Howard Hughes
Le promoteur immobilier mondial a réduit le temps d'ETL de 80%, a intégré de nouvelles sources de données et a réduit les coûts de l'entrepôt de données de 83% avec Boomi.
Objectifs commerciaux
Howard Hughes est un promoteur immobilier de premier plan qui gère des communautés pour plus de 387 000 résidents dans six régions. Pour ses opérations de planification, de vente et de finance à grande échelle, l'entreprise souhaitait simplifier sa pile de données complexe et fragmentée, améliorer la vitesse d'ingestion et de transformation des données, et permettre de nouvelles intégrations de données pour soutenir des prévisions plus précises et l'automatisation financière. Un autre objectif était de permettre à son équipe de données interne de créer des pipelines de données et des tableaux de bord fiables et utilisables pour les utilisateurs professionnels, en réduisant les coûts opérationnels et la dépendance à l'égard des consultants externes.
Les défis de l'intégration
Howard Hughes a été confronté à de multiples problèmes d'intégration qui ont entravé l'efficacité opérationnelle et l'évolutivité :
- Une pile complexe avec des outils qui se chevauchent (Talend, dbt, Jenkins, MySQL) difficile à maintenir
- Des fenêtres ETL longues, jusqu'à 12 heures par jour, entraînant des retards et une gestion manuelle des erreurs.
- Il a fallu faire appel à plusieurs consultants externes, ce qui a augmenté les coûts et la complexité.
- L'intégration incomplète des données a empêché la réalisation d'analyses complètes.
- Le chargement inefficace de lots dans Snowflake a gonflé les coûts de l'entrepôt en nuage.
Comment Boomi nous a aidés
Howard Hughes a adopté Boomi Data Integration pour unifier l'ingestion, la transformation et l'orchestration des données sur une plateforme unique. Les déploiements clés incluent :
- Réplication de Change Data Capture (CDC) pour SQL Server vers Snowflake, réduisant considérablement les temps de chargement
- Migration des transformations SQL de dbt vers les rivières ELT push-down de Boomi
- Intégration de systèmes immobiliers précédemment déconnectés (Chatham, Blackline) à l'aide de connecteurs personnalisés sans code et gérés par Python Boomi
- Donner à l'équipe interne de deux personnes chargée des données les moyens de gérer les pipelines qui nécessitaient auparavant l'intervention de six consultants externes.
Résultats
En consolidant sa pile de données avec Boomi, Howard Hughes a atteint ses objectifs :
- Le temps d'ETL est passé de 12 heures à moins de 40 minutes, ce qui accroît l'agilité.
- 300 000 dollars d'économies annuelles grâce à l'élimination des consultants externes en ingénierie des données
- Réduction de 83% des coûts de Snowflake grâce à des chargements de données incrémentaux basés sur le CDC
- Ajout de trois nouvelles sources de données permettant l'automatisation des prévisions de vente et des processus financiers
- Réduction globale de 60 à 70 % des coûts liés à l'architecture des données, ce qui permet à l'équipe de se concentrer sur les analyses critiques pour l'entreprise.
