Domaine : Distribution
Produits JetBrains utilisés : Datalore
Taille de l'organisation : 1-50
Pays : Royaume-Uni
GreenJinn est une plateforme de cashback qui propose aux utilisateurs des promotions personnalisées via une application mobile. Elle leur permet d'acheter des articles au prix normal, de photographier leurs reçus et de recevoir du cashback. En plus de servir les consommateurs, GreenJinn fournit aux marques de PGC des informations précieuses sur leurs clients, qui les aident à favoriser l'adoption des produits et à convertir la publicité en opportunités de vente en magasin. En tant qu'entreprise, GreenJinn s'engage à simplifier les processus, à s'améliorer continuellement et à donner la priorité au client.
Comment GreenJinn a soulagé son équipe technique principale et bénéficié d'un retour sur investissement de 200 % avec Datalore
Au fil de la croissance de GreenJinn, son équipe technique et d'ingénierie s'est retrouvée submergée par les demandes d'extraction de données émanant d'équipes non techniques, notamment des opérations, des analyses, des ventes et du marketing. Ces équipes comptaient sur le service technique pour tous leurs besoins en données. Cela créait un goulot d'étranglement qui ralentissait les opérations et perturbait le développement des produits.
« Si vous m'aviez posé la question il y a quelques mois, je vous aurais répondu que nous étions absolument coincés. Nous luttions constamment pour satisfaire les demandes d'informations. L'équipe technique était mobilisée sur des tâches de faible valeur, comme extraire des données et effectuer des révisions sans fin, ce qui nous empêchait de nous concentrer sur le développement de produits hautement prioritaires. »
— Daniel Sonny Agliardi, responsable technique chez GreenJinn
La boucle d'analyses était un cycle répétitif. L'équipe des opérations et des analyses soumettait des demandes de données, mais souvent, les demandes initiales étaient incomplètes, ce qui entraînait plusieurs allers-retours et des retards. Cette inefficacité obligeait l'équipe technique à consacrer jusqu'à 11 heures par semaine aux tâches d'extraction de données, plutôt que de se concentrer sur son travail de développement principal.
« Nous avons identifié notre dépendance à l'égard de l'équipe technique pour l'extraction des données comme la cause première de nos inefficacités. Le besoin constant de suivis et de clarifications nous empêchait de fournir les informations en temps opportun. »
— Marco Patrini, responsable des opérations et des analyses chez GreenJinn
La petite équipe technique de GreenJinn était aux prises avec une dette technique et des tableaux de bord obsolètes, qui aggravaient encore la pression sur le système. Cela entraînait des retards, des problèmes de communication et, en fin de compte, un ralentissement de la prise de décision au sein de l'entreprise.
GreenJinn s'est rendu compte qu'il lui manquait les bons outils pour permettre à ses équipes non techniques de gérer les données de manière indépendante, ce qui entraînait une forte dépendance à l'égard de l'équipe technique. Pour résoudre ce problème, l'entreprise a déployé Datalore, une plateforme collaborative de science des données qui a permis à ses équipes opérationnelles et d'analyse de gérer elles-mêmes l'extraction et l'analyse des données, réduisant ainsi la charge de travail de l'équipe technique.
« Datalore nous a apporté la flexibilité nécessaire pour gérer l'extraction et l'analyse sans dépendre de l'équipe technique pour chaque demande. »
— Marco Patrini, responsable des opérations et des analyses chez GreenJinn
Grâce aux notebooks collaboratifs SQL et Python et à la planification automatisée des rapports, Datalore a considérablement simplifié les workflows de données de GreenJinn, avec une gestion des données plus efficace et plus transparente entre les équipes. L'interface conviviale de la plateforme permet au personnel non technique d'accéder, d'extraire et d'analyser les données en toute indépendance, et s'intègre en toute transparence à des outils tels que Google Looker.
Cas d'utilisation 1 : reporting client B2B
Le processus de reporting client de GreenJinn était auparavant manuel et chronophage. Il prenait jusqu'à deux jours par rapport. L'équipe opérationnelle comptait sur l'équipe technique pour extraire, nettoyer et configurer les données pour les rapports clients.
