H-E-B demokratisiert Daten für bessere Einkaufserlebnisse mit Hilfe von NashTech

Industrie

Technologie

Datenerfassung und ETL Deep Learning Funke Maschinelles Lernen MLFLow Scala SQL

Einführung

Mit der Datenanalyselösung von NashTech kann jeder bei H-E-B problemlos auf Daten zugreifen, sie bearbeiten, anzeigen und in andere Dienste integrieren, um diese Daten besser nutzen zu können. Die Anwendungsfälle des maschinellen Lernens haben einen enormen Wert und einen direkten Einfluss auf den Umsatz.

Über H-E-B

Die Lebensmittelkette H-E-B hat sich von einer Filiale auf viele weitere ausgeweitet, darunter auch die Spezialitätengeschäfte Central Market. H-E-B hat mehr als 340 Filialen im gesamten US-Bundesstaat Texas sowie im Nordosten Mexikos.

Als führende Lebensmittelkette hat es sich H-E-B zur Aufgabe gemacht, seinen Kunden das bestmögliche Einkaufserlebnis zu bieten. Mit dieser Mission im Hinterkopf vertrauen sie auf NashTech für Datenanalyse und maschinelles Lernen – und können so ein aufregendes und höchst ansprechendes Einkaufserlebnis schaffen, das auf jeden ihrer Kunden persönlich zugeschnitten ist.

Auswirkungen

70%ige Senkung der Betriebskosten.
2-fache Steigerung des Umsatzes durch erhöhte Kundenbindung.
Täglich werden Hunderte von Modellen gebaut.

Die Herausforderung

Veraltetes Data Warehouse hält nicht mit der Nachfrage nach Websites Schritt

H-E-B nutzte ein herkömmliches Data Warehouse, aber als das Unternehmen wuchs, verlangsamte sich die Skalierung ohne intensive DevOps-Unterstützung. Darüber hinaus waren ihre Altsysteme nicht kollaborativ und führten zu Silos, da nur ihre Datenanalysten auf die Daten zugreifen konnten, von denen die meisten aufgrund der durch die Datensilos verursachten Probleme ungenutzt blieben. All dies wirkte sich nicht nur auf ihre Fähigkeit aus, Innovationen im Bereich des maschinellen Lernens zu entwickeln, sondern auch darauf, dass sie nicht in der Lage waren, neue Funktionen zu skalieren, wenn sie diese entwickelten. Das Team kämpfte mit der effizienten Erstellung von Datenpipelines, die verschiedenen Datenteams und Geschäftsinteressenten Zugang zu kuratierten Daten verschafften.

Riesige Datenmengen: Daten, die von 500.000 Besuchern und 400.000 Produkten jeden Tag generiert werden.
Datensilos und Unfähigkeit zur Skalierung: Aufgrund von Datensilos und einer traditionellen Data-Warehouse-Umgebung war es schwierig, den Betrieb zu skalieren, um Data-Science-Aktivitäten mit riesigen Datenmengen zu unterstützen. Infolgedessen war die Zeit bis zur Einsichtnahme langsamer als erforderlich, um Innovationen auf den verschiedenen globalen Websites voranzutreiben.
Ineffizientes maschinelles Lernen: Unfähigkeit zur Skalierung der Modellerstellung und des Trainings, um den Geschäftsanforderungen gerecht zu werden.
Langsame Markteinführungszeit: Die Entwicklung neuer Funktionen war langsam und dauerte mehr als ein Jahr von der Idee bis zur Produktion – was die Fähigkeit behinderte, regionale Erfolge schnell auf ihre globalen Websites zu übertragen.

Die Lösung

Demokratisierung von Daten und maschinellem Lernen

NashTech unterstützte H-E-B mit seinem Fachwissen im Bereich Datenanalyse und dem Aufbau eines einheitlichen Data Warehouse, das die Erfassung und Verarbeitung historischer Daten vereinheitlicht und rationalisiert. Die einheitliche Datenplattform förderte eine kollaborative und demokratische Umgebung im gesamten Unternehmen, die es ermöglichte, große Mengen von Hochgeschwindigkeitsdaten aufzunehmen und eine leistungsstarke Bildklassifizierungs- und Empfehlungsmaschine zu entwickeln, um das Kundenerlebnis zu verbessern.

Vollständig verwaltete Plattform auf AWS: Automatisiertes Cluster-Management vereinfacht die Infrastruktur und den Betrieb in jeder Größenordnung
Effizienterer Datenfluss: Einfache Integration mit anderen Tools wie Airflow und Kubernetes, um automatisierte Datenpipelines zu erstellen und gleichzeitig bewährte CI/CD-Verfahren einzuführen.
Verbesserte teamübergreifende Zusammenarbeit: Die kollaborative Notebook-Umgebung mit Unterstützung für mehrere Sprachen (SQL, Scala, Python, R) ermöglicht es einem vielfältigen Team von Anwendern, in ihrer bevorzugten Sprache zusammenzuarbeiten und so Data-Science-Abläufe und Innovationen zu beschleunigen.
Optimierter ML-Lebenszyklus: Native Unterstützung für ML-Flow ermöglicht es Data-Science-Teams, Experimente einfach zu replizieren, die Modellleistung zu verfolgen und ihre Modelle schnell und systematisch zu iterieren.

Das Ergebnis

Ermöglichung eines Einkaufserlebnisses, das Umsatz bringt

Mit unserer Datenanalyselösung kann jeder bei H-E-B problemlos auf Daten zugreifen, sie bearbeiten, anzeigen und in andere Dienste integrieren, um diese Daten besser nutzen zu können. Die Anwendungsfälle des maschinellen Lernens haben einen enormen Wert und einen direkten Einfluss auf den Umsatz.

Verbesserte Produktivität des Datenteams: Durch die effiziente Zusammenarbeit von Datenanalysten, Wissenschaftlern und Ingenieuren konnte H-E-B die Datensilos aufbrechen und die Nutzung der Daten erleichtern. H-E-B hat alle seine Analysten in die Lage versetzt, ihre Daten zu analysieren und bessere Geschäftsentscheidungen zu treffen.
Verbesserte betriebliche Effizienz: Funktionen wie die automatische Skalierung von Clustern und MLflow haben die Abläufe von der Dateneingabe bis hin zur Verwaltung des gesamten Lebenszyklus des maschinellen Lernens verbessert, so dass Hunderte von Modellen pro Tag erstellt und trainiert werden können. Darüber hinaus haben wir Tableau eingesetzt, um Daten direkt aus Delta Lake abzurufen, so dass die Analysten ihren gesamten Data Lake leichter visualisieren können.
Geringere Betriebskosten: Durch die Migration in die Cloud konnten die Betriebskosten um etwa 70 % gesenkt werden.
Weitere datenwissenschaftliche Innovationen: Automatisierte Anzeige von Produkten mit Bildklassifizierung und personalisierteres Einkaufserlebnis für Kunden. Die Bereitstellung von 10 verschiedenen Arten von Empfehlungen in großem Umfang und die Steigerung des Kundenengagements mit mehr personalisierten schließlich ihren Umsatz um das Zweifache erhöhen.
Kundenzufriedenheit: Sie sind nun in der Lage, Daten effizienter und zuverlässiger zu verarbeiten und aufzubereiten. Dadurch erhalten verschiedene Gruppen, von Analysten und Datenwissenschaftlern bis hin zu Führungskräften, die nötigen Einblicke, um intelligentere Geschäftsentscheidungen zu treffen, von der Vorhersage der Verbrauchernachfrage bis hin zur Steigerung der Kundenzufriedenheit.