Description des produits:
Insulet Corporation est une entreprise de dispositifs médicaux spécialisée dans des solutions innovantes d’administration d’insuline. Leur produit phare, le système de gestion de l’insuline Omnipod® (Omnipod), propose une pompe à insuline portable pour simplifier la vie des personnes atteintes de diabète insulinodépendant. En interne, l’entreprise faisait face à de gros obstacles : données en silos, temps de traitement lents et visibilité limitée en temps réel. Cela compliquait le suivi des performances d’Omnipod, l’optimisation des flux de production et le respect de la conformité réglementaire. De plus, une infrastructure obsolète, des processus ETL manuels et des systèmes fragmentés ralentissaient l’accès aux données, empêchaient la collaboration interfonctionnelle et obligeaient à recourir à des outils tiers coûteux. En adoptant Databricks, la marque a obtenu un traitement des données 12 fois plus rapide tout en réduisant le coût total de possession de 97 %.
Des goulets d’étranglement de données qui retardaient des décisions essentielles
La mission d’Insulet Corporation est d’améliorer la vie des personnes atteintes de diabète, en permettant à ses clients de profiter de simplicité, de liberté et d’une vie plus saine grâce à une technologie innovante. Avec Omnipod, un système automatisé d’administration d’insuline sans tubulure, conçu pour la simplicité et le contrôle, Insulet transforme en profondeur la prise en charge du diabète. Parce qu’Insulet s’appuyait sur les données pour améliorer tous les aspects de ses opérations — du développement produit à l’expérience client — la surveillance en temps réel des performances de l’Omnipod était essentielle pour résoudre les problèmes, détecter les lacunes du produit et garantir sa fiabilité. Les équipes de production avaient besoin de visibilité sur l’efficacité des machines dans leurs sites de production aux U.S. et en Malaisie pour optimiser les performances. À long terme, ils avaient pour objectif de mettre en place une maintenance prédictive pour minimiser les temps d'arrêt et réduire les déchets.
Côté service client, des assistants alimentés par l’AI ont été mis en place pour aider les agents à trouver l’information plus vite et à résoudre les cas plus rapidement. AI a aussi été utilisée pour garantir la conformité réglementaire en identifiant les cas mal classés qui auraient dû être signalés comme des réclamations. Les approches manuelles rendaient auparavant difficile l’identification de ces cas passés inaperçus, ce qui augmentait le risque de non-conformité. Enfin, l’équipe d’ingénierie des données voulait utiliser AI pour automatiser la détection des erreurs et accélérer le débogage.
Cependant, l’infrastructure de données de l’entreprise peinait à suivre le rythme de ces initiatives, surtout celles liées à l’AI. Les équipes de fabrication n’avaient pas de vue unifiée de la performance de production, ce qui les obligeait à s’appuyer sur des sources de données fragmentées pour des aspects clés de leur activité, comme le suivi de la qualité produit et l’expérience client. De plus, les limitations de SQL Server rendaient difficile l’analyse de grands ensembles de données, limitant le suivi des performances à long terme et retardant l’obtention d’informations sur la qualité des produits. Des processus d’extraction, de transformation et de chargement (ETL) très manuels et longs ont encore ralenti le flux de données, créant des goulots d’étranglement inutiles dans l’analyse des données et la prise de décision. Cette vision incomplète des données a freiné la productivité commerciale, la prévision de la demande et l’optimisation de la chaîne d’approvisionnement — tout en ralentissant le développement produit et l’innovation.
Côté externe, Insulet visait à utiliser le streaming de données IoMT (Internet des objets médicaux) pour améliorer l’expérience client, en particulier lors de déploiements logiciels majeurs comme l’intégration iOS d’Omnipod 5. La capacité à suivre les taux d’adoption et à détecter des problèmes potentiels en temps réel est devenue de plus en plus importante, mais les systèmes existants avaient du mal à traiter toutes les données en direct. Comme l’a expliqué Bill Whiteley, VP, AI, analytique et algorithmes avancés chez Insulet, « Nos pipelines de données mettaient plus de 13 heures à se mettre à jour et provoquaient de gros retards pour nos équipes dans l’identification des problèmes liés au produit. Malheureusement, cela a eu un impact sur l’expérience client, car nos tableaux de bord ne pouvaient pas afficher plus de deux semaines d’historique et limitaient l’analyse à long terme des performances des appareils. »
Sans oublier que l’intégration des données opérationnelles provenant de Salesforce et de SAP nécessitait des outils tiers coûteux et compliquait encore une pratique déjà inefficace. Avec tous ces systèmes déconnectés, Insulet a eu du mal à créer un environnement de données gouverné et évolutif, capable de soutenir ses ambitions en matière d’AI. Dans l’espoir de créer une stratégie de « data flywheel » qui alimenterait directement ses objectifs futurs, Insulet s’est tourné vers la Databricks Data Intelligence Platform.
Unifier les données pour stimuler l’innovation et l’efficacité opérationnelle
Pour moderniser leur écosystème de données au service de l’innovation produit et de l’efficacité opérationnelle, Insulet a adopté la plateforme de données unifiée de Databricks, ouvrant la voie pour que leurs équipes d’ingénierie se concentrent sur l’extraction d’insights plutôt que sur la gestion de l’infrastructure. Au cœur de cette transformation se trouvait Delta Lake, une couche de stockage open source qui structurait, nettoyait et rendait les données immédiatement disponibles pour l’analyse. En remplaçant des systèmes fragmentés par une architecture centralisée et évolutive, Insulet a offert à toutes les équipes un accès fluide aux données en temps réel pour surveiller les processus de fabrication, optimiser les performances de l’Omnipod et soutenir toutes les applications AI.
La pièce maîtresse de la transformation d’Insulet repose sur Delta Lake : Lakeflow Connect, le tout nouveau produit de Databricks, qui simplifie l’ingestion efficace de données dans son architecture lakehouse. Lakeflow Connect a amélioré l’ingestion et le traitement des données d’Insulet en automatisant l’intégration d’applications d’entreprise clés comme Salesforce et Workday. Auparavant dépendante d’outils ETL tiers coûteux, Insulet pouvait désormais ingérer des données quasi en temps réel et de haute qualité, avec un effort minimal demandé à ses ingénieurs en données. « Le connecteur Salesforce de Lakeflow Connect a été particulièrement important pour notre transformation des données, car il nous a permis d’ingérer directement les retours clients, les données de vente et les interactions de service depuis le CRM Salesforce directement dans Databricks », a expliqué Bill.
Les équipes de production, autrefois accaparées par des heures de rapports manuels, ont exploité un tableau de bord de production unifié pour suivre les déploiements logiciels en temps réel et prévenir les interruptions qui affectaient la prise en charge des patients. De plus, le streaming et l’analytique en temps réel — propulsés par Spark, un moteur open source de traitement de données à grande échelle, et par Delta Live Tables — ont amplifié ces améliorations en remplaçant le traitement par lots par un streaming de données continu et à faible latence. Ces changements ont permis à une équipe de huit personnes d’accomplir le travail de plus de 100 employés, changeant complètement la façon dont Insulet surveillait les performances d’Omnipod.
Grâce à Unity Catalog, une solution unifiée de gouvernance et de gestion des données qui garantissait un accès sécurisé pour les différentes unités métier d’Insulet, les données étaient mieux organisées et faciles à trouver. Databricks SQL, un entrepôt de données entièrement géré et sans serveur, a encore renforcé ce nouveau niveau d’accessibilité aux données, donnant aux analystes de données la possibilité d’exécuter des requêtes à la demande sans avoir à gérer des clusters.
Pour éliminer davantage les blocages d’ingénierie, Insulet a renforcé ses capacités en AI et en automatisation avec le Databricks Assistant. En tant qu’assistant AI contextuel, il a simplifié le développement SQL en automatisant la rédaction des requêtes via une interface conversationnelle, en détectant les erreurs et en déboguant divers problèmes pour les équipes en charge des données chez Insulet, ce qui a libéré du temps pour des analyses et l’innovation. Assistant a également aidé les équipes du service client et du support produit à récupérer les informations pertinentes pour accompagner les clients selon les besoins.
Avec le Databricks Data Intelligence Platform, Insulet a simplifié l’ingestion de données, géré les flux de travail, optimisé l’allocation des ressources et permis une prise de décision plus efficace, fondée sur les données, à l’échelle de toute l’entreprise.
Réduire les coûts et la complexité pour améliorer les résultats pour les patients
Insulet a obtenu des améliorations, des économies et des gains d’efficacité significatifs grâce à la plateforme Databricks. Rien que dans la fabrication, des optimisations pilotées par les données ont permis d’économiser des dizaines de millions de dollars. Le passage de processus ETL obsolètes — qui prenaient auparavant plus de 13 heures — à des flux en temps réel a permis un accès aux données en temps réel, tandis que les requêtes SQL sont passées de plus de 40 à seulement deux. Cela a non seulement considérablement réduit la charge de travail d’ingénierie des données, mais a aussi diminué les temps d’exécution des requêtes de 83 % grâce au traitement sans serveur.
Au-delà des économies, Databricks a aidé Insulet à se développer à grande échelle, à innover et à optimiser les processus au sein des équipes de fabrication, d’ingénierie et de service client. « Ces améliorations ont entraîné une multiplication par 12 de la vitesse de traitement des données, une hausse de 25 % de l’efficacité opérationnelle et une réduction de 97 % du TCO », a conclu Bill. Plus concrètement, le suivi produit de l’Omnipod est passé de seulement deux semaines d’historique à deux ans, offrant une visibilité à long terme sur les performances, les tendances et les problèmes potentiels. De telles améliorations aident à garantir que les mises à jour logicielles sont guidées par des données des utilisateurs en temps réel qui orientent les avancées en UX.
À l'avenir, Insulet est prête à renforcer ses capacités en AI et en données pour améliorer encore les résultats pour les clients. L'intégration de SAP avec Databricks, ainsi que l'élargissement des sources de données prises en charge par Lakeflow Connect, contribueront à unifier et à réduire encore la fragmentation.
Prochaine étape : la maintenance prédictive pilotée par l’AI exploitera les données IoMT pour fournir des analyses plus précises, en temps réel, sur les performances des dispositifs. Et, cerise sur le gâteau, Insulet prévoit d’intégrer des prédictions basées sur l’AI directement dans Salesforce pour automatiser la prise de décision. Avec un écosystème de données entièrement modernisé, Insulet améliore ses opérations actuelles tout en posant les bases d’une amélioration continue de la gestion du diabète.