Industrie: Handel

Verwendete JetBrains-Produkte: Datalore

Organisationsgröße: 1-50

Land: Großbritannien

Über GreenJinn

GreenJinn ist eine Cashback-Plattform, die über eine Mobil-App personalisierte Werbeaktionen anbietet, bei denen die Benutzer*innen für Artikel, die sie zum vollen Preis gekauft haben, Quittungen einreichen können, um Cashbacks zu erhalten. Neben den Vorteilen für die Verbraucher*innen versorgt GreenJinn FMCG-Marken mit wertvollen Kundeninformationen, die die Produktakzeptanz steigern und Werbung in Verkaufschancen im Ladengeschäft ummünzen. Als Unternehmen ist GreenJinn bestrebt, Prozesse zu vereinfachen, kontinuierliche Verbesserungen zu erzielen und einen kundenorientierten Ansatz beizubehalten.

Wie GreenJinn sein IT-Kernteam entlastete und mit Datalore eine Investitionsrendite von 200% erzielte

Gefangen in der Insight-Schleife

Im Zuge des Wachstums von GreenJinn wurde das IT- und Engineering-Team von den Fachabteilungen – unter anderem Operations, Insights, Vertrieb und Marketing – mit Datenextraktionsanfragen überhäuft. Diese Teams waren in Bezug auf ihren gesamten Datenbedarf von der IT-Abteilung abhängig – ein Engpass, der die Betriebsabläufe verlangsamte und die Produktentwicklung blockierte.

„Wenn Sie mich vor ein paar Monaten gefragt hätten, hätte ich gesagt, dass wir absolut feststecken. Die Erfüllung von Analyseanfragen war ein ständiger Kampf. Das IT-Team war mit unbedeutenden Aufgaben wie dem Extrahieren von Daten und der Erstellung einer endlosen Folge von Versionen ausgelastet, was uns daran hinderte, uns auf wichtige Produktentwicklungen zu konzentrieren.“

— Daniel Sonny Agliardi, technischer Leiter bei GreenJinn

Der Insight-Kreislauf steckte in einer Endlosschleife fest. Das Operations- und Insights-Team reichte Datenanfragen ein, aber oft waren die ersten Anfragen unvollständig, was zu mehrfachen Nachfragen und Verzögerungen führte. Aufgrund dieser Ineffizienz verbrachte das IT-Team bis zu 11 Stunden pro Woche mit der Datenextraktion, anstatt sich auf zentrale Entwicklungsaufgaben zu konzentrieren.

„Wir hatten festgestellt, dass die Abhängigkeit vom IT-Team bei der Datenextraktion die Hauptursache für unsere Ineffizienzen war. Der ständige Bedarf an Nachfragen und Klärungen machte es uns unmöglich, zeitnah Erkenntnisse bereitzustellen.“

— Marco Patrini, Leiter Operations & Insights bei GreenJinn

Das kleine IT-Team von GreenJinn kämpfte mit technischen Schulden und veralteten Dashboards, was eine zusätzliche Belastung für das System bedeutete. Dadurch kam es zu Verzögerungen, Missverständnissen und letztlich zu einer verzögerten Entscheidungsfindung im gesamten Unternehmen.

Mehr Möglichkeiten für nicht-technische Teams mit Datalore

GreenJinn erkannte, dass dem Unternehmen die richtigen Tools fehlten, um nicht-technischen Teams eine eigenständige Datenverwaltung zu ermöglichen, was zu einer starken Abhängigkeit vom IT-Team führte. Um dieses Problem zu lösen, wurde Datalore eingeführt, eine kollaborative Data-Science-Plattform, die den Operations- und Insights-Teams des Unternehmens die Möglichkeit bot, die Datenextraktion und -analyse selbst zu übernehmen und so das IT-Team zu entlasten.

„Datalore gibt uns die Flexibilität, Daten zu extrahieren und zu analysieren, ohne bei jeder Anfrage auf das IT-Team angewiesen zu sein.“

— Marco Patrini, Leiter Operations & Insights bei GreenJinn

Mit kollaborativen SQL- und Python-Notebooks und einer zeitgesteuerten automatischen Berichtserstellung hat Datalore die Datenabläufe von GreenJinn erheblich optimiert und dadurch ein effizienteres und reibungsloseres Datenmanagement in allen Teams ermöglicht. Die bedienfreundliche Oberfläche der Plattform erlaubt es auch technisch wenig versierten Mitarbeitenden, selbstständig auf Daten zuzugreifen und diese zu extrahieren und zu analysieren. Gleichzeitig wird eine problemlose Integration von Tools wie Google Looker gewährleistet.

Anwendungsfall 1: B2B-Kundenberichte

GreenJinn verwendete bisher einen manuellen und zeitaufwändigen Prozess für das Kundenreporting, sodass ein Bericht bis zu zwei Tage in Anspruch nahm. Das Operations-Team war beim Extrahieren, Bereinigen und Aufbereiten von Daten für Kundenberichte auf das IT-Team angewiesen.

Mit Datalore hat das Operations-Team den gesamten Prozess von der Datenextraktion bis hin zur Berichtsgenerierung automatisiert. Mit SQL-Abfragen und Python-Code dauert es weniger als einen halben Tag, die notwendigen Daten in Datalore zu laden, zu analysieren und in einsatzfertige Berichte zu verwandeln. Durch die Flexibilität der Plattform konnte das Team das gewohnte Berichtsformat beibehalten und gleichzeitig den Output um 70% erhöhen, um die gestiegene Kundennachfrage ohne zusätzliche Ressourcen zu erfüllen.

