Databricks Assessment & KI-Roadmap im Elektrogroßhandel
In nur drei Wochen haben wir gemeinsam mit einem führenden deutschen Elektrogroßhändler eine priorisierte KI-Use-Case-Roadmap erarbeitet und die bestehende Databricks-Plattform nach Best Practices auditiert, inklusive konkreter Handlungsempfehlungen, die bereits in der Umsetzung sind.
Das Ergebnis: Es besteht nun Klarheit darüber, welche KI-Projekte als Nächstes angegangen werden und wie die Datenbasis dafür vorbereitet werden muss.
Auf einen Blick:
- Kunde: Führender europäischer Elektrogroßhändler
- Branche: Elektrogroßhandel
- Projektziel: Audit und Optimierung der bestehenden Databricks Datenplattform nach Best Practices
- Tools: Databricks, Databricks Agent Bricks, Databricks Genie Spaces, Machine Learning, Oracle, Langdock
Die Ausgangssituation
Unser Kunde ist ein führender Elektrogroßhändler mit 8.600 Beschäftigten und rund 500 Standorten in Zentral- und Osteuropa. Das Unternehmen ist in zehn Ländern aktiv und verfügte bereits über eine Databricks-Plattform, hatte jedoch keine klare Strategie, welche KI-Projekte zuerst darauf umgesetzt werden sollten.
Die Databricks Plattform war bereits durch den Mutterkonzern aufgesetzt worden. Was jedoch fehlte, war eine klare Struktur: Es gab weder einheitliche Datenstandards und Best Practices, noch eine priorisierte Vorstellung, welche KI- und ML-Projekte als Nächstes umgesetzt werden sollten. Gleichzeitig hatten vorangegangene Machine-Learning-Projekte nicht die erhoffte Wirkung entfaltet, da die Lösungen von den tatsächlichen Nutzern nicht angenommen wurden. Der Kunde wurde durch die YouTube-Inhalte von Laurenz auf Datasolut aufmerksam, da genau diese Themen die eigenen Herausforderungen adressierten.
Vor diesen Herausforderungen stand unser Kunde:
Fehlende Priorisierung
Es gab viele Projektideen und Potenziale, jedoch fehlte ein strukturiertes Verfahren, um zu entscheiden, welche zuerst umgesetzt werden sollten. Wert, Machbarkeit und strategische Ausrichtung wurden nicht systematisch bewertet.
Keine Databricks Best Practices
Die Plattform war aufgebaut und lief, aber es fehlte ein einheitlicher Standard für den Aufbau von Datenstrukturen und Pipelines. Ohne Best Practices drohte sich eine technische Schuld aufzubauen, die spätere KI-Projekte ausbremsen würde.
Fehlende Nutzerakzeptanz
Bisherige ML-Projekte wurden von den Endnutzern nicht ausreichend angenommen, weshalb sie keinen messbaren Mehrwert erzeugten. Technisch korrekte Lösungen scheiterten an der mangelnden Integration in Prozesse und den Arbeitsalltag.
Wir haben einen vierteiligen Workshop-Prozess durchgeführt, der strategische Klarheit und technische Fundierung vereint. Parallel dazu wurde ein vollständiger Databricks-Audit durchgeführt. Dabei wurde die Plattform im Detail analysiert, Potenziale identifiziert und mit konkreten Handlungsempfehlungen untermauert, die auf jahrelanger Best-Practice-Erfahrung basieren. Ein Workshop-Tag fand direkt vor Ort beim Kunden statt, was die Zusammenarbeit agiler und persönlicher machte.
1.
Wir haben die gesamte Databricks- und AWS-Infrastruktur mit Terraform als Code aufgebaut, reproduzierbar, versioniert und governance-konform mit Unity Catalog, Cluster Policies und Databricks Asset Bundles.
2.
Wir haben die On-Prem-Daten über Lakeflow Declarative Pipelines integriert und entlang der Medallion Architecture von Bronze über Silver bis Gold als Star Schema mit 212 Millionen Zeilen aufgebaut.
3.
Wir haben mit Databricks Data Quality Constraints fehlerhafte Datensätze automatisch identifiziert, in Quarantäne-Tabellen verschoben und so eine saubere Datenbasis im Gold Layer sichergestellt.
Der Weg zum Erfolg
Gemeinsam mit dem Kundenteam haben wir in einem strukturierten, vierstufigen Prozess, von der Bestandsaufnahme über die Identifikation von Use Cases bis hin zur detaillierten Ausarbeitung, in kurzer Zeit greifbare Ergebnisse geliefert. Der persönliche Workshop vor Ort hat die Zusammenarbeit dabei entscheidend bereichert. Ideen konnten direkt hinterfragt, Technologien eingeordnet und Chancen realistisch eingeschätzt werden.
Das Ergebnis
Der Kunde verfügt heute über eine klare, priorisierte KI-Roadmap. Das unstrukturierte Backlog gehört der Vergangenheit an, denn es gibt nun ein Portfolio mit Use Cases, deren zeitliche Abfolge strategisch aufeinander aufbaut. Die detailliert ausgearbeiteten Top-Use-Cases sind so vorbereitet, dass sie mit DSX Machine Learning von Datasolut in kurzer Zeit produktiv umgesetzt werden können.
Gleichzeitig wurden konkrete Verbesserungen an der Databricks-Plattform angestoßen, um eine saubere und skalierbare Datenbasis für alle kommenden KI-Projekte zu schaffen. Die Innovationskraft war im Unternehmen bereits vorhanden. Wir haben dabei geholfen, sie zu strukturieren, einzuordnen und in umsetzbare Schritte zu übersetzen.
Lassen Sie uns sprechen und Ihr Potenzial entdecken.
Ob und wie künstliche Intelligenz Ihnen weiterhelfen kann, können Sie in einem ersten, unverbindlichen Gespräch mit uns herausfinden.
In diesem Gespräch erfahren Sie:
- Wie Ihr Use-Case technisch am besten umgesetzt werden kann
- Wie wir maximal sicher mit Ihren Kundendaten umgehen
- Wie lange wir für die Umsetzung benötigen und wie ein konkreter Projektplan aussehen könnte