Dashboard für Finanzanalysen
FinTech · Analytik
2024
web
Was sie brauchten
Die Analysten des Unternehmens saßen fest und warteten auf Berichte, die mit dem Geschäft nicht Schritt halten konnten. Die Plattform musste über 10 Millionen Datenpunkte pro Tag aus Live-Finanzfeeds aufnehmen und darstellen und Analysten erlauben, ohne Neuladen der Seite in bestimmte Segmente und Zeitfenster einzutauchen. Standard-Diagrammansätze brachen bei diesem Volumen ein – ein einzelnes interaktives Diagramm konnte Sekunden zum Zeichnen brauchen, und es live zu halten, während sich die zugrunde liegenden Daten änderten, verschlimmerte die Verzögerung nur. Führungskräfte brauchten eine unternehmensweite Sicht, die zwischen den Berichtszyklen aktuell blieb, keinen Schnappschuss, der schon beim Laden veraltet war. Die Messlatte lag bei Reaktionszeiten unter einer Sekunde für wirklich interaktive Visualisierungen – in einer Größenordnung, in der naives clientseitiges Rendering oder unoptimierte Abfragen das Dashboard unbrauchbar gemacht hätten.
Was wir gebaut haben
Wir haben das Dashboard mit React als UI-Hülle aufgebaut, mit individuellen D3.js-Diagrammen statt einer fertigen Diagrammbibliothek, damit wir genau steuern konnten, wie jede Visualisierung im großen Maßstab gerendert wird. Ein Node.js-Backend stellt eine GraphQL-API bereit, sodass das Frontend nur die Felder abruft, die eine bestimmte Ansicht benötigt, statt bei datenintensiven Bildschirmen zu viel zu laden. MongoDB speichert die eingehenden Finanzdaten, modelliert nach den Abfragemustern, die die Dashboards tatsächlich verwenden. Live-Updates werden über WebSocket-Verbindungen statt Polling an den Browser gestreamt, sodass sich Diagramme in dem Moment aktualisieren, in dem neue Daten eintreffen, statt in einem Aktualisierungszyklus. KI-gestützte Prognose-Insights laufen auf derselben Pipeline und zeigen zukunftsgerichtete Signale neben der historischen Ansicht. AWS hostet den gesamten Stack und gibt der Aufnahme- und Streaming-Ebene Spielraum, um mit wachsendem Datenvolumen zu skalieren.
Wie wir es angegangen haben
Individuelle D3.js-Diagrammkomponenten wurden statt einer allgemeinen Diagrammbibliothek entwickelt – ein Tausch von Entwicklungszeit gegen die Rendering-Kontrolle, die bei über 10 Millionen Datenpunkten pro Tag nötig ist.
GraphQL statt einer REST-API sorgt dafür, dass jede Dashboard-Ansicht nur die benötigten Felder abruft, wodurch die Datenpakete bei datenintensiven Finanzbildschirmen klein bleiben.
Live-Updates laufen über WebSocket-Streaming statt Polling, sodass neue Daten die Diagramme in dem Moment erreichen, in dem sie entstehen.
KI-gestützte Prognose-Insights wurden auf dieselbe Echtzeit-Datenpipeline aufgesetzt, die auch das Live-Dashboard speist, sodass Prognosen mit den eingehenden Daten aktuell bleiben.
Die Wirkung
Datenpunkte/Tag
Berichtsgeschwindigkeit
Nutzerakzeptanz
"Das Dashboard hat unsere Entscheidungsfindung verändert. Jeden Cent wert."
VP Data
FinTech / Analytik
Sagen Sie uns,
was wir bauen sollen.
Bringen Sie uns die Idee, die angeblich zu schwer war. Kostenlose, unverbindliche Antwort innerhalb von 24 Stunden — NDA auf Anfrage.