Howard Hughes
Ein weltweit tätiger Immobilienentwickler hat mit Boomi die ETL-Zeit um 80% reduziert, neue Datenquellen integriert und die Kosten für das Data Warehouse um 83% gesenkt.
Geschäftliche Ziele
Howard Hughes ist ein führender Immobilienentwickler, der Gemeinden für über 387.000 Einwohner in sechs Regionen verwaltet. Für seine umfangreichen Planungs-, Vertriebs- und Finanzoperationen wollte das Unternehmen seinen komplexen, fragmentierten Datenstapel vereinfachen, die Geschwindigkeit der Datenaufnahme und -umwandlung verbessern und neue Datenintegrationen ermöglichen, um genauere Prognosen und Finanzautomatisierung zu unterstützen. Ein weiteres Ziel war es, das hauseigene Datenteam in die Lage zu versetzen, zuverlässige, brauchbare Datenpipelines und Dashboards für Geschäftsanwender zu erstellen und so die Betriebskosten und die Abhängigkeit von externen Beratern zu verringern.
Herausforderungen bei der Integration
Howard Hughes stand vor zahlreichen Integrationsproblemen, die die betriebliche Effizienz und Skalierbarkeit behinderten:
- Ein komplexer Legacy-Stack mit sich überschneidenden Tools (Talend, dbt, Jenkins, MySQL), der schwer zu pflegen war
- Lange ETL-Fenster von bis zu 12 Stunden täglich verursachen Verzögerungen und manuelle Fehlerbehandlung
- Mehrere externe Berater waren erforderlich, was die Kosten und die Komplexität erhöhte
- Unvollständige Datenintegration verhindert umfassende Analysen
- Ineffizientes Batch-Laden in Snowflake führte zu hohen Kosten für das Cloud-Warehouse
Wie Boomi geholfen hat
Howard Hughes entschied sich für Boomi Data Integration, um Datenaufnahme, -umwandlung und -orchestrierung auf einer einzigen Plattform zu vereinen. Zu den wichtigsten Implementierungen gehören:
- Change Data Capture (CDC) Replikation für SQL Server nach Snowflake, wodurch die Ladezeiten drastisch reduziert werden
- Migration von SQL-basierten Transformationen aus dbt in die Push-Down-ELT-Flüsse von Boomi
- Integration von zuvor getrennten Immobiliensystemen (Chatham, Blackline) mit Hilfe von Boomino-code und Python verwalteten benutzerdefinierten Konnektoren
- Befähigung des internen Datenteams von zwei Personen zur Verwaltung von Pipelines, für die zuvor sechs externe Berater erforderlich waren
Ergebnisse
Durch die Konsolidierung seines Datenstapels mit Boomi erreichte Howard Hughes:
- Verkürzung der ETL-Zeit von 12 Stunden auf unter 40 Minuten, Steigerung der Agilität
- Jährliche Einsparungen in Höhe von 300.000 $ durch den Wegfall externer Berater für Datentechnik
- 83%ige Reduzierung der Snowflake durch CDC-basiertes inkrementelles Laden von Daten
- Hinzufügung von drei neuen Datenquellen, die automatische Umsatzprognosen und die Automatisierung von Finanzprozessen ermöglichen
- Reduzierung der Kosten für die Datenarchitektur um insgesamt 60-70%, wodurch sich das Team auf geschäftskritische Analysen konzentrieren kann
