Comment Indra a unifié les données de recharge de véhicules électriques sur Databricks

Lorsque les données croissent plus vite que les systèmes qui les entourent, la complexité s'impose par défaut. C'était le défi d'Indra Renewable Technologies, l'une des entreprises de recharge de véhicules électriques (EV) connaissant la croissance la plus rapide au Royaume-Uni, qui conçoit, développe et fabrique des chargeurs intelligents pour les particuliers et les professionnels. À mesure que leur patrimoine de données s'est développé, le nombre d'outils, de pipelines et de coûts qui y sont liés a également augmenté.

Le résultat était bien connu : des systèmes fragmentés, une logique dupliquée et beaucoup de temps passé à maintenir l'infrastructure au lieu d'utiliser les données pour faire progresser l'entreprise.

La réponse d'Indra n'a pas été d'ajouter une énième solution ponctuelle. Elle a consisté à se consolider sur Databricks, en créant une plateforme unique et gouvernée pour l'analytique, le reporting et l'accès en libre-service dans toute l'entreprise.

Regardez le CTO d'Indra, Matthew Noonan, et la Data Engineer, Meghana Ganatra, partager leur parcours avec Databricks.

Le parcours d'Indra avec Databricks a commencé par une migration de prototype en parallèle depuis Synapse. Une fois les résultats conformes aux attentes, l'équipe est passée à des tables Delta mensuelles, a consolidé son pipeline de flotte et a transféré une plus grande partie de la charge opérationnelle de Cosmos DB vers Databricks. La phase suivante s'est concentrée sur la valorisation des données gouvernées au-delà de l'ingénierie, avec des tableaux de bord AI/BI automatisés et des Genie Agents offrant aux équipes métiers un accès direct aux réponses.

Le point de départ : trop d'outils, trop de frais généraux

Les données d'Indra étaient dispersées entre Cosmos DB, Synapse, Azure Data Lake Storage, Azure Functions, Power BI et d'autres services Azure. Chaque cas d'usage avait évolué de manière indépendante.

Cela a créé quelques problèmes :

• Les coûts ont augmenté de manière organique à travers de multiples outils
• Les pipelines étaient construits individuellement, avec peu de standardisation
• Les données étaient fragmentées
• La gouvernance était limitée, sans catalogue unique ni vue sur le lignage
• Les équipes métiers dépendaient toujours des équipes data pour obtenir des chiffres de routine

L'architecture fonctionnait, mais elle était coûteuse et difficile à faire évoluer proprement.

Pourquoi une plateforme unique était essentielle

Databricks a permis à Indra de rassembler ces différents éléments.

Au lieu de maintenir plusieurs services distincts, l'équipe est passée à une plateforme unique avec des ensembles de données gouvernés, des flux de travail standardisés et une visibilité centralisée grâce à Unity Catalog. Ce changement a transformé le modèle opérationnel tout autant que la pile technologique.

L'équipe n'avait plus à traiter chaque cas d'usage comme un développement distinct. Elle pouvait construire une seule fois sur des données gouvernées et réutiliser la plateforme pour différentes équipes et charges de travail.

En pratique, cela se traduisait par une plateforme de données centralisée desservant de multiples cas d'usage, plutôt qu'un ensemble d'outils cloisonnés fonctionnant en parallèle.

Ce qui a changé pour l'ingénierie, les utilisateurs métiers et les clients

Les avantages ne se sont pas limités à l'équipe data :

• Pour l'ingénierie, Databricks est devenu le socle permettant de s'appuyer sur des ensembles de données gouvernés plutôt que sur des sources dispersées
• Pour les utilisateurs métiers, cela a réduit le besoin de solliciter l'équipe data pour obtenir des chiffres
• Pour les clients externes, cela a créé une source unique de vérité diffusée depuis une seule plateforme
• Et pour l'équipe data, cela a rendu le système plus facile à maintenir, plus évolutif et plus simple à étendre

Ce passage de la fragmentation à la standardisation est l'un des gains les plus importants de toute consolidation de plateforme : la valeur ne réside pas seulement dans la réduction des coûts, mais aussi dans la diminution des transferts et des frictions opérationnelles.

Remplacer des pipelines fragiles par une architecture médaillon

L'un des exemples les plus parlants d'Indra est son pipeline de données de flotte.

Auparavant, le système s'appuyait sur plusieurs fonctions Azure et des étapes distinctes pour acheminer les données à travers la pile. Le pipeline ingérait la télémétrie et les transactions, les traitait via une chaîne de services, puis transmettait les résultats aux outils de reporting ou aux couches de diffusion client.

La nouvelle architecture a simplifié ce parcours. En utilisant une architecture médaillon, Indra a intégré ses données de flotte dans une couche bronze en tant que source unique de vérité brute, les a transformées en argent avec PySpark, et a publié des tables or prêtes pour l'entreprise pour le reporting et la diffusion client.

Cette consolidation a éliminé le besoin de trois fonctions Azure héritées et a permis à un seul pipeline de servir trois clients sur une base quotidienne.

L'impact a été direct :

• Une base de code unique au lieu d'une logique dupliquée
• Moins de pièces mobiles à entretenir
• Une amélioration des performances de 60 % à 70 % par rapport aux fonctions héritées

Transformer le reporting en libre-service

Indra s'est également attaqué à un problème courant : le reporting manuel. Les KPI mensuels étaient suivis dans Excel, et certains rapports résidaient dans Power BI avec des contraintes de licence. Cela ralentissait la prise de décision et maintenait les utilisateurs métiers dépendants de l'équipe data.

Le nouveau modèle de production s'appuie sur des tables or gouvernées dans l'architecture médaillon, cataloguées via Unity Catalog, et servies par un entrepôt SQL serverless. Les tableaux de bord AI/BI se rafraîchissent automatiquement selon un calendrier défini et ont remplacé les suivis Excel manuels gérés auparavant par le marketing, les opérations et d'autres équipes. Avec Genie One intégré directement dans l'interface du tableau de bord, les utilisateurs peuvent passer d'un visuel fixe à une conversation en langage naturel avec les données sous-jacentes sans quitter la page.

Les tableaux de bord soutiennent des décisions opérationnelles concrètes. Un rapport sur la tension des appareils (Device Voltage Report) surveille la conformité de l'ensemble des chargeurs sur le terrain, tandis que le tableau de bord d'analyse de la disponibilité des chargeurs (Charger Uptime Analysis) aide les équipes à comprendre la santé de la flotte, affichant par exemple 14 975 appareils avec une disponibilité moyenne de 90,25 % sur une période sélectionnée. Un tableau de bord de tension du réseau (Grid Voltage) pour Worcester ajoute un contexte géographique, aidant l'équipe à identifier les points chauds de surtension et de sous-tension et à comprendre où les conditions locales peuvent affecter la conception des chargeurs.

Les Genie Agents étendent ces mêmes données gouvernées à l'analyse conversationnelle. Indra dispose d'Agents pour la télémétrie, le firmware des appareils, ainsi que pour les utilisateurs, les appareils et les véhicules. Un utilisateur du marketing ou des opérations peut demander combien d'appareils ont fourni de l'énergie à des EV au cours d'un mois donné ; l'ingénierie peut vérifier le nombre d'appareils par modèle ou version de firmware ; et les équipes produit peuvent explorer les marques de véhicules représentées sur la plateforme. Genie génère le SQL, renvoie le résultat et prend en charge les questions de suivi sans nécessiter de nouvelle demande auprès de l'équipe data.

Ensemble, ces fonctionnalités automatisent le reporting, maintiennent les tableaux de bord à jour sans rafraîchissement manuel, permettent aux utilisateurs de poser des questions en langage naturel et fournissent des réponses aux équipes sans attendre de support ad hoc — faisant passer le traitement des questions de routine de plusieurs jours à quelques minutes, tout en créant une vue partagée et gouvernée des données.

Les chiffres derrière ce changement et ce qu'ils permettent

La simplification de l'architecture d'Indra a donné des résultats mesurables :

• 80 à 90 % d'économies sur les coûts d'exploitation grâce à la migration de Synapse vers Databricks, ainsi que 90 % d'économies sur les coûts de stockage
• Le coût par utilisateur actif est passé de 1,30 £ en janvier à 45 p en mai
• La latence des requêtes est passée de 24,4 secondes à 3,5 secondes

Ces gains découlent d'un changement plus large dans la gestion des données par Indra : moins de systèmes, plus de réutilisation et une plateforme de données gouvernée qui prend en charge le reporting actuel, la surveillance opérationnelle et les futurs travaux d'IA. La valeur des données augmente lorsque davantage de personnes peuvent les utiliser. Une plateforme gouvernée n'est pas seulement une couche de contrôle ; c'est ce qui rend le libre-service concret.

De la consolidation de la plateforme aux opérations pilotées par les données

La recharge des EV est un environnement gourmand en données. Les chargeurs génèrent de la télémétrie en continu, les conditions du réseau local varient et les performances opérationnelles peuvent changer rapidement. Il est donc essentiel de disposer d'un système à la fois fiable et flexible.

Les tableaux de bord et les espaces Genie d'Indra aident l'équipe à surveiller cet environnement sans avoir à soumettre chaque question à l'équipe data. Son architecture laisse également la place à l'étape suivante : le streaming, les tables Delta, les pipelines Lakeflow et les futurs cas d'usage pilotés par l'IA.

Le conseil de l'équipe est pratique : restez curieux, lisez la documentation, posez des questions tôt, collaborez avec les experts Databricks et continuez à explorer de nouvelles fonctionnalités. Cet état d'esprit est important car la valeur de la plateforme s'accumule avec le temps. La première victoire peut être la réduction des coûts ; la plus grande victoire réside dans le fait que cette même plateforme commence à libérer de nouvelles méthodes de travail dans l'ensemble de l'entreprise.

Le parcours d'Indra montre ce qui se passe lorsqu'un patrimoine de données fragmenté est remplacé par une plateforme gouvernée conçue pour la réutilisation. L'entreprise a réduit ses coûts, simplifié ses opérations, amélioré ses performances et offert aux utilisateurs métier un accès plus rapide aux chiffres dont ils ont besoin. Tout aussi important, elle a jeté les bases du streaming et de l'AI sans ajouter de dispersion supplémentaire.

Pour les équipes confrontées à la même combinaison de fragmentation des outils, de hausse des coûts et de rapports manuels, la leçon est simple : standardisez d'abord la plateforme, puis faites évoluer les cas d'usage à partir de là.

Prêt à en savoir plus ? Regardez la démo complète et l'analyse approfondie de nos experts lors de notre Energy Virtual Industry Forum : Accélérer la transition énergétique grâce à des données unifiées, des insights en temps réel et l'AI à l'échelle.

FAQ

À quels défis de données les entreprises de recharge de EV sont-elles confrontées ?

Les données s'étendent souvent sur des bases de données, du stockage cloud, des outils de BI et des pipelines distincts, ce qui crée une logique dupliquée, une télémétrie fragmentée, une gouvernance limitée et des coûts croissants. Une plateforme unifiée fournit des métriques cohérentes et gouvernées.

Comment Databricks permet-il l'analyse de EV en libre-service ?

Genie One permet aux utilisateurs d'interroger des données de télémétrie, d'appareils, de firmware et de véhicules gouvernées en langage naturel, tandis que les tableaux de bord fournissent des métriques cohérentes et un contexte opérationnel.

Comment les entreprises de recharge de EV peuvent-elles se préparer au streaming et à l'AI ?

Une base Databricks gouvernée prend en charge les rapports aujourd'hui tout en offrant une voie vers le streaming, les tables Delta, les pipelines Lakeflow et l'AI sans ajouter de dispersion de plateforme.

Que propose Databricks aux entreprises du secteur de l'énergie ?

Databricks combine l'ingénierie des données, l'analyse SQL, le machine learning et l'AI pour l'analyse des compteurs intelligents, la surveillance du réseau, la recharge de EV, la prévision de la demande, la détection des fraudes et les rapports réglementaires.

(Cet article de blog a été traduit à l'aide d'outils basés sur l'intelligence artificielle) Article original