Problembeskrivning
Kunden är ett globalt detaljhandelsföretag med en GCC fokuserad på data, analys och maskininlärningsverksamhet på globala marknader. Polestar Analytics arbetade som en inbäddad analyspartner för att stärka lojalitetsinformation, synlighet av kampanjer, modernisering av datainfrastruktur och Customer 360-initiativ.
Viktiga utmaningar
- Frånkopplade instrumentpaneler begränsade synligheten av kampanjens prestanda.
- Anonyma kunder var svåra att identifiera och rikta in sig på för lojalitetsprogram.
- Äldre Hive-baserade data skapade problem med svag styrning och tabellhantering.
- ML-modeller saknade korrekt versionshantering, återställning och revisionsloggar.
- Produktionsledningarna var beroende av enskilda ingenjörer.
- Höga pipelinekostnader och långa körtider saktade ner leveransen av analyser.
Arkitektur med den bästa teknikstacken
Lösning implementerad
- A2K kundintelligens: Identifierade icke-lojala kunder och byggde poängsättningslogik för att lyfta fram lojalitetsmål med högt värde.
- Kampanjanalys: Byggde en enhetlig instrumentpanel före och efter kampanj för att jämföra planerade och faktiska resultat.
- Unity Catalog-migrering: Migrerade äldre Hive-data till Databricks Unity Catalog för härkomst, åtkomstkontroll och styrning.
- Versionshantering för ML-modell: Introducerade MLflow för modellåterställning, granskningsbarhet och produktionstillförlitlighet.
- CI/CD-aktivering: Konfigurera GitHub, CI/CD-pipelines och tjänsteprincipaler för att minska ingenjörsberoendet.
- Pipelineoptimering: Rätt storlek på dataset, cachning och jobbkluster för att minska kostnader och körtid.
Några utmaningar?
Våra branschexperter kan lösa ditt problem.
