Varför ett intelligent datamoln är nyckeln till digital transformation

I den nuvarande tidsåldern av digitala störningar möter företag i alla branscher konkurrens från alternativ som tillhandahåller överlägsen teknik, affärsmodeller, operativa värdekedjor och konsumentupplevelser. Digital transformation är inte ett nytt fenomen, men det har accelererat inom detaljhandel, hälsovård, finansiella tjänster, transporter, fordon, media och underhållning och tillverkning under de senaste åren.

Digitala innovatörer stör de etablerade företagens affärsmodeller genom att uppfinna i mycket snabbare takt. Dessa digitala pionjärer förstår potentialen i att integrera data i hela sin verksamhet för att skapa verklig förändring och värdeskapande. De skördar frukterna av hållbara, verksamhetskritiska databaser, analys- och maskininlärningssystem som på ett tillförlitligt sätt kan driva företaget 24 timmar om dygnet, sju dagar i veckan och driva innovation. Digitala innovatörer konstruerar sina datamoln med en plattform som är öppen, intelligent och pålitlig, och de gör det nu.

Kunder vars digitala transformationer drivs av intelligenta datamoln

1. Home Depot (THD) gör över 400 000 medarbetare smartare över mer än 50 000 varor som lagras på över 2 000 platser genom att ge dem insikt i de artiklar som varje kund behöver. Förutom att använda Cloud SQL, Spanner och Bigtable för operativa användningsfall, använder THD AI för att hjälpa till med lokaliseringen av varor med deras mobilapplikationer för navigering i butik.
2. Med hjälp av ML och datorer identifierade American Cancer Society unika mönster i digitala patologibilder för att möjligen förbättra patientresultaten och analyserade bröstcancerbilder 12 gånger snabbare. Även med en stab av hängivna patologer skulle det ha tagit år i motsats till tre månader att bedöma 1 700 vävnadsprover utan maskininlärning.
3. UPS sparar upp till 400 miljoner USD årligen genom att sänka bränsleförbrukningen med 10 miljoner gallon årligen genom att använda BigQuery och Spanner för att leverera fler varor till en billigare kostnad och betjäna sina kunder på ett mer intelligent och smidigt sätt.
4. Onlinebutiken Zulily använder de mest uppdaterade funktionerna inom artificiell intelligens, maskininlärning och molnberäkning för att utveckla och betjäna sina konsumenter på ett meningsfullt sätt. För att ge onlineköpare en korrekt representation av hur ett plagg skulle se ut när det bärs, tränar Zulily maskininlärningsmodeller för att analysera produktfoton och extrahera information. De utvecklar sådana lösningar med hjälp av molnbaserad teknik som AutoML Vision.
5. Med hjälp av BigQuery, Cloud SQL och Spanner bearbetar ANZ Bank transaktioner upp till 250 gånger snabbare än tidigare.
6. Med stöd av ML, BigQuery och Google Kubernetes Engine kan Priceline göra datadrivna val mycket snabbare, vilket gör det möjligt för dem att snabbare anpassa sig till förändrade kundkrav.

Moderna datametoder låsta i arkaiska datasystem

Google Cloud-klienten The Home Depot (THD) har skapat sig ett rykte genom att gå stora – stora platser, ett stort produktsortiment och, viktigast av allt, stor kundglädje. Men allt eftersom tiden gick upptäckte THD att det hade ett problem, vilket naturligtvis var big data. THD sökte en metod för att uppdatera sin strategi, trots att dess framgång under åren var helt datadriven. De ville kombinera krångligheterna hos sina länkade företag, såsom uthyrning av utrustning och hemtjänster, mer effektivt. Dessutom ville de bättre utrusta sina dataanalysteam och butikspartners med mobila datorenheter, samt utnyttja e-handel och nya moderna verktyg som artificiell intelligens (AI) för att möta kundernas behov.

Deras nuvarande lokala datalager blev oförmöget att hantera moderna utmaningar, blev överbelastade av det ständiga behovet av analyser och misslyckades med att hantera sina dataanalytikers allt mer sofistikerade användningsfall.

Detta resulterade inte bara i den enorma expansionen av datalagret, utan innebar också svårigheter att kontrollera prioriteringar, prestanda och utgifter.

Att lägga till kapacitet till miljön krävde omfattande planering, design och testning från THDs sida. I ett fall krävde utökad kapacitet på plats sex månaders förberedelse och ett tre dagars serviceavbrott. Fördelarna var dock kortlivade; inom ett år hade kapacitetsbrist återvänt, vilket försämrade prestanda och förmågan att utföra alla viktiga rapporterings- och analysarbeten. Home Depot krävdes också att uppgradera sina operativa databaser för att påskynda distributionen av appar för deras team och eliminera kravet på att hantera resurser.

THD saknade tillgång i realtid till den försäljnings-, produkt- och fraktanalys som krävdes för att förbättra kundupplevelsen, produkt-SKU:er och mer, vilket hindrade deras förmåga att konkurrera i en bransch där kundupplevelsen är nyckeln.

Låter detta bekant? Dessa svårigheter är nu utbredda i hela organisationen. Att driva historisk teknologi samtidigt som man försöker implementera en modern datastrategi är inte längre möjligt för de allra flesta organisationer, inklusive THD.

Ladda ner Google Clouds whitepaper för att lära dig mer om varför ett intelligent datamoln är en nyckel till digital transformation endast på Whitepapers Online.