Témoignage de client

Révolutionner la mode grâce à l'IA

70 %

Reduction in operational costs

image d'arrière-plan

« Databricks est au cœur de notre activité de données, c'est notre centre d'insights. »

— Errol Koolmeister, Head of AI Technology and Architecture, H&M

As a major disruptor and innovator in the fashion and retail industry, H&M relies on data as the core for everything they do. With stores opening up globally at a rapid pace, they needed to improve supply chain and forecasting operations to streamline costs and maximize revenues. But their on-premise Hadoop system crippled their ability to ingest and analyze data generated by millions of customers needed to power predictive models. Understanding they had reached their scalability ceiling, H&M moved to the Databricks platform to simplify infrastructure management, enable performant data pipelines at scale, and simplify the machine learning lifecycle — allowing them to make data-driven decisions that accelerate business growth.

Une architecture héritée incapable de soutenir la croissance de l’entreprise

Pour améliorer l'efficacité de sa chaîne d'approvisionnement, l'entreprise a choisi de mettre les données et l'IA au service de la prise de décision et des opérations. Peu efficace, son architecture Hadoop héritée ne parvenait pas à évoluer pour prendre en charge les nouveaux besoins commerciaux.

  • Des volumes massifs de données provenant de plus de 5 000 boutiques sur plus de 70 marchés, avec des millions de clients chaque jour.
  • Le data engineering était confronté à des clusters de taille fixe, à une infrastructure complexe, gourmande en ressources et coûteuse à faire évoluer, ainsi qu'à des problèmes de sécurité des données.
  • L'équipe ne parvenait pas à faire évoluer les opérations suffisamment vite pour les besoins de la data science qui voulait exploiter des données provenant de sources diverses et silotées.
  • Les délais de commercialisation étaient prolongés en raison d'importants retards des DevOps, empêchant les data scientists de développer, entraîner et déployer rapidement leurs modèles. Il fallait parfois une année entière pour passer de l'idée à l'aboutissement du produit.

La simplification des opérations de données accélère les innovations du ML

Databricks provides H&M with a platform that has fostered a scalable and collaborative environment across data science and engineering, allowing data engineers and scientists to focus on the entire data lifecycle instead of managing clusters, to train and operationalize models rapidly with the goal of accelerating supply chain decisions for the business.

  • La plateforme entièrement managée, avec gestion automatisée des clusters, simplifie la gestion de l'infrastructure et les opérations à grande échelle.
  • L'environnement de notebook collaboratif, qui prend en charge plusieurs langages (SQL, Scala, Python, R) permet à un groupe diversifié d'utilisateurs de travailler ensemble dans le langage de son choix. Cet environnement inter-équipes unifié est un véritable moteur pour la productivité.
  • La plateforme Databricks est intégrée à Azure et d'autres technologies comme Apache Airflow et Kubernetes, pour permettre l'entraînement de modèles élastiques à très grande échelle.

Des décisions plus intelligentes, des économies de coûts spectaculaires

Chez H&M, une amélioration de 0,1 % de la précision d'un seul modèle a un impact considérable sur l'entreprise. Avec Databricks, H&M rend les données plus accessibles à chaque décideur : la croissance de l'entreprise en devient plus rapide et mieux ciblée.

  • Gain d'efficacité opérationnelle : des fonctionnalités comme la mise à l’échelle automatique des clusters ont amélioré les opérations, de l’ingestion de données à la gestion de l’ensemble du cycle de vie du machine learning, réduisant les coûts d'exploitation de 70 %.
  • Collaboration plus étroite entre les équipes : l’environnement d’analytique unifié, commun aux data scientists et aux ingénieurs, a considérablement réduit le nombre de composants nécessaires pour passer en production, tout en simplifiant la configuration et la gestion.
  • Un impact commercial considérable avec un délai de production d'insights plus court : le gain de granularité dans la prise de décision a permis d’améliorer les arbitrages stratégiques et les prévisions commerciales.