„Wir haben die Bereitstellungszeiten drastisch verkürzt und unser Reporting ohne jede Störung hochskaliert.“

— Daniel Sonny Agliardi, technischer Leiter bei GreenJinn

Anwendungsfall 2: Interne KPI-Berichte

Auch der interne KPI-Berichtsprozess von GreenJinn war ähnlich fragmentiert. Die Daten waren auf verschiedene Tabellenkalkulationen verteilt und erforderten einen erheblichen manuellen Aufwand. Mit Datalore kann das Team die Datenextraktion, -analyse und -visualisierung auf einer einzigen Plattform konsolidieren.

Durch die gemeinsame Verwendung von SQL- und Python-Notebooks können mehrere Teammitglieder in Echtzeit an KPI-Analysen zusammenarbeiten. Der Report Builder vereinfacht die Umwandlung von Jupyter-Notebooks in übersichtliche Berichte, während sich in Metric-Zellen wichtige KPIs hervorheben lassen. Mit interaktiven Visualisierungen kann das Team unkompliziert Performance-Kennzahlen auswerten und seine Strategien anpassen. Dank diesem Echtzeit-Datenzugriff konnte GreenJinn seine KPIs um 35% verbessern und auf kontinuierlich eingehendes Feedback schneller reagieren.

„Wir haben unser KPI-Reporting optimiert, sodass wir schneller auf internes Feedback reagieren können.“

— Marco Patrini, Leiter Operations & Insights bei GreenJinn

Ergebnisse: Über 200% Kapitalrendite, Effizienz und Skalierbarkeit

Durch die Einführung von Datalore erzielte GreenJinn eine Investitionsrendite (ROI) von über 200%, indem Arbeitszeit eingespart und die Effizienz bei internen und kundenorientierten Prozessen verbessert wurde.

Die wichtigsten Ergebnisse:

  • 60% schnellere Bereitstellung von Erkenntnissen, indem die Bearbeitungszeit von Berichten von 1,5–2 Tagen auf weniger als einen halben Tag reduziert wurde.
  • 70% mehr Kundenberichte, da mit unveränderten Ressourcen mehr Berichte erstellt werden können.
  • Um 35% verbesserte interne KPI-Ergebnisse, ermöglicht durch Echtzeit-Datenzugang und vereinfachtes Reporting.
  • Ein ganzer Tag pro Woche an zurückgewonnener Arbeitszeit, die das IT-Team der eigentlichen Produktentwicklung widmen kann, anstatt sich mit routinemäßigen Datenaufgaben aufzuhalten.

„Mit Datalore haben wir eine beeindruckende Investitionsrendite von mehr als 200% erzielt, indem wir Ressourcen freigesetzt und interne sowie Kunden-Workflows vereinfacht haben. Allein die Zeitersparnis war für uns enorm wertvoll.“

— Daniel Sonny Agliardi, technischer Leiter bei GreenJinn

„Datalore hat unseren Umgang mit Daten verändert, unsere Teams gestärkt und die Effizienz auf breiter Front verbessert.“

— Marco Patrini, Leiter Operations & Insights bei GreenJinn

Durch die Einführung von Datalore ist es GreenJinn gelungen, die Betriebsabläufe zu skalieren, die Entscheidungsfindung zu optimieren und wertvolle Ressourcen freizusetzen. Dies hat zu einer erheblichen Verbesserung der Unternehmensperformance und einer signifikanten Investitionsrendite geführt.

Ähnliche Kundenstudien

neXDos

Dr. Steffen Möllenhoff, Managing Partner bei neXDos

Zuvor hostete neXDos JupyterLab und JupyterHub für das Prototyping, Backtesting und Futureproofing seiner Trading-Algorithmen. Dieser Ansatz war jedoch aufgrund der Komplexität in vielen Bereichen problematisch, darunter bei der Verwaltung der Serverumgebung, der Häufigkeit von Updates und der Handhabung der entsprechenden Plugins in JupyterLab.

Venerable

Alexandria Morales-Garcia, Investment Risk Analyst bei Venerable

Eines der größten Probleme in Bezug auf unsere Effektivität war ein Gewirr von Tabellenkalkulationen mit wechselseitigen Abhängigkeiten. Nehmen wir jetzt an, in eine dieser Tabellen schleicht sich ein Fehler ein, den wir nicht sofort bemerken. Drei Tabellen später müssen wir nun zurückgehen und dieses Blatt und alle anderen darauf basierenden Blätter korrigieren und hoffen, dass es noch nicht intern – oder, noch schlimmer, extern – weitergegeben wurde.

Drama & Company

Youngrae Lee, Leitung Big Data Center Team bei Drama & Company

Vor der Einführung von Datalore verwendete Drama & Company einen separaten Jupyter-Server für seine Datenforschung. Bei diesem Setup kam es jedoch häufig zu Leistungsproblemen. Die Übertragung der Forschungsergebnisse in eine Daten-Pipeline, die Verteilung des von den Forschenden geschriebenen Codes und ähnliche Aufgaben erwiesen sich als schwierig und zeitaufwändig. Drama & Company erkannte die Notwendigkeit einer robusteren und skalierbaren Data-Science-Plattform.

Weitere Kundenstudien