Étude de cas

Pitney Bowes accélère sa croissance et son innovation

L'histoire de Pitney Bowes

Considérée comme l‘artisan du commerce, Pitney Bowes (PB) ne cesse d‘innover pour suivre l‘évolution de la complexité du commerce, depuis le lancement de sa machine à affranchir modèle M dans les années 1920 jusqu‘à l‘introduction plus récente de solutions transfrontalières. Pour continuer à établir de nouveaux records dans le commerce, PB s‘appuie sur les données pour prendre des décisions commerciales avec précision.

Le défi

En 2015, l’entreprise s’est engagée dans un processus de transformation numérique dans le but de permettre aux parties prenantes d’accéder fréquemment aux données afin d’identifier de nouvelles opportunités et des axes d’amélioration pour stimuler la croissance de l’entreprise. Auparavant, les collaborateurs de tous les services utilisaient et partageaient des données qui devenaient obsolètes dès leur téléchargement sur leurs ordinateurs personnels. Sans données actualisées en continu, il était pratiquement impossible chez PB de prendre des décisions stratégiques au bon moment.

La transformation numérique au niveau tactique a nécessité que l'équipe Big Data de PB stocke et sauvegarde les données provenant de toutes ses sources disparates dans un « data lake », et héberge les données sélectionnées dans un entrepôt de données de type « cloud » afin que les utilisateurs puissent y accéder directement. En permettant aux utilisateurs d'accéder aux données via un entrepôt de données de type « cloud », l'équipe Big Data a pu minimiser les risques liés à la sécurité des données, fournir des données aux utilisateurs autorisés et sélectionner les données présentes dans le « data lake » avant leur partage avec les utilisateurs.

L’équipe Big Data a dans un premier temps développé un outil d’intégration maison pour transférer les données provenant de sources et de systèmes disparates, tant sur site qu’ cloud , vers le lac de données (data lake) hébergé sur Amazon S3. Cet outil d’intégration ne pouvait toutefois pas prendre en charge les intégrations de nombreuses nouvelles applications natives d’ cloud s que l’équipe avait adoptées pour accompagner sa transformation numérique. L’équipe a donc dû consacrer un temps considérable à la programmation d’intégrations sur mesure et à la mise en place de solutions de contournement pour pallier les lacunes de l’outil.

L’équipe Big Data a dû réévaluer sa stratégie concernant le transfert des données depuis les applications d’ cloud s vers son lac de données à long terme. « Nous avons passé beaucoup trop de temps à coder des pipelines ETL au lieu de nous concentrer sur notre projet de lac de données et de permettre aux utilisateurs d’accéder aux données dont ils avaient besoin », a déclaré Vishal Shah, architecte solutions et déploiement chez PB. « Nous n’avions pas les capacités nécessaires pour soutenir la stratégie de l’entreprise au rythme requis. »

La solution

Shah et son équipe recherchaient une solution d’intégration de données de niveau entreprise plateforme et un entrepôt de données cloud . Ils ont évalué les outils d’intégration en fonction des critères suivants : la capacité à prendre en charge les intégrations d’applications existantes, tant sur site (on-premises) qu’en cloud ( cloud ) ; la capacité à charger et à mettre à jour de grands volumes de données à la fréquence requise par l’entreprise dans leur entrepôt de données et leur lac de données cloud , le tout avec un minimum de maintenance. Leur phase d’évaluation a été si minutieuse qu’ils ont même identifié et testé des cas d’utilisation d’intégration qui n’étaient pas encore nécessaires, afin d’éviter d’avoir à développer ou à acheter d’autres outils d’intégration à l’avenir. C’est ainsi qu’ils ont découvert SnapLogic, la principale plateforme d’ plateforme s d’intégration d’entreprise en tant que service (iPaaS), qui a su valider tous les cas d’utilisation d’intégration.

Une fois déployé dans leur environnement, SnapLogic a accéléré leurs processus ETL/ELT ainsi que leurs intégrations de données et d’applications. Ils ont connecté des points d’accès clés — notamment Salesforce, SAP HANA, MongoDB, Oracle, SQL Server, MySQL et bien d’autres — à Amazon S3 à l’aide des connecteurs intelligents de SnapLogic, afin de développer leur lac de données. L’équipe a également pu connecter pratiquement n’importe quelle application d’ cloud s grâce aux connecteurs REST de SnapLogic. « SnapLogic a permis de concrétiser la mise en place de notre lac de données et de notre entrepôt de données d’entreprise », a déclaré M. Shah. « Seul SnapLogic a été en mesure de soutenir nos initiatives à l’échelle de l’entreprise, notamment les déploiements de big data et les projets d’apprentissage automatique qui nécessitent des intégrations multi-sources. »

Après mûre réflexion, Shah a choisi Snowflake comme entrepôt de données d’ cloud , capable de s’intégrer très facilement à SnapLogic. Shah savait que de plus en plus d’utilisateurs allaient accéder aux données de l’entrepôt de données « cloud » et les partager, et que Snowflake offrait un meilleur rapport qualité-prix que les autres solutions du marché. Ensemble, Snowflake et SnapLogic ont permis à l’équipe Big Data de centraliser sans effort les données et d’offrir aux utilisateurs un accès à des informations en temps réel.

Résultats commerciaux

Depuis la mise en œuvre de SnapLogic pour stocker les données dans son lac de données et dans Snowflake, l’équipe Big Data a aidé les utilisateurs à accélérer la prise de décisions commerciales, du lancement de produits au déploiement de campagnes marketing ciblées. Plus de 500 utilisateurs issus des services Ventes, Marketing, Finance, E-commerce et Opérations commerciales peuvent désormais partager et analyser des données. Le service de commerce en ligne, par exemple, a analysé les données d’expédition et d’envoi postal pour identifier les goulots d’étranglement en termes de performances, établir des prévisions de livraison, analyser le volume des retours, etc. De son côté, le service marketing a analysé les tendances pour comprendre le comportement des clients en fonction des campagnes et des offres, évaluer les performances de son portefeuille et créer des offres ciblées distinctes en fonction des dépenses et des habitudes d’utilisation des clients.

« À mesure que de plus en plus d'utilisateurs professionnels accèdent à Snowflake, le besoin de connecter davantage d'applications métier ne cessera de croître », a déclaré M. Shah. « Nous avons connecté plus de 25 applications, mené à bien plus de 1 000 projets d'intégration dans le cadre de la mise en œuvre de notre lac de données et traité plus de 900 milliards de documents à l'aide de SnapLogic. Nous nous réjouissons de poursuivre notre partenariat avec SnapLogic afin de stimuler la croissance de Pitney Bowes. »