Tirer parti d'une plate-forme infonuagique de données pour améliorer les processus opérationnels et accroître les performances

Contexte

Une entreprise notable dans le domaine de l'intelligence des réseaux et des applications, fournissant un portefeuille d’offres basé sur le cloud de cas d'utilisation pré-packagés ,aide ses clients à analyser, optimiser et monétiser les expériences d'application en utilisant des connaissances basées sur l'apprentissage automatique et des actions en temps réel. En travaillant avec les plus grands fournisseurs de services du monde, l'entreprise dessert des milliards d'utilisateurs individuels dans plus de 100 pays différents.

Challenge

Suite à la modernisation réussie de l'analyse financière de l'entreprise, l'objectif de ce projet était d'étendre la modernisation afin d'améliorer les capacités d'analyse de la production en abordant plusieurs domaines clés : - Intégration de données de plus de 20 nouvelles tables à partir de pipelines de données récemment établis pour SAP et Salesforce, ainsi qu'une nouvelle source SFTP de fichiers plats. • Une fréquence élevée de rafraîchissement des données a été requise pour l'un des rapports (<15 minutes entre la source et le tableau de bord). - Contrôle de l'accès et des permissions dans la solution analytique finale pour séparer par département et par rôle. - Améliorer les pratiques de gestion des données, y compris la qualité et la gouvernance des données. - Améliorer l'efficacité opérationnelle en fournissant des analyses de données automatisées, significatives et visuellement attrayantes aux directeurs d'usine, aux analystes de la fabrication et à la direction. - Élimination de la dépendance à l'égard des rapports obsolètes en donnant aux parties prenantes des informations fiables et hautement disponibles, accessibles via des tableaux de bord interactifs et attrayants.

Approche

Pour planifier et exécuter correctement les nombreuses étapes de ce projet, les 20 semaines de travail ont été divisées en deux phases (4 semaines de découverte et 16 semaines de mise en œuvre), avec l'approche détaillée suivante : Découverte Compte tenu de l'ampleur du projet, une découverte du terrain pour une mise en œuvre efficace en suivant les étapes clés suivantes était nécessaire : - Recherche approfondie des besoins pour bien comprendre ce que l'on attend de la solution finale en matière de données - Examen et analyse des rapports et structures de données existants afin d'identifier ce qui peut être exploité et amélioré pour soutenir la nouvelle plate-forme de données et les lacunes qui doivent être comblées pour fournir une solution réussie. - Conception d'une architecture de haut niveau pour définir les différentes couches et relations au sein de l'entrepôt de données de fabrication final. - Plan de projet de bout en bout décrivant un cycle de développement itératif (conception, construction, test et déploiement) qui orchestre toutes les dates de livraison clés et les conditions préalables pertinentes au cours de la phase de mise en œuvre. La mise en œuvre La mise en œuvre s'appuie sur la découverte initiale et le développement du projet de façon agile : - L'ingestion des données a été opérée grâce à Fivetran (sources dans le nuage) et à HVR (sources sur le réseau local) pour se connecter aux diverses données SAP, Salesforce et aux fichiers plats par le biais de synchronisations quotidiennes dans un environnement d'atterrissage initial avec Snowflake. - Le Datawarehouse ETL transforme les données par différentes étapes via DBT avant d'arriver à un schéma de reporting centralisé également au sein de Snowflake. - La visualisation des données est rendue accessible par Tableau, un logiciel de visualisation de données leader sur le marché. Cela permet aux cadres, aux analystes de la fabrication et aux directeurs d'usine d'explorer et de visualiser diverses analyses de la fabrication. - La sécurité est gérée à deux niveaux : • Restrictions au niveau des lignes et des colonnes appliquées au niveau du classeur et de la métrique. • Séparation par département via des groupes de permission et des projets (dossiers). - La gouvernance est établie par des contrôles automatiques de la qualité des données contrôlés via DBT. Les processus de déploiement de nouveaux contenus (dans le DWH et/ou sur Tableau Cloud) et les demandes d'accès des utilisateurs/explorateurs maintiennent les bons contrôles et équilibres pour un développement et une consommation corrects des données. Équipe • Daniel Vaucrosson, Managing Consultant • Leslie Potgieter, Data Architect • Yi-Jen Tu, ELT Data Consultant • Luke McCully, Visual Analytics Data Consultant La mise en œuvre de cette approche globale a permis d'établir un pipeline et un processus robustes pour l'analyse de la fabrication, permettant une intégration efficace des données, le calcul, le stockage et la consommation des résultats pour les principales parties prenante.

Principaux résultats

Bénéfices

- Ingestion et consolidation automatisées de sources multiples dans un entrepôt de données unique qui peut être utilisé pour de nombreuses applications analytiques actuelles et futures. - Réduction jusqu'à 24 heures de la fréquence de rafraîchissement des rapports opérationnels (désormais <15 minutes). - Des aperçus visuels interactifs de sources multiples, qui n'étaient pas possibles auparavant ou qui étaient réalisés manuellement avec un effort important et une action retardée. - Économie de 1 à 5 jours par série d'analyses ad hoc, désormais effectuées presque instantanément. - Des données fiables et sécurisées, un accès correct pour tous les utilisateurs concernés et des contrôles de qualité et des alertes automatisés pour garantir la fiabilité des données. - Identification et résolution des problèmes de données en temps quasi réel, alors qu'il fallait auparavant jusqu'à 14 jours pour les résoudre.

Partager ce projet