Сфера деятельности: ритейл
Используемые продукты JetBrains: Datalore
Число сотрудников: 1-50
Страна: Великобритания
GreenJinn — это кэшбэк-сервис, который предлагает пользователям персонализированные акции в мобильном приложении. Они покупают товары, фотографируют чеки и получают кэшбэк. Кроме этого, GreenJinn помогает производителям лучше понимать своих покупателей и превращать рекламу в реальные продажи. Компания постоянно упрощает процессы и улучшает сервис, ориентируясь на потребности пользователей.
C помощью Datalore компания GreenJinn разгрузила технических специалистов и добилась 200%-ного возврата инвестиций
По мере роста GreenJinn техническая команда оказалась завалена запросами на извлечение данных от других команд: операционного менеджмента, аналитиков, специалистов по продажам и маркетингу. При работе с данными эти команды полностью зависели от технического отдела, что создавало задержки и тормозило развитие продукта.
«Если бы вы спросили меня пару месяцев назад, я бы ответил, что мы в глухом тупике. Мы все время не успевали выполнять запросы, связанные с данными. Команда была завалена мелкими задачами по извлечению данных и бесконечными исправлениями и не могла сосредоточиться на развитии продукта, которое должно было быть главным приоритетом»,
— Дэниел Сонни Альярди, техлид в GreenJinn
Запросы на аналитику от других команд представляли собой повторяющийся цикл. Часто они оказывались неполными, требовали уточнений и вызывали задержки. Из-за этого техническая команда тратила до 11 часов в неделю на задачи по извлечению данных вместо того, чтобы заниматься разработкой.
«Мы поняли, что главная причина неэффективной работы в том, что мы зависим от технических специалистов. Постоянные дополнительные вопросы и уточнения мешали нам вовремя предоставлять аналитические данные клиентам»,
— Марко Патрини, руководитель отдела операций и аналитики в GreenJinn
Небольшая техническая команда GreenJinn испытывала трудности из-за технического долга и устаревших дашбордов, что усугубляло нагрузку на систему. Это приводило к срыву сроков, недопониманию и в конечном счете замедляло принятие решений в компании.
В GreenJinn поняли: им нужен такой инструмент, который позволил бы остальным командам самостоятельно работать с данными, существенно снизив нагрузку на технических специалистов. Для этого было решено использовать Datalore — платформу для совместной работы с данными, благодаря которой команды смогли извлекать и анализировать данные без посторонней помощи.
«Благодаря Datalore мы можем самостоятельно извлекать и анализировать данные, не обращаясь по любому поводу к технической команде»,
— Марко Патрини, руководитель отдела операций и аналитики в GreenJinn
SQL- и Python-ноутбуки с возможностью совместной работы и автоматизированные отчеты по расписанию упростили работу с данными в GreenJinn, сделав ее более эффективной для всех команд. Удобный интерфейс Datalore позволил сотрудникам без технического образования самостоятельно извлекать и анализировать данные. К тому же платформа полностью интегрирована с такими инструментами, как Google Looker.
Первый пример использования: отчетность для B2B-клиента
Раньше подготовка отчетов для клиентов в GreenJinn занимала много времени — до двух дней на каждый отчет, и все делалось вручную. Операционная команда каждый раз обращалась к техническим специалистам, когда нужно было извлечь, очистить и подготовить данные для отчета.
С помощью Datalore удалось автоматизировать весь процесс: от извлечения данных до создания отчетов. Используя SQL-запросы и Python-код, можно меньше чем за полдня перенести данные в Datalore, проанализировать их и создать готовый отчет. Гибкость Datalore позволила сохранить привычный формат отчетов и увеличить объем работы на 70%, чтобы удовлетворить растущие требования клиентов без дополнительных затрат.
«Мы тратим в разы меньше времени, и при этом в срок готовим отчеты любого объема»,
— Дэниел Сонни Альярди, техлид в GreenJinn
Второй пример использования: внутренняя отчетность по KPI
Внутренний процесс отчетности по KPI в GreenJinn был неорганизованным: данные были разбросаны по разным таблицам, и работа над ними требовала много ручных усилий. С Datalore команда смогла производить извлечение, анализ и визуализацию в одном инструменте.
Несколько членов команды одновременно анализировали KPI в коллаборативных SQL- и Python-ноутбуках. С конструктором отчетов гораздо проще превращать Jupyter-ноутбуки в готовые понятные отчеты, а ячейки метрик позволяют выделить важные показатели. Благодаря интерактивным визуализациям команда могла легко отслеживать свою эффективность и корректировать стратегию. За счет доступа к данным в реальном времени GreenJinn удалось увеличить выполнение KPI на 35% и быстрее реагировать на обратную связь.
«Мы упростили отчетность по KPI, и это помогло нам быстрее обрабатывать внутреннюю обратную связь»,
— Марко Патрини, руководитель отдела операций и аналитики в GreenJinn
Внедрив Datalore, GreenJinn добилась рентабельности инвестиций (ROI) более 200% за счет экономии времени и повышения эффективности как внутренних процессов, так и взаимодействия с клиентами.
Основные результаты:
«Благодаря Datalore мы добились ROI больше 200%, высвободив ресурсы и упростив как внутренние процессы, так и взаимодействие с клиентами — это потрясающий результат. Экономия времени сама по себе уже бесценна»,
— Дэниел Сонни Альярди, техлид в GreenJinn
«Datalore изменила наш подход к данным, дала нашим сотрудникам новые возможности и повысила общую эффективность работы»,
— Марко Патрини, руководитель отдела операций и аналитики в GreenJinn
Внедрение Datalore помогло GreenJinn масштабировать работу, оптимизировать принятие решений и высвободить ценные ресурсы. В итоге компания стала работать намного продуктивнее и добилась существенного возврата инвестиций.
д-р Штеффен Мелленхоф, управляющий партнер neXDos
Раньше специалисты neXDos разрабатывали алгоритмы биржевой торговли, ретроспективно тестировали их и проверяли, используя хостинг JupyterLab и JupyterHub. Такой подход был проблематичен из-за сложностей во многих аспектах, включая управление серверным окружением, частые обновления и работу с плагинами в JupyterLab.
Александрия Моралес-Гарсия, специалистка по анализу инвестиционных рисков в Venerable
Одной из основных наших проблем была сеть взаимосвязанных электронных таблиц. Представьте себе, что в одну из них закралась ошибка, которую вы обнаруживаете только через три таблицы. Приходится исправлять исходную таблицу и все остальные, от нее зависящие, и надеяться, что данные не были отправлены кому-нибудь внутри компании или, что еще хуже, вовне.
Ёнрэ Ли, руководитель центра больших данных, Drama & Company
До перехода на Datalore в Drama & Company для анализа данных использовался автономный сервер Jupyter. При такой конфигурации часто возникали проблемы с производительностью. Перенос результатов в пайплайн данных, распределение кода, написанного исследователями, и другие задачи отнимали много времени и сил. В итоге в Drama & Company пришли к выводу, что им нужна более надежная и масштабируемая платформа для Data Science.