Fizz beschleunigt E-Commerce-Analysen mit Databricks SQL

Databricks SQL eröffnet Möglichkeiten für fast alles, was wir tun wollen. Es ist eine All-in-One-Plattform mit voller Datenintelligenz. Sie ist größtenteils automatisch im Hintergrund, sodass Sie sich keine Sorgen machen müssen – Sie können einfach aufbauen.— Tamas Bacskai, Head of Data, Fizz.hu

Fizz.hu ist ein schnell wachsender E-Commerce-Marktplatz, der von der OTP Group unterstützt wird. Vor nur zwei Jahren als Teil der „Beyond Banking“-Strategie von OTP gestartet, beherbergt Fizz mehr als 500 Händler, die über 1,5 Millionen aktive Produktangebote in den Bereichen Elektronik, Haushaltswaren und mehr anbieten.

Von Anfang an waren Daten eine Priorität. Aber das Unternehmen begann mit einer einfachen Grundlage: Microsoft SQL Server und Power BI, die tägliche Batch-Loads für die Berichterstellung durchführten. Mit wachsenden Produktkatalogen und neuen Anwendungsfällen stieß diese Einrichtung an ihre Grenzen.

Fizz brauchte mehr als ein traditionelles Data Warehouse. Es benötigte eine All-in-One-Plattform, die SQL, Python und zukünftige KI-Initiativen unterstützen konnte, ohne die betriebliche Komplexität zu erhöhen. Das Team fand dies in Databricks SQL und entschied sich für die Migration zu einer Lakehouse-Architektur, die mit dem Unternehmen skalierbar ist.

Eine pragmatische Migration, abgeschlossen in drei Monaten

Als Tamas Bacskai als Head of Data eintrat, war sein Auftrag klar: ein datenorientiertes Team aufbauen und einen skalierbaren Weg nach vorne definieren. Die bestehende SQL Server-Umgebung funktionierte als einfaches Warehouse, aber Python-Workloads liefen auf einer separaten virtuellen Maschine, die Governance war begrenzt und Skalierung bedeutete höhere Infrastrukturausgaben.

Das Team bewertete drei Optionen: sich weiterhin nur auf Data Warehousing zu konzentrieren, fortgeschrittene Workloads an ein anderes Entwicklungsteam auszulagern oder eine Lakehouse-Architektur zu übernehmen, die SQL und Python vereinheitlichen konnte. Das Lakehouse-Modell „erfüllte alle Kriterien“, sagte Bacskai – einschließlich der zukünftigen Erweiterung in Richtung Machine Learning und KI.

Anstatt ein perfektes Redesign anzustreben, verfolgte Fizz einen MVP-First-Ansatz. Mit Unterstützung eines externen Partners migrierten sie etwa 50 Tabellen und mehrere gespeicherte Prozeduren und bauten Kernansichten in Databricks SQL neu auf. Das Ziel war einfach: Berichte weiterlaufen lassen, aber auf eine neue Engine umleiten.

„Es war unkonventionell“, sagte Bacskai. „Wir wollten keine perfekte Migration, bei der alles neu geschrieben wird. Wir wollten so schnell wie möglich umziehen und danach verfeinern und modernisieren. Es ist viel einfacher, sobald die Daten in Databricks sind.“

Innerhalb von drei Monaten wurde der alte SQL Server komplett abgeschaltet. Power BI-Berichte liefen nahtlos weiter, jetzt angetrieben von Databricks. „Es war nicht unmöglich, nur ehrgeizig“, sagte Bacskai, „aber vorhersehbar und erreichbar.“

Schnellere Berichterstattung und bessere Service Level

Die unmittelbare Auswirkung war die Leistung. Zuvor konnten tägliche ETL-Zyklen drei bis vier Stunden dauern, und die Berichterstattung war erst zuverlässig gegen 7:00 oder 8:00 Uhr morgens verfügbar. Das führte zu Reibungen mit den Business-Anwendern, die ihren Tag früher begannen.

Mit Databricks SQL reduzierte Fizz sein nächtliches End-to-End-Verarbeitungsfenster auf etwa 90 Minuten. Berichte sind jetzt durchgängig bis 4:30 Uhr morgens fertig, auch an Wochenenden und Feiertagen. Power BI-Aktualisierungszyklen wurden um etwa 50 % reduziert, und Exporte im Gigabyte-Bereich werden jetzt in Minuten abgeschlossen.

Die Gewinne waren nicht das Ergebnis überdimensionierter Infrastruktur. Fizz führt relativ moderate Workloads aus – insgesamt etwa 10 TB über Bronze- und Silber-Layer –, aber die neue SQL-Engine und die automatischen Optimierungsfunktionen lieferten messbare Verbesserungen ohne ständiges Tuning.

„Es ist nicht so, dass wir einfach mehr Geld oder größere Cluster dafür eingesetzt haben“, klärte Bacskai auf. „Die SQL-Ausführungs-Engine ist einfach schneller. Sie optimiert automatisch und alles ist für uns da.“ 

Ebenso wichtig ist, dass Databricks die Notwendigkeit separater Umgebungen für die Ausführung von Python beseitigte. Alle Jobs laufen jetzt nativ innerhalb der Plattform, was den Betrieb vereinfacht und eine sauberere Grundlage für zukünftige Machine Learning-Initiativen schafft.

Erweiterung der Fähigkeiten mit KI und Self-Service

Von Anfang an wollte Fizz eine Plattform, die seine KI-Ambitionen nicht einschränkt. Schon während der Migration rechnete das Team mit einer wachsenden Nachfrage nach Machine Learning, generativer KI und fortschrittlicheren Data Governance-Kontrollen.

Heute kann Databricks SQL-, Python- und Machine Learning-Workloads in einer einzigen Umgebung unterstützen. Das Team prüft Maskierungsrichtlinien und Governance-Kontrollen, um die Bereitschaft für die DSGVO und den EU AI Act zu stärken. KI-gestützte SQL-Funktionen helfen bei der Bereinigung und Standardisierung von Produktnamen, wodurch die Abhängigkeit von komplexen regulären Ausdrücken verringert und die Datenaufbereitung beschleunigt wird.

Self-Service-Analysen werden ebenfalls über Databricks Genie erweitert. Business-Anwender können natürliche Sprachfragen auf Ungarisch stellen, ohne SQL schreiben zu müssen. Etwa 20 aktive Benutzer nutzen Genie heute und sparen etwa 20 % der Zeit eines Analysten, die zuvor für die Beantwortung von Ad-hoc-Anfragen aufgewendet wurde – wodurch das Team für wertschöpfendere Tätigkeiten frei wird.

„Unser Genie-Setup ist noch nicht vollständig“, bemerkte Bacskai, „aber es bedeutet, dass wir kein SQL lernen müssen, um eine Frage zu stellen. Man kann einfach mit seinen Daten chatten.“

Für ein wachsendes E-Commerce-Unternehmen geht der Nutzen über die Geschwindigkeit hinaus. Databricks bietet eine einheitliche, KI-bereite Grundlage, die mit neuen Anwendungsfällen von der Integration von Marketingdaten bis hin zu Model-Serving-Endpunkten skaliert, ohne dass ein größeres Team für die Verwaltung erforderlich ist.

„Databricks SQL war viel besser, als wir erwartet hatten“, sagte Bacskai. „Es ist etwas, mit dem wir gerne arbeiten. Es kann alles, was wir wollen, also können wir einfach bauen und erschaffen, was wir wollen.“ 

(Dieser Blogbeitrag wurde mit KI-gestützten Tools übersetzt.) Originalbeitrag