Grâce à Datalore, l'équipe opérationnelle a automatisé l'ensemble du processus, de l'extraction des données à la génération des rapports. À l'aide de requêtes SQL et de code Python, les employés ont pu importer des données dans Datalore, les analyser et générer des rapports prêts à l'emploi en moins d'une demi-journée. La flexibilité de la plateforme a permis à l'équipe de conserver les mêmes formats de rapport, tout en augmentant la production de 70 % pour répondre à la demande croissante des clients, sans ressources supplémentaires.
« Nous avons considérablement réduit les délais de livraison, et fait évoluer nos rapports sans aucune interruption. »
— Daniel Sonny Agliardi, responsable technique chez GreenJinn
Cas d'utilisation 2 : rapports internes sur les KPI
Le processus de reporting interne des KPI de GreenJinn était également fragmenté. Les données étaient réparties sur plusieurs feuilles de calcul et nécessitaient un travail manuel important. Datalore a permis à l'équipe de fusionner l'extraction, l'analyse et la visualisation de données sur une même plateforme.
À l'aide de notebooks SQL et Python partagés, plusieurs membres de l'équipe ont collaboré en temps réel sur l'analyse des KPI. Le Report Builder a simplifié la transformation des notebooks Jupyter en rapports clairs, tandis que les cellules des métriques (Metric cells) ont mis en évidence les KPI importants. Grâce aux visualisations interactives, l'équipe a facilement pu suivre les métriques de performances et ajuster ses stratégies. Grâce à cet accès aux données en temps réel, GreenJinn a amélioré ses KPI de 35 %, en réagissant plus vite aux retours d’informations continus.
« Nous avons transformé nos rapports KPI en un processus rationalisé, ce qui nous a permis de répondre plus rapidement aux retours internes. »
— Marco Patrini, responsable des opérations et des analyses chez GreenJinn
En mettant en œuvre Datalore, GreenJinn a obtenu un retour sur investissement (ROI) de plus de 200 %, grâce au gain de temps et à l'amélioration de l'efficacité des processus internes et orientés client.
Voici les principaux résultats :
« Datalore a généré un retour sur investissement impressionnant de plus de 200 % en libérant nos ressources et en rationalisant les workflows internes et clients. Le gain de temps, à lui seul, est inestimable. »
— Daniel Sonny Agliardi, responsable technique chez GreenJinn
« Datalore a transformé la façon dont nous abordons les données, en autonomisant nos équipes et en améliorant l'efficacité à tous les niveaux. »
— Marco Patrini, responsable des opérations et des analyses chez GreenJinn
L'adoption de Datalore a permis à GreenJinn de faire évoluer ses opérations, d'optimiser la prise de décision et de libérer des ressources précieuses. Cela a permis des améliorations substantielles des performances commerciales et un retour sur investissement considérable.
Dr Steffen Möllenhoff, directeur associé chez neXDos
Auparavant, pour le prototypage, les tests de validité rétroactifs et la pérennisation de ses algorithmes de trading, neXDos hébergeait JupyterLab et JupyterHub. Mais cette approche était problématique en raison de sa complexité dans de nombreux domaines, notamment la gestion de l'environnement du serveur, les mises à jour fréquentes et la gestion des plugins associés au sein de JupyterLab.
Alexandria Morales-Garcia, analyste des risques d'investissement chez Venerable
Sur le plan de notre efficacité, l'un des problèmes majeurs était ce réseau de feuilles de calcul interdépendantes. Imaginez maintenant qu'une de ces feuilles de calcul contienne une erreur et que vous ne vous en rendiez pas compte. Trois feuilles de calcul plus tard, vous devez maintenant revenir en arrière, corriger cette feuille, et toutes les autres feuilles qui en dépendent, en espérant que vous ne l'avez pas envoyée en interne ou, pire encore, en externe.
Youngrae Lee, chef d'équipe du centre Big Data chez Drama & Company
Avant d'adopter Datalore, Drama & Company utilisait un serveur Jupyter autonome pour ses besoins en recherche de données. Cette configuration rencontrait toutefois souvent des problèmes de performances. Transférer les résultats de la recherche vers un pipeline de données, diffuser le code écrit par les chercheurs et d'autres tâches similaires se sont avérées difficiles et chronophages. Drama & Company a compris la nécessité d'une plateforme de science des données plus robuste et plus évolutive.