Success stories
VOO – Transformation BI et Big Data avec une migration vers le Cloud
Août 5, 2021
VOO – l’un des plus grands opérateurs télécoms du marché belge – a réalisé Memento. De quoi s’agit-il ? Il s’agit du programme de transformation de la Business Intelligence et du Big Data de VOO avec une migration clé vers le Cloud. Découvrez comment nous avons assisté l’opérateur durant les différentes phases du projet.
Qui est VOO ?
VOO est le nom d’un opérateur télécom belge. Il est principalement actif dans les régions de Wallonie et de Bruxelles. Fournissant à ses clients des services de câble, de téléphone et d’Internet, VOO est orienté vers la clientèle et la technologie.
Vous et toute votre famille pouvez profiter d’un Internet haut débit super rapide, d’une riche mine de contenus télévisés et d’un service mobile et fixe généreux grâce aux produits et services innovants de VOO. Il s’agit d’un opérateur télécom belge que les experts de Lucy ont aidé dans sa transformation numérique.
Quel était le défi que VOO a lancé à Lucy ?
- Augmenter considérablement la connaissance des clients pour accélérer l’acquisition et améliorer la fidélité et la rétention.
- Soutenir la transformation numérique en offrant une vision unifiée du client et de son comportement.
- Répondre aux nouveaux défis de la conformité (GDPR)
- Réduire radicalement le coût total de possession des environnements de données (4 environnements de BI différents + 3 clusters Hadoop avant la transformation).
- Introduire une gouvernance des données à l’échelle de l’entreprise et résoudre le problème de la BI fantôme (plus de 25 ETP du côté de l’entreprise pour traiter les données).
Notre solution : une plateforme de données basée sur le cloud, à l’échelle de l’entreprise, alimentée par AWS
Les experts de Lucy ont mené une étude rapide, analysant tous les aspects de la transformation et abordant à la fois le défi organisationnel (rôles et responsabilités, équipes et compétences, processus, gouvernance) et le défi technique (scénarios architecturaux holistiques, allant du cloud hybride aux solutions full cloud en mode PaaS).
Sur la base des résultats de l’étude, nous avons déployé une plateforme de données basée sur le cloud, à l’échelle de l’entreprise. Elle combine les processus de BI traditionnels avec des capacités analytiques avancées. Nous avons redéfini l’organisation des données et les processus associés et introduit la gouvernance des données au niveau de l’entreprise.
Le coût total de possession est tombé à moins de 30 % de ce qu’il était auparavant. L’agilité et les capacités se sont considérablement améliorées.
Architecture basée sur les services de données clés d’AWS
Data Lake
Amazon S3 est utilisé pour la couche centrale d’entrée et pour assurer la persistance à long terme.
Certains fichiers de données sont prétraités sur Amazon EMR. Les clusters EMR sont créés à la volée plusieurs fois par jour. Les clusters traitent uniquement les nouvelles données qui arrivent dans S3. Une fois les données traitées et persistées dans un format Apache Parquet optimisé pour l’analyse, le cluster est détruit. Le cryptage et la gestion du cycle de vie sont activés sur la plupart des buckets S3 pour répondre aux exigences de sécurité et de rentabilité. Plus de 600 To de données sont actuellement stockées dans le Data Lake. Amazon Athena est utilisé pour créer et maintenir un catalogue de données et explorer les données brutes dans le Data Lake.
Data Warehouse
Le Data Warehouse fonctionne sur Amazon Redshift, en utilisant les nouveaux nœuds RA3 et suit la méthodologie Data Vault 2.0. Les objets Data Vault sont très standardisés et ont des règles de modélisation strictes, ce qui permet un haut niveau de standardisation et d’automatisation. Le modèle de données est généré à partir des métadonnées stockées dans une base de données Amazon RDS Aurora.
DynamoDB
Amazon DynamoDB est utilisé pour des cas d’utilisation spécifiques où les applications web ont besoin de temps de réponse inférieurs à la seconde. L’utilisation de la capacité variable de lecture/écriture de DynamoDB permet de provisionner la capacité de lecture haute performance, plus coûteuse, uniquement pendant les heures de bureau, lorsqu’une faible latence et un temps de réponse rapide sont nécessaires. Ces mécanismes, qui reposent sur l’élasticité des services AWS, sont utilisés pour optimiser la facture mensuelle AWS.
Machine Learning
Une série de modèles prédictifs ont été mis en œuvre, allant d’un modèle classique de prédiction de désabonnement à des cas d’utilisation plus avancés. Amazon SageMaker a été utilisé pour construire, former et déployer les modèles à l’échelle, en exploitant les données disponibles dans le Data Lake (Amazon S3) et l’entrepôt de données (Amazon Redshift)
