Data & Innovation

Industria Financiera

Acerca del cliente | Firma dedicada al sector de microfinanzas, lidera un movimiento para detonar un mayor crecimiento económico en el sector financiero al acercar a las mujeres mexicanas a estos esquemas, históricamente excluidas del mundo crediticio. La empresa comenzó en 2010 con una sucursal en Atlacomulco, en el Estado de México y actualmente tiene presencia en 23 estados de la república.
Su motivación radica en “la posibilidad de generar muchas oportunidades de trabajo para muchas personas y a su vez facilitar capital productivo a mujeres que tienen las habilidades para sacar adelante a sus familias, pero que muchas veces no tienen los recursos”

Necesidad | Financiera Contigo busca implementar una solución que le permita integrar y consolidar diferentes fuentes de datos, con diferentes formatos y estructuras en un único repositorio de información (data lake) para realizar consultas históricas y a su vez consumir eventos en tiempo real.
Por otra parte necesita automatizar la operación de los propietarios de los datos para reducir el trabajo manual, el error humano y el tiempo en la recopilación de los mismos como también poder brindarles herramientas para que los usuarios finales creen sus propios esquemas de datos que alimentarán sus scorecards de KPIs para el análisis y toma de decisiones a través de una única fuente de datos.
Por último, el cliente requiere integración con Mambu, que es una plataforma bancaria SaaS y adicionalmente con SAP, para seguir en tiempo real los eventos y redes sociales.

Solución | Nubiral desarrolló un ecosistema para automatizar la generación de informes y el análisis avanzado mediante los servicios DataLake y DataWarehouse en AWS.
Los procesos de ingestión, basados en diferentes fuentes del cliente, se realizan hacia un lago de datos sobre la infraestructura de AWS. Los procesos ETL y los modelos analíticos se generan utilizando RedShift.

Resultados |
Multiplicación de ambientes.
Reducción de morosidad.

Industria Alimentos y Bebidas

Acerca del cliente | Es una compañía argentina de productos alimentarios y una de las empresas líderes de la industria alimentaria de Latinoamérica con llegada a más de 50 países en todo el mundo.

Necesidad | Un cliente importante en la industria alimentaria está en proceso de descontinuar el uso de la herramienta QlikView BI y migrar sus herramientas hacia el ecosistema de AWS.
El mayor desafío es crear un proceso para reemplazar a QlikView, en el que tienen diferentes procesos para extraer datos de su solución SAP, y luego realizar un modelado de datos y disponibilizar los mismos para generar los informes necesarios para la organización a través de herramientas AWS incluyendo S3 Glue & Redshift.

Solución | La solución propuesta por Nubiral, implicó la migración de los procesos ETL que se realizan en QlikView hacia una serie de herramientas en AWS.
Se propuso la siguiente arquitectura:
1 – Extracción de datos de SAP a AWS S3 bucket,
2 – Procesamiento de datos con AWS Glue (Crawler, ETL, Catálogo)
3 – Carga de datos procesados a Redshift
4 – Finalmente, hacer que los datos de Redshift estén disponibles para ser accedidos a través de un dashboard de visualización por los usuarios finales.

Resultados |
– Implementar sobre la infraestructura de AWS todas las herramientas implicadas en la solución propuesta con éxito.
– Configurar correctamente todas las herramientas según las necesidades del cliente.
– Migrar los ETL críticos para las operaciones de la empresa.
– Utilizar Redshift como repositorio de datos según las necesidades del cliente.

Actualmente, sobre una base mensual, las tablas transaccionales se descargan de SAP con la información del mes cerrado anterior. Una vez en QlikView, los datos se procesan y transforman, se generan las dimensiones correspondientes y el proceso de carga de datos continua.

Industria Automotriz

Acerca del cliente | Desde 1939, el cliente ha producido productos innovadores de alta calidad para la industria automotriz, incluyendo lubricantes, aceites y aditivos. Los productos se venden en más de 90 países en 6 continentes y se envasan en 16 idiomas diferentes. La empresa ha establecido una amplia red de instalaciones de fabricación y envasado para apoyar su distribución en todo el mundo.

Necesidad | El cliente necesita contar con un proceso de planificación de la demanda más preciso y eficiente para poder suministrar los productos a sus diferentes sucursales a tiempo. Para ello buscaba definir y desarrollar un proceso automatizado que le permita obtener una previsión precisa de sus ventas para cada sku de su negocio.

Solución | Con el fin de satisfacer las necesidades del cliente se ha desarrollado un ecosistema de datos sobre la nube de AWS. Periódicamente, los datos se ingieren en el entorno AWS a través de un storage gateway hacia un S3 de varias fuentes de datos. Luego, varios procedimientos ETL con AWS Glue mueven y transforman datos a través de S3 buckets. Finalmente, se inicia un flujo de trabajo de orquestación en el que se ejecuta el modelo y se exportan los datos de salida a S3. El estado del modelo y sus resultados se almacenan en tablas DynamoDB para su posterior análisis y fines históricos. Todo el proceso está orquestado con Step functions. Los datos son catalogados en Glue, visualizados en Quicksight Dashboards y los querys vía Athena.

Resultados | Reducción del forecast error gracias a la reducción en los costos de distribución y logística como a los pedidos de productos o existencias por falta de stock.

Industria Construcción

Acerca del cliente | La compañía es una de las principales empresas de construcción industrial en México con más de 50 años de ofrecer soluciones de construcción flexibles en más de 400 proyectos de diseño y construcción que representan más de 38 millones de metros cuadrados. Ft.

Necesidad | El cliente cuenta con una serie de presupuestos enviados por sus proveedores en diferentes formatos. Analizar esta información se convierte en una tarea difícil y propensa a errores debido a la variedad de formas en el que cargan sus proveedores cargan sus precios. A su vez, les resultaba complicado alinear a todos su proveedores a la carga de datos de una forma más automatizada y normalizada.

Solución | La solución propuesta es la creación de una arquitectura de datos moderna en AWS que comprende la ingesta recurrente de las diferentes fuentes de datos que el cliente posee en un datalake montado en S3 y gestionado por Lakeformation. Después de la ingesta en S3, los datos pasan por un pipeline automatizado de funciones de Lambda y trabajos en Glue que a su vez, formatean y normalizan la data en base a las reglas de transformación proporcionadas por el cliente, dejándolo en otro bucket S3, que se llama la etapa procesada, después de catalogar los datos con un rastreador Glue en esta nueva etapa. Está disponible para fines de análisis mediante el uso de Quicksight, Athena y otras herramientas y procesos de BI de los clientes.

Resultados | Automatización de procesos manuales y propensos a errores. Desarrollo y provisión de dashboards para tener observabilidad de datos y tomar decisiones acorde a información relevante del negocio.