Wie Indra EV-Ladedaten auf Databricks vereinheitlichte

Wenn Daten schneller wachsen als die sie umgebenden Systeme, wird Komplexität zum Standard. Das war die Herausforderung für Indra Renewable Technologies, eines der am schnellsten wachsenden Unternehmen für das Laden von Elektrofahrzeugen (EV) im Vereinigten Königreich, das intelligente Ladestationen für gewerbliche und private Standorte entwickelt, konstruiert und herstellt. Mit dem Wachstum ihres Datenbestands stieg auch die Anzahl der damit verbundenen Tools, Pipelines und Kosten.

Das Ergebnis war altbekannt: fragmentierte Systeme, duplizierte Logik und viel Zeit, die für die Wartung der Infrastruktur aufgewendet wurde, anstatt Daten zu nutzen, um das Unternehmen voranzubringen.

Die Antwort von Indra war nicht die Einführung einer weiteren Punktlösung. Stattdessen konsolidierte das Unternehmen auf Databricks und schuf eine einzige, verwaltete Plattform für Analysen, Berichterstattung und Self-Service-Zugriff im gesamten Unternehmen.

Sehen Sie sich an, wie Indras CTO Matthew Noonan und Data Engineer Meghana Ganatra über ihre Erfahrungen mit Databricks berichten.

Der Weg von Indra mit Databricks begann mit einer parallelen Prototyp-Migration von Synapse. Sobald die Ergebnisse den Erwartungen entsprachen, erweiterte das Team auf monatliche Delta-Tabellen, konsolidierte seine Flotten-Pipeline und verlagerte mehr operative Last von Cosmos DB auf Databricks. Die nächste Phase konzentrierte sich darauf, die verwalteten Daten auch außerhalb der Technik nutzbar zu machen, wobei automatisierte AI/BI-Dashboards und Genie Agents den Geschäftsteams direkten Zugriff auf Antworten ermöglichen.

Der Ausgangspunkt: zu viele Tools, zu viel Overhead

Die Daten von Indra waren über Cosmos DB, Synapse, Azure Data Lake Storage, Azure Functions, Power BI und andere Azure-Dienste verteilt. Jeder Anwendungsfall hatte sich individuell entwickelt.

Dies führte zu einigen Problemen:

• Die Kosten stiegen organisch über mehrere Tools hinweg an
• Pipelines wurden einzeln und mit wenig Standardisierung erstellt
• Die Daten waren fragmentiert
• Die Governance war eingeschränkt, ohne zentralen Katalog oder Lineage-Ansicht
• Geschäftsteams waren bei Routinezahlen weiterhin von den Datenteams abhängig

Die Architektur funktionierte zwar, war aber teuer und ließ sich nur schwer sauber skalieren.

Warum eine einzige Plattform wichtig war

Databricks bot Indra eine Möglichkeit, diese Teile zusammenzuführen.

Anstatt mehrere separate Dienste zu warten, wechselte das Team zu einer einzigen Plattform mit verwalteten Datensätzen, standardisierten Workflows und zentraler Transparenz durch den Unity Catalog. Dieser Wechsel veränderte das Betriebsmodell ebenso wie den Technologie-Stack.

Das Team musste nicht mehr jeden Anwendungsfall als separate Entwicklung betrachten. Sie konnten einmal auf der Basis verwalteter Daten aufbauen und die Plattform über Teams und Workloads hinweg wiederverwenden.

In der Praxis bedeutete dies eine zentrale Datenplattform, die mehrere Anwendungsfälle bediente, anstatt einer Reihe isolierter Tools, die nebeneinander existierten.

Was sich für die Technik, die Geschäftsanwender und die Kunden geändert hat

Die Vorteile beschränkten sich nicht nur auf das Datenteam:

• Für das Engineering wurde Databricks zur Grundlage für den Aufbau auf verwalteten Datensätzen anstelle von verstreuten Quellen
• Für Geschäftsanwender verringerte sich die Notwendigkeit, Zahlen beim Datenteam anzufordern
• Für externe Kunden wurde eine Single Source of Truth geschaffen, die über eine einzige Plattform bereitgestellt wird
• Und für das Datenteam wurde das System einfacher zu unterstützen, skalierbarer und leichter zu erweitern

Dieser Wechsel von der Fragmentierung zur Standardisierung ist einer der größten Vorteile bei jeder Plattformkonsolidierung: Der Wert liegt nicht nur in niedrigeren Kosten, sondern auch in weniger Übergaben und geringerer operativer Reibung.

Ersetzen anfälliger Pipelines durch eine Medallion-Architektur

Eines der anschaulichsten Beispiele von Indra war die Flottendaten-Pipeline.

Zuvor stützte sich das System auf mehrere Azure-Funktionen und separate Phasen, um Daten durch den Stack zu bewegen. Die Pipeline erfasste Telemetrie- und Transaktionsdaten, verarbeitete sie über eine Kette von Diensten und leitete die Ergebnisse dann an Reporting-Tools oder Client-Bereitstellungsebenen weiter.

Die neue Architektur vereinfachte diesen Weg. Unter Verwendung eines Medallion-Designs übertrug Indra seine Flottendaten in eine Bronze-Ebene als rohe Single Source of Truth, transformierte sie in Silber mit PySpark, und veröffentlichte geschäftsfertige Gold-Tabellen für die Berichterstattung und die Bereitstellung für Kunden.

Diese Konsolidierung machte drei veraltete Azure-Funktionen überflüssig und ermöglichte es einer einzigen Pipeline, drei Kunden täglich zu bedienen.

Die Auswirkungen waren direkt spürbar:

• Eine einzige Codebasis anstelle von duplizierter Logik
• Weniger bewegliche Teile, die gewartet werden müssen
• 60 % bis 70 % Leistungssteigerung gegenüber den alten Funktionen

Berichterstattung in Self-Service verwandeln

Indra ging auch einen bekannten Schwachpunkt an: die manuelle Berichterstattung. Monatliche KPIs wurden in Excel erfasst, und einige Berichte lagen in Power BI mit Lizenzbeschränkungen vor. Dies verlangsamte die Entscheidungsfindung und hielt die Geschäftsanwender in Abhängigkeit vom Datenteam.

Das neue Produktionsmuster läuft über verwaltete Gold-Tabellen in der Medallion-Architektur, die über den Unity Catalog katalogisiert und über ein serverloses SQL-Warehouse bereitgestellt werden. AI/BI-Dashboards aktualisieren sich automatisch nach Zeitplan und haben die manuellen Excel-Tracker ersetzt, die zuvor von Marketing, Operations und anderen Teams gepflegt wurden. Mit Genie One, das direkt in die Dashboard-Oberfläche eingebettet ist, können Benutzer von einer statischen Visualisierung zu einer Unterhaltung in natürlicher Sprache mit den zugrunde liegenden Daten wechseln, ohne die Seite zu verlassen.

Die Dashboards unterstützen praktische operative Entscheidungen. Ein Device Voltage Report überwacht die Compliance im gesamten Bestand der installierten Ladestationen, während das Dashboard zur Charger Uptime Analysis den Teams hilft, den Zustand der Flotte zu verstehen – beispielsweise zeigt es 14.975 Geräte mit einer durchschnittlichen Betriebszeit von 90,25 % über einen ausgewählten Zeitraum an. Ein Grid Voltage-Dashboard für Worcester fügt geografischen Kontext hinzu und hilft dem Team, Hotspots für Über- und Unterspannung zu identifizieren und zu verstehen, wo lokale Bedingungen das Design der Ladestationen beeinflussen können.

Genie Agents erweitern dieselben verwalteten Daten auf die dialogbasierte Analyse. Indra verfügt über Agents für Telemetrie, Geräte-Firmware sowie für Benutzer, Geräte und Fahrzeuge. Ein Benutzer aus dem Marketing oder Betrieb kann fragen, wie viele Geräte in einem bestimmten Monat Strom an EVs geliefert haben; das Engineering kann die Anzahl der Geräte nach Modell oder Firmware-Version überprüfen; und Produktteams können die auf der Plattform vertretenen Fahrzeugmarken untersuchen. Genie generiert das SQL, gibt das Ergebnis zurück und unterstützt Folgefragen, ohne dass eine neue Anfrage an das Datenteam erforderlich ist.

Zusammen automatisieren diese Funktionen die Berichterstattung, halten Dashboards ohne manuelles Aktualisieren auf dem neuesten Stand, ermöglichen es Benutzern, Fragen in einfacher Sprache zu stellen, und liefern Teams Antworten, ohne auf Ad-hoc-Support warten zu müssen. So werden Routinefragen von Tagen auf Minuten verkürzt, während gleichzeitig eine gemeinsame, verwaltete Sicht auf die Daten entsteht.

Die Zahlen hinter dem Wechsel und was sie ermöglichen

Die Vereinfachung der Architektur von Indra lieferte messbare Ergebnisse:

• 80–90 % Einsparungen bei den Geschäftskosten durch die Migration von Synapse zu Databricks, zusammen mit 90 % Einsparungen bei den Speicherkosten
• Die Kosten pro aktivem Benutzer sanken von 1,30 £ im Januar auf 45 p im Mai
• Die Abfrage-Latenz verbesserte sich von 24,4 Sekunden auf 3,5 Sekunden

Diese Gewinne resultierten aus einer grundlegenden Änderung im Umgang von Indra mit Daten: weniger Systeme, mehr Wiederverwendung und eine verwaltete Datenplattform, die das aktuelle Reporting, die operative Überwachung und zukünftige AI-Arbeiten unterstützt. Der Wert von Daten steigt, wenn mehr Menschen sie nutzen können. Eine verwaltete Plattform ist nicht nur eine Kontrollschicht, sondern das, was Self-Service erst praktikabel macht.

Von der Plattformkonsolidierung zu datengesteuerten Abläufen

Das Laden von Elektrofahrzeugen ist eine datenintensive Umgebung. Ladestationen erzeugen kontinuierlich Telemetriedaten, die lokalen Netzbedingungen variieren und die Betriebsleistung kann sich schnell ändern. Daher ist es wichtig, ein System zu haben, das sowohl zuverlässig als auch flexibel ist.

Die Dashboards und Genie-Bereiche von Indra helfen dem Team, diese Umgebung zu überwachen, ohne dass jede Frage über das Datenteam laufen muss. Die Architektur lässt zudem Raum für den nächsten Schritt: Streaming, Delta-Tabellen, Lakeflow-Pipelines und zukünftige AI-gestützte Anwendungsfälle.

Der Rat des Teams ist praxisnah: Bleiben Sie neugierig, lesen Sie die Dokumentation, stellen Sie frühzeitig Fragen, arbeiten Sie mit Databricks-Experten zusammen und entdecken Sie kontinuierlich neue Funktionen. Diese Denkweise ist wichtig, da sich der Wert der Plattform im Laufe der Zeit summiert. Der erste Erfolg ist vielleicht eine Kostensenkung; der noch größere Gewinn liegt darin, wenn dieselbe Plattform neue Arbeitsweisen im gesamten Unternehmen ermöglicht.

Der Weg von Indra zeigt, was passiert, wenn eine fragmentierte Datenlandschaft durch eine governed Plattform ersetzt wird, die auf Wiederverwendbarkeit ausgelegt ist. Das Unternehmen senkte die Kosten, vereinfachte Abläufe, verbesserte die Performance und verschaffte den Geschäftsanwendern schnelleren Zugriff auf die benötigten Zahlen. Ebenso wichtig ist, dass damit das Fundament für Streaming und AI gelegt wurde, ohne dass die Plattformlandschaft weiter zersplittert.

Für Teams, die vor derselben Kombination aus Tool-Fragmentierung, steigenden Kosten und manuellem Reporting stehen, ist die Lektion einfach: Standardisieren Sie zuerst die Plattform und skalieren Sie von dort aus die Anwendungsfälle.

Bereit, mehr zu erfahren? Sehen Sie sich die vollständige Demo und den Experten-Deep-Dive von unserem Energy Virtual Industry Forum: Treiben Sie die Energiewende mit einheitlichen Daten, Echtzeit-Erkenntnissen und AI im großen Stil voran an.

FAQ

Vor welchen Datenherausforderungen stehen Unternehmen im Bereich der EV-Ladeinfrastruktur?

Daten verteilen sich oft über Datenbanken, Cloud-Speicher, BI-Tools und separate Pipelines, was zu redundanter Logik, fragmentierter Telemetrie, eingeschränkter Governance und steigenden Kosten führt. Eine einheitliche Plattform bietet konsistente, governed Metriken.

Wie ermöglicht Databricks Self-Service-Analysen für EV-Ladedaten?

Mit Genie One können Anwender governed Telemetrie-, Geräte-, Firmware- und Fahrzeugdaten in natürlicher Sprache abfragen, während Dashboards konsistente Metriken und operativen Kontext liefern.

Wie können sich EV-Ladeunternehmen auf Streaming und AI vorbereiten?

Eine governed Databricks-Basis unterstützt das heutige Reporting und ebnet gleichzeitig den Weg für Streaming, Delta-Tabellen, Lakeflow-Pipelines und AI, ohne dass ein Plattform-Wildwuchs entsteht.

Was bietet Databricks Energieunternehmen?

Databricks kombiniert Data Engineering, SQL-Analytics, Machine Learning und AI für Smart-Meter-Analysen, Netzüberwachung, EV-Ladevorgänge, Nachfrageprognosen, Diebstahlerkennung und regulatorisches Reporting.

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