Databricks, le pionnier de l’architecture lakehouse, annonce Lakehouse for Retail, le premier data lakehouse spécifique à un secteur, pour les marchés de la vente de détail et des biens de consommation. Le concept de Lakehouse, par opposition à Warehouse, tel que défini par Databricks, consiste à proposer un environnement complet d’analyse de données à l’utilisateur final. Il doit permettre des cas d’usage basés sur l’IA nécessitant le traitement de données non structurées, semi-structurées, très hétérogènes et volumineuses. Pour être analysées, les données doivent être reliées les unes aux autres et leur infrastructure analytique soigneusement organisée et mise à la disposition de l’utilisateur final.
Le premier des éléments nécessaires à l’analyse et à l’apprentissage automatique est l’infrastructure analytique. L’architecture de type Lakehouse fourni donc au data lake une couche transactionnelle structurée. L’infrastructure analytique contient une combinaison de choses familières et de choses qui ne le sont pas forcément. Un Lakehouse prend en charge des données non structurées, telles que la vidéo, l’audio, le texte, ainsi que des données structurées qui restaient habituellement le domaine des systèmes traditionnels. « En simplifiant radicalement l’infrastructure de données, le Lakehouse accélère l’innovation à une époque où le ML et l’IA révolutionnent tous les secteurs et notamment le Retail », explique Databricks.
Accélérer le processus d’analyse
Lakehouse for Retail de Databricks propose ainsi une plateforme centralisée de gestion des données et de l’IA conçue pour aider à résoudre les problèmes de données auxquels sont confrontés les détaillants, leurs partenaires et leurs fournisseurs. Conçus pour accélérer le processus d’analyse, les nouveaux Lakehouse for Retail Solution Accelerators proposent des modèles de cas d’usage et des bonnes pratiques en matière d’analytique et de machine learning, afin de faire gagner aux ingénieurs et data scientistes sur les délais de développement. Parmi les accélérateurs de solutions les plus populaires auprès des clients utilisant la plateforme Lakehouse for Retail de Databricks.
Ingestion de flux de données en temps réel : permet de prendre en temps réel des décisions déterminantes pour gagner sur le marché du retail omnicanal grâce aux données en provenance des points de vente, des applications mobiles, des stocks et de l’exécution des commandes.
Prévisions de la demande et prévisions de séries chronologiques : permet de générer des prévisions plus précises en moins de temps grâce à des prévisions fines de la demande et ainsi mieux prédire la demande pour tous les articles et tous les magasins.
Moteurs de recommandation basés sur le ML : des modèles de recommandations spécifiques pour chaque étape du parcours de l’acheteur, telles que le réseau neuronal, le filtrage collaboratif, les recommandations basées sur le contenu et plus encore, permettent aux détaillants de créer une expérience client plus personnalisée.
CLV (Customer Lifetime Value) permet d’étudier l’attrition des clients, de mieux prédire les comportements de désabonnement et segmenter les consommateurs en fonction de leur durée de vie et de leur valeur, grâce à un ensemble d’accélérateurs d’analyse de la clientèle, et ainsi améliorer les décisions relatives au développement de produits et aux promotions personnalisées.
