 取得可採取行動的洞察與最佳化機會

● 將 AWS 各服務的預算資料與實際用量進行巢狀比對,以呈現預算差異

● 讓財務與營運效率團隊能推動降低成本計畫,以及修訂預算/預測

● 將具備情境脈絡的業務資料與 AWS 基礎設施用量整合

● 建立角色專屬檢視,供團隊深入分析服務的

● 實際案例

● 團隊可找出成本突增、來源帳戶、服務及資源

● 將業務影響與營收或預算等指標並列視覺化

● 將成本突增連結至個人或計畫,以便立即採取行動;

● 持續演進效率方法

● 認知到效率並非一體適用

● 衡量基本資源使用率指標(CPU、記憶體、網路輸送量)

● 不同工作負載需要不同的效率改善方法

● 建立中央效率機制

● 追蹤特定業務的效率

● 依據中央共同議定的理想值監控資源使用率

● 適用的業務線在效率提升與成本降低方面獲得顯著成果

整合業務情境(續)

信用評分指標

● 建立名為信用評分的指標,用以衡量各種服務的資源效率

● 透過反覆迭代完善中央基準

● 評估與中央效率推動計畫的一致性(例如容量使用率、儲存類別最佳化)

● 與業務資料(營收、預算)建立關聯,以衡量各業務線的 FinOps 成熟度

● 讓團隊能進行最佳化並大幅節省成本;

● 每週效率評分

● 團隊每週會收到附有成本建議的效率評分

● 建議可依技術類別分組(儲存、運算、生成式 AI、資料庫、網路)

● 建議會與帳戶、團隊及負責人建立關聯

● 所有利害關係人(財務團隊、主管、技術負責人、營運效率團隊)都能從各自角度檢視資料;

● 透過自動化擴展 FinOps 實務

● 真正的雲端財務管理是一個持續運作的智慧循環

● 將 AWS 服務與自動化工作流程整合,把手動流程轉化為可自我改善的系統

● FinOps 自動化歷程始於提升雲端成本的可視性

● 持續反覆改進,以建立能更深入洞察基礎設施支出模式的系統

● 每項改進都會回饋至學習循環,逐步強化智慧雲端財務管理能力

● 有效的 FinOps 自動化需要全面運用趨勢、預算差異及容量需求

透過智慧自動化擴展 FinOps 實務

通知與自動回應

● 團隊透過偏好的管道接收最佳化機會通知

● 對於已有充分理解的情境,團隊可定義政策及門檻值,以觸發自動回應

● 在自動化與監督之間取得平衡,是建立信任並推動採用的關鍵;

● 透過透明度建立信任

● 擴展 FinOps 需要持續維持透明度

● 每項動作(自動或手動)都必須詳細記錄及追蹤

● 團隊需要確切了解其基礎設施成本發生了什麼變化,以及背後原因

● 透明度優先的方法,是採用自動化與規劃功能的關鍵;

● 結合人類洞察與自動分析

● 在零售業尤其具有顯著影響

● 以 AWS 服務為基礎,展開 FinOps 自動化歷程

● 首先專注於掌握成本可視性

● 逐步自動化已有充分理解的流程(例如財務規劃、OP1 週期、規劃、容量管理)

● 隨著透明度與成果建立起信任,進一步擴大自動化的範圍及複雜度

● 目標不是取代人員,而是透過自動化強化其能力

建立自己的 FinOps 路線圖

穩固的基礎

● 從自訂工具、機制及流程開始

● AWS 帳務與成本管理服務提供比自訂解決方案更佳的可視性

● AWS Cost and Usage Report 提供細緻資料,以進行細粒度成本控管

● Cost Explorer 直接為團隊提供分析能力

● AWS Organizations 能以大規模方式實施治理;

● 將業務成果與雲端成本連結

● 當業務成果與雲端成本連結時,才會發生真正的轉型

● 了解成本如何歸因於營收,比只知道支出金額更能協助採取行動

● AWS Cost Intelligence Dashboards 顯示團隊層級的價值,以及與目標一致的指標;

● 透過自動化實現規模化與效率

● 從每月檢討轉向每日最佳化行動

● 智慧系統會偵測異常、提出最佳化建議,並自動實施改善

● 團隊專注於策略決策,而由自動化處理例行工作

● 透過自動化進行大規模營運