چگونه یک غول ابزار از تجزیه و تحلیل داده ها، یادگیری ماشینی برای بهره بردن از مشتریان استفاده می کند

غول ابزار EDF UK می خواست راهی برای بهره برداری از گنجینه های متفاوت دارایی های داده خود و ایجاد خدمات پیشگامانه برای مشتریان خود با استفاده از تجزیه و تحلیل داده های به روز و فناوری های یادگیری ماشین پیدا کند. پاسخ به این چالش دشوار در استفاده از فناوری کمتر بود، نه بیشتر.

الکس رید، مدیر ارشد پلتفرم‌های داده در EDF انگلستان، می‌گوید که این شرکت طی ۱۲ ماه گذشته تحول دیجیتال را پذیرفته است و از مجموعه‌ای متفاوت از سیستم‌های سفارشی و خارج از قفسه به یک استراتژی داده‌های سازمانی فشرده بر اساس استفاده تاکتیکی رفته است. خدمات مبتنی بر ابر

او می‌گوید: «هرچه فناوری کمتر، بهتر است – دقیقاً حداقل مقدار فناوری را که برای رسیدن به نتیجه دلخواه خود نیاز دارید، درک کنید. «پیش از این، ما یک املاک فناوری وسیع داشتیم که در مرز غیرقابل مدیریت بود. اکنون ما چند مولفه فناوری داریم که زندگی ما را 10 برابر آسان‌تر می‌کند.»

رید می‌گوید این فرآیند تحول شامل دو رشته کلیدی است: بازنگری سیستم‌های فناوری و ارائه مزایای تجاری. تجربیاتی که تیم او در طول این فرآیند تجربه کرده است، درس های مهمی را برای همه رهبران داده ارائه می دهد.

تغییر بستر فناوری

پس از 12 ماه کار سخت، EDF UK اکنون دارای یک فروشگاه تک مرحله ای برای تجزیه و تحلیل مشتریان است که درک روشنی از چالش هایی که شرکت ابزار با آن با آن مواجه است و انواع محصولاتی که مشتریانش نیاز دارند را ارائه می دهد.

Read می‌گوید پلتفرم داده یکپارچه – که از فناوری Snowflake، خدمات ابری AWS و سایر راه‌حل‌های تاکتیکی استفاده می‌کند – فاصله زیادی با شرایطی دارد که کارکنان شرکت قبلاً باید به آن اعتماد می‌کردند.

او می‌گوید: «ما دسته‌ای از فروشندگان، مجموعه‌ای از راه‌حل‌های داده، هم در بستر و هم در فضای ابری داشتیم. ما هیچ منبع اصلی حقیقت و هیچ دیدگاه تلفیقی از همه داده‌هایمان که می‌خواستیم در سراسر تجارت به اشتراک بگذاریم، نداشتیم.»

Read می‌گوید EDF UK از نظر تاریخی بر مجموعه‌ای از ابزارهای سفارشی و آماده تکیه می‌کرد. بدون پلتفرم متمرکز، تیم داده برای پاسخگویی به تقاضای کسب و کار برای خدمات تحلیلی جدید تلاش کرد. در نتیجه، آن‌ها اغلب محیط‌های سیل‌دار را برای پشتیبانی از هر مورد استفاده از طاقچه ایجاد می‌کردند.

علم داده به ویژه چالش برانگیز بود. علیرغم دو سال و نیم تلاش برای ایجاد یک پلت فرم یادگیری ماشینی، این تجارت محیط تولید مقیاس پذیری نداشت. سهامداران کلیدی در EDF UK نگران بودند که کسب و کار بازده سرمایه گذاری بالایی نداشته باشد، بنابراین تیم Read روی یک رویکرد جدید متمرکز شد.

اطلاعات از سراسر کسب و کار اکنون در یک دریاچه داده AWS S3 جمع آوری شده و در Snowflake Data Cloud ادغام می شود. EDF UK سپس از چارچوب توسعه Snowpark استفاده می کند تا به دانشمندان داده خود اجازه دهد از Python استفاده کنند و مدل های یادگیری ماشین را در AWS SageMaker به تولید برسانند.

این شرکت پس از یک تمرین RFP، Snowflake را انتخاب کرد. این پلتفرم به ماهیت ابر ناشناس، مقیاس پذیر و سازگار با توسعه دهندگان این پلتفرم اهمیت می داد. حدود 90٪ از سیستم های قدیمی EDF UK اکنون به Snowflake منتقل شده اند. Read پیش بینی می کند که Snowflake تنها پلتفرم داده های سازمانی تا پایان سه ماهه اول سال 2023 باشد.

انتقال داده‌های متفاوت از سیستم‌های قدیمی به ابر فرآیند پیچیده‌ای بود. این فرآیند “بالا و جابجایی” با انجام مرحله بهینه‌سازی آسان‌تر شد، جایی که EDF UK با Snowflake برای انجام بازبینی‌های منظم که اثربخشی یکپارچه‌سازی را نظارت می‌کرد، کار می‌کرد.

علاوه بر فناوری Snowflake و AWS، EDF UK از راه‌حل‌های تاکتیکی مانند Matillion برای استخراج و تبدیل داده‌ها، Colibra برای کاتالوگ داده و مدیریت و Apache Airflow برای هماهنگ‌سازی استفاده می‌کند. Read می گوید که نتیجه یک پلت فرم سازمانی کاملاً یکپارچه است که به کاربران امکان دسترسی آسان به منابع قابل اعتماد را می دهد.

«داشتن داده‌ها در یک مکان مرکزی به این معنی است که نقش شما هر چه باشد – چه یک تحلیلگر گزارش‌دهی، دانشمند داده یا توسعه‌دهنده گزارش‌های نظارتی – یک مکان مرکزی دارید که می‌توانید با داده‌ها تعامل داشته باشید. رید می گوید که این یک تغییر مطلق بازی برای ما بوده است.

ارائه مزایای تجاری از طریق یادگیری ماشینی و تجزیه و تحلیل داده ها

Read می‌گوید تحول مبتنی بر ابر به EDF UK کمک می‌کند تا با استارت‌آپ‌های زیرک که بخش خدمات را مختل می‌کنند، رقابت کند. این سازمان‌های ناب، بدون محدودیت از روش‌های کار قدیمی، به سرعت به خواسته‌های مشتری در حال تغییر پاسخ می‌دهند. با پذیرش دیجیتالی شدن، EDF UK نیز می تواند به سرعت پاسخ دهد.

او می‌گوید: «ما معتقدیم یکی از تفاوت‌های کلیدی که می‌توانیم نسبت به برخی از رقبای استارت‌آپ خود داشته باشیم، داده‌ها است. ما معتقدیم که به دلیل تجربه قابل توجهی که داریم و پلتفرم هایی که استفاده می کنیم، می توانیم از داده های خود بیشترین استفاده را ببریم.

یکی از مزایای بزرگ تحول دیجیتال EDF UK، توانایی توسعه سریع محصولات جدید یادگیری ماشینی است. این شرکت اکنون از AWS SageMaker و Snowpark برای ایجاد و استقرار محصولات در هفته‌ها و نه ماه‌ها یا حتی سال‌ها استفاده می‌کند.

رید می‌گوید که تیم او چهار برابر تعداد محصولات علم داده‌ای که در طول تاریخ تولید می‌کردند، تولید می‌کند. آن‌ها مدل‌هایی را برای شناسایی چالش‌های کلیدی کسب‌وکار توسعه داده‌اند و محصولات مبتنی بر داده‌ها را برای مشتریان ایجاد می‌کنند و رضایت و حفظ آنها را افزایش می‌دهند.

رید می‌گوید: «ما می‌خواهیم به کارمندان خود ایده بهتری درباره تأثیر مادی اعمالشان بر هر مشتری بدهیم». “این بینش عظیمی را برای ما به عنوان یک تجارت ایجاد می کند.”

EDF UK از مدل‌های خود برای تجزیه و تحلیل مشتریانی استفاده می‌کند که به احتمال زیاد خودروی الکتریکی خریداری می‌کنند. این شرکت همچنین از داده ها و مدل های یادگیری ماشینی خود برای شناسایی مشتریانی که ممکن است در برابر مشکلات مالی آسیب پذیر باشند، استفاده می کند.

با این بینش غنی تر، EDF UK در حال توسعه محصولاتی است که نه تنها ریسک کسب و کار را کاهش می دهد، بلکه از مشتریان پشتیبانی می کند. تیم داده با شبکه ملی بریتانیا کار کرده است تا ابزاری برای «بازگشت زمستانی» بسازد، که نشان می‌دهد چگونه مشتریان می‌توانند مصرف انرژی را در زمان اوج مصرف کاهش دهند و به طور بالقوه قبض‌ها را کاهش دهند.

Energy Hub محصول دیگری از تیم داده است. پلتفرم تجزیه و تحلیل که در وب و در یک برنامه موجود است، مصرف انرژی را رصد می کند و پیش بینی می کند تا مشتریان بتوانند مصرف انرژی خود را کنترل کنند.

تیم Read به جستجوی فرصت های جدید برای بهره برداری از داده ها ادامه می دهد. آنها در حال حاضر به این فکر می کنند که چگونه مدل هایی ایجاد کنند که اطمینان حاصل کند که شرکت انرژی خود را با بهترین قیمت در بازاری که به دلیل تهاجم روسیه به اوکراین بی ثبات می شود، خریداری می کند.

هدف آینده این است که اطمینان حاصل شود که کسب و کار می تواند خود خدمت کند. با وجود بستر و مدل‌هایی برای تجزیه و تحلیل داده‌ها، اکنون مسئولیت توسعه موارد استفاده بر عهده کسب‌وکار است. بنابراین، در حالی که 12 ماه گذشته در مورد کار سخت برای ایجاد یک پلتفرم برای تلاش های مبتنی بر داده های شرکت بوده است، پیوند سخت تازه شروع شده است.

Read می‌گوید: «مرحله بعدی سفر داده‌ای ما، بازگرداندن داده‌ها به کسب‌وکار است تا بتوان موارد استفاده از آن‌ها را ارائه کرد.