H-E-Bはナッシュテックの支援により、より良いショッピング体験のためにデータを民主化した。

産業

技術情報

Data ingest and ETL deep learning Machine Learning MLFLow Scala Spark SQL

はじめに

ナッシュテックのデータ分析ソリューションにより、H-E-Bの誰もが簡単にデータにアクセスし、そのデータをより活用するために他のサービスと連携、表示、統合することができます。機械学習のユースケースは多大な価値を提供し、収益に直接的な影響を与えている。

H-E-Bについて

H-E-Bの食料品チェーンは、1店舗からセントラル・マーケットの専門店を含む多くの店舗へと成長した。 H-E-Bは米国テキサス州全域とメキシコ北東部に340店舗以上を展開している。

大手食料品チェーンとして、H-E-Bは顧客に最高のショッピング体験を提供することに専念してきた。その使命を胸に、ナッシュテックはデータ分析と機械学習に信頼を寄せており、顧客一人ひとりにパーソナライズされた、エキサイティングで非常に魅力的なショッピング体験を構築することを可能にしている。

インパクト

運用コストを70％削減
顧客エンゲージメントの向上による収益の2倍増。
一日に何百ものモデルが作られる。

課題

ウェブサイトの需要に追いつかないレガシーデータウェアハウス

H-E-Bは従来型の企業データウェアハウスを使用していたが、ビジネスが成長するにつれて、集中的なDevOpsサポートなしではスケーリングができなくなり、業務が滞っていた。さらに、レガシーシステムは連携性がなく、データアナリストだけがデータにアクセスできるため、サイロ化が進んでいた。このことは、機械学習でイノベーションを起こす能力だけでなく、新機能を構築してもそれを拡張する能力にも累積的な影響を及ぼしていた。チームは、さまざまなデータチームやビジネス関係者がキュレーションされたデータにアクセスできるよう、データパイプラインを効率的に構築することに苦労していた。

大量のデータ：毎日50万人の訪問者と40万点の商品から生成されるデータ。
データのサイロ化と拡張性の欠如：データサイロと従来型のデータウェアハウス環境のため、膨大なデータに対するデータサイエンスの取り組みをサポートするための業務拡張に苦戦。その結果、グローバルに展開するさまざまなウェブサイトでイノベーションを推進するために必要な時間よりも、洞察を得るまでの時間が遅くなってしまった。
非効率な機械学習：ビジネスニーズに合わせてモデル構築やトレーニングを拡張できない。
市場投入までの時間がかかる：新機能の開発には時間がかかり、アイデア出しから製品化まで1年以上かかっていた。

解決策

データと機械学習の民主化

ナッシュテックは、データ分析に関する専門知識でH-E-Bを支援し、統合データウェアハウスを構築しました。統一されたデータ・プラットフォームは、全社的な共同作業と民主的な環境を促進し、大量の高速データを取り込み、顧客体験を向上させるための強力な画像分類・推薦エンジンを開発することを可能にした。

AWS上のフルマネージドプラットフォーム：自動化されたクラスタ管理により、あらゆる規模のインフラストラクチャと運用を簡素化
より効率的なデータフロー：airflowやKubernetesのような他のツールと簡単に統合でき、CI/CDのベストプラクティスを確立しながら自動化されたデータパイプラインを構築できる。
チーム間コラボレーションの向上：複数の言語（SQL、Scala、Python、R）をサポートするコラボレーティブ・ノートブック環境により、多様なユーザー・チームがそれぞれの好みの言語で共同作業を行うことができ、データ・サイエンスの運用とイノベーションを加速させることができます。
MLライフサイクルの合理化：MLフローのネイティブサポートにより、データサイエンスチームは実験を簡単に再現し、モデルのパフォーマンスを追跡し、体系的な方法でモデルを迅速に反復することができます。

その結果

コンバージョンにつながるショッピング体験の実現

当社のデータ分析ソリューションを使えば、H-E-Bの誰もが簡単にデータにアクセスし、そのデータをさらに活用するために、他のサービスと連携したり、表示したり、統合したりすることができます。機械学習のユースケースは多大な価値を提供し、収益に直接的な影響を与えている。

データチームの生産性向上：データアナリスト、サイエンティスト、エンジニアが協力して効率的に作業することで、H-E-Bはデータのサイロ化を解消し、データの利用を容易にした。 H-E-Bは、すべてのアナリストがデータを分析し、より良いビジネス上の意思決定を行えるようにした。
運用効率の向上：自動スケーリングクラスターやMLflowなどの機能により、データの取り込みから機械学習のライフサイクル全体の管理までの運用が改善され、1日に数百のモデルを構築して訓練できるようになった。さらに、Tableauを使ってDelta Lakeから直接データを取得し、アナリストがデータレイク全体をより簡単に視覚化できるようにしました。
運用コストの削減：クラウドへの移行により、運用コストが約70％削減された。
データサイエンスの革新：画像分類による商品の自動表示と、顧客によりパーソナライズされたショッピング体験。 10種類のレコメンデーションを大規模に提供し、よりパーソナライズされた顧客エンゲージメントを高め、最終的に収益を2倍に増加させる。
顧客満足度消費者の需要予測から顧客満足度の向上まで、よりスマートなビジネス上の意思決定を行うために必要な洞察を、アナリストやデータサイエンティストからエグゼクティブまで、さまざまなグループに提供することができます。