Supply Chain: Cómo la transferencia de datos ayudó a Walgreens a transformar su cadena de suministro |
Medio: america-retail.com |
Fuente: Internet Tipo de nota: Nota común |
|
La cadena de farmacias y tiendas de
autoservicio Walgreens construyó un almacén de datos centralizado para
brindar a los socios de la cadena de suministro una mejor visión de sus
datos, pero el análisis fue lento. Ahí es donde entró un nivel de
almacenamiento de datos. El gigante de las farmacias Walgreens realizó una inversión considerable en la construcción de un almacén de datos para consolidar los datos de diferentes sistemas. Pero el equipo de su cadena de suministro aún luchaba por generar informes precisos y oportunos. El almacén de datos tampoco brindó mucha visibilidad a los analistas de los socios de la cadena de suministro de la compañía, lo que les dificultó planificar su propia producción para satisfacer las necesidades de Walgreens. Durante la Conferencia de Datos Strata de 2019 en San Francisco, los ejecutivos de Walgreens discutieron cómo desarrollaron un nivel de almacenamiento de datos utilizando Kyvos de Kyvos Insights a una fracción del costo de las plataformas de análisis de la cadena de suministro en línea. Esto hizo posible proporcionar análisis personalizados en toda la organización y a los socios. También ayudó a garantizar que todos estuvieran operando en los mismos conjuntos de datos. Big data = grandes atajos Los equipos de analistas y científicos de datos de Walgreens estaban luchando para generar informes precisos para realizar pronósticos, rastrear artículos agotados y hacer planes de ventas y operaciones para sus 9,500 tiendas en todo el país. “Queríamos gestionar el inventario en asociación con los proveedores”, dijo Anne Cruz, gerente de TI de la cadena de suministro en Walgreens. “Pero esto solo es posible si podemos proporcionar los datos que necesitan para proporcionar un inventario correcto y preciso en la tienda”. Mantener los estantes llenos era importante para mantener contentos a los clientes y los trabajadores de las tiendas. Los datos precisos también fueron importantes para la planificación de ventas y operaciones y para realizar ajustes en la estrategia o marketing cuando las ventas cambiaron. |
|||
El equipo de operaciones de TI de la compañía
recibe alrededor de 70 mil millones de registros de transacciones por día.
Esto creó un tremendo desafío de ingeniería de datos, incluso con un clúster
de Hadoop para agregar los datos. Pero los analistas que usan los datos
pasaron largos períodos cargando los conjuntos de datos apropiados en
herramientas como Tableau, SAS y Excel. “Si no tienes agilidad, es
frustrante para los usuarios”, dijo Cruz. Como resultado, cada analista encontraría varios atajos para generar informes que funcionaron. Muchos de ellos curaron manualmente sus propios conjuntos de datos, lo que podría generar errores o no reflejar las actualizaciones en el sistema de registro. Otras veces, un simple proceso de análisis tomaría horas para ejecutarse. Primero, un almacén de datos; después, transferencia de datos Parte del problema fue que los datos se agregarían en diferentes cubos para un producto dado, dijo Neerav Jain, un arquitecto técnico de Walgreens. Cada tienda Walgreens tiene aproximadamente 30,000 productos, y se distribuyeron diferentes datos sobre los productos en más de 50 tablas y fuentes. No ayudó que los datos también se distribuyeran entre mainframes, servidores AS/400, sistemas de gestión de bases de datos relacionales, servidores en la tienda y la hoja de cálculo de Excel. Walgreens quería crear una vista centralizada de todos los datos de la cadena de suministro y decidió comenzar con cinco cuadros de mando que representaban diferentes vistas. También era importante proporcionar a cada proveedor una vista segura de los datos relevantes para sus propios productos. Jain dijo: “Tenemos miles de proveedores, y un proveedor no puede ver los datos de otro, o podemos ser demandados”. Hace aproximadamente dos años, el equipo de Jain comenzó a recopilar datos de varias fuentes en un almacén de datos centralizado en Hadoop con un plan para construir un centro de datos integrado. Aunque los datos estaban en un solo lugar, los análisis seguían siendo lentos. Por lo tanto, el equipo de Walgreens presentó una solicitud de propuesta para construir un nivel de almacenamiento de datos y soluciones preseleccionadas de cinco proveedores diferentes. En última instancia, el equipo seleccionó a Kyvos para ayudar a construir un nivel de integración y almacenamiento de datos sobre el clúster de Hadoop. Cruz dijo que terminó siendo alrededor de una quinta parte del costo de las soluciones en memoria de la competencia. El nivel de almacenamiento de datos ayudó a reducir el tiempo de procesamiento y permitió a los equipos de análisis crear cuadros de mando altamente sensibles. La mejora clave es que Kyvos genera automáticamente nuevos cubos de datos e índices asociados de forma diaria y semanal en el fondo. Se tardan unos 30 minutos en generar las actualizaciones diarias y aproximadamente 2,5 horas para las actualizaciones semanales. Una vez que están completos, se copian en el nivel de almacenamiento de manera que no interfieran con los trabajos de análisis en curso. Abordar los vacíos de datos El equipo de ingeniería de datos luego trabaja con analistas de negocios para identificar el tipo de análisis que necesitan y los problemas de negocios actuales. Obtener esta comprensión ayuda a los ingenieros de datos a guiar las mejores maneras de estructurar las dimensiones necesarias para generar el mejor cubo de datos en el nivel de consumo. Los ingenieros también tuvieron que encontrar formas de abordar las brechas en los datos que de otro modo podrían afectar el análisis de la cadena de suministro. Por ejemplo, si un proveedor sufrió un desafío de fabricación o distribución, el almacén de datos no capturaría ningún dato sobre sus productos durante esta interrupción. Sin embargo, los analistas pueden preferir ignorar este período, ya que podría sesgar sus análisis o predicciones. Al mismo tiempo, Walgreens no solo desea completar los datos en el sistema de registro, lo que podría sesgar los informes financieros. Entonces, el equipo de Jain trabajó con los analistas y científicos de datos para desarrollar varios esquemas para formatear automáticamente los datos para diferentes procesos de análisis. Antes de construir nada, las organizaciones deben confirmar con los usuarios comerciales que tienen los datos correctos, dijo Cruz. Cuando llegan nuevos datos, su equipo también revalida si deben agregarlos a sus modelos de datos. |