Nel retail la capacità di reagire in tempo reale a trend e preferenze dei clienti dipende sempre più dai dati. Backcountry, retailer online di attrezzatura e abbigliamento outdoor, ha costruito un’infrastruttura dati scalabile per superare tre ostacoli ricorrenti: i data silos, la complessità dei sistemi legacy e la gestione delle aspettative dei clienti. Il caso è raccontato da Fivetran, ma le lezioni valgono al di là degli strumenti specifici. Il contesto è significativo: un team di data engineering di sole sei persone si occupa di engineering, reporting, visualizzazione, web analytics e data science.
Lezione 1: automatizzare ingestion e manutenzione
Molte organizzazioni faticano a gestire un volume ampio e vario di sorgenti, e storicamente il movimento dei dati è rimasto confinato all’IT. Secondo Backcountry, automatizzare il movimento dei dati ha ridotto i problemi sulle pipeline del 30 percento e ha fatto scendere il tempo speso dagli ingegneri in manutenzione dal 40-50 percento al 15 percento: un risparmio pari, dichiarano, al tempo di lavoro annuo di un data engineer. Il tempo liberato è stato reindirizzato verso attività che incidono di più sugli esiti analitici e verso la data accessibility tra i team.
Lezione 2: uno stack semplice e integrato
Un obiettivo chiave era che il passaggio a una piattaforma moderna non interrompesse le capacità di business: affidabilità, accuratezza e uptime erano requisiti critici. Backcountry ha scelto Google BigQuery come cloud data warehouse e un approccio ELT come basi dello stack. In precedenza l’azienda usava Talend per caricare i dati su un data warehouse Oracle e Oracle Business Intelligence per il reporting, un assetto che rendeva difficile soddisfare la domanda di analytics in tempo reale e richiedeva molto lavoro manuale. Le capacità di streaming di BigQuery e la sua integrazione con lo strumento di ingestion hanno ridotto le difficoltà di integrazione.
Lezione 3: una strategia dati che sostiene AI e ML
Molte aziende inciampano nei progetti di AI e ML proprio a causa di problemi sulle pipeline. Secondo un sondaggio citato nell’articolo, i data scientist dedicano in media il 70 percento del tempo a lavorare e preparare i dati invece che a costruire modelli. Avendo automatizzato l’ingestion, Backcountry ha sperimentato AI e ML su pricing, promozioni e pianificazione dei markdown, oltre che sulla pianificazione del personale per negozi fisici e centri di distribuzione.
- L’automazione dell’ingestion ha ridotto del 30 percento i problemi sulle pipeline e il tempo di manutenzione dal 40-50 al 15 percento.
- La scelta di BigQuery ed ELT ha sostituito un assetto legacy Talend/Oracle poco adatto all’analytics in tempo reale.
- Liberare tempo dalla preparazione dei dati abilita sperimentazione su AI e ML in ambiti come pricing e workforce planning.
Fonte: Building a scalable data stack: Three lessons from Backcountry — https://www.fivetran.com/blog/building-a-scalable-data-stack-3-lessons-from-backcountry
Hai qualcosa da aggiungere? Unisciti alla discussione.