Come Indra ha unificato i dati di ricarica EV su Databricks

Quando i dati crescono più velocemente dei sistemi circostanti, la complessità diventa la norma. Questa è stata la sfida per Indra Renewable Technologies, una delle aziende di ricarica per veicoli elettrici (EV) in più rapida crescita nel Regno Unito, che progetta, sviluppa e produce caricabatterie intelligenti per ambienti commerciali e domestici. Con l'espansione del loro patrimonio dati, sono aumentati anche il numero di strumenti, le pipeline e i costi associati.

Il risultato era fin troppo noto: sistemi frammentati, logica duplicata e molto tempo speso a mantenere l'infrastruttura invece di utilizzare i dati per far crescere il business.

La risposta di Indra non è stata quella di aggiungere un'altra soluzione specifica. È stata invece quella di consolidare su Databricks, creando un'unica piattaforma governata per l'analisi, il reporting e l'accesso self-service in tutta l'azienda.

Guarda il CTO di Indra, Matthew Noonan, e la Data Engineer Meghana Ganatra mentre raccontano il loro percorso con Databricks.

Il percorso di Indra con Databricks è iniziato con una migrazione prototipale parallela da Synapse. Una volta che i risultati hanno soddisfatto le aspettative, il team è passato alle tabelle Delta mensili, ha consolidato la pipeline della flotta e ha spostato una parte maggiore del carico operativo da Cosmos DB a Databricks. La fase successiva si è concentrata sul rendere i dati governati utili anche al di fuori dell'ingegneria, con dashboard AI/BI automatizzate e Genie Agents che offrono ai team aziendali un accesso diretto alle risposte.

Il punto di partenza: troppi strumenti, troppi costi generali

I dati di Indra erano sparsi tra Cosmos DB, Synapse, Azure Data Lake Storage, Azure Functions, Power BI e altri servizi Azure. Ogni caso d'uso si era evoluto in modo indipendente.

Questo ha creato diversi problemi:

• I costi sono cresciuti in modo organico su più strumenti
• Le pipeline venivano create singolarmente, con scarsa standardizzazione
• I dati erano frammentati
• La governance era limitata, senza un catalogo unico o una vista di lineage
• I team aziendali dipendevano ancora dai team dei dati per i numeri di routine

L'architettura funzionava, ma era costosa e difficile da scalare in modo pulito.

Perché una piattaforma unica era importante

Databricks ha offerto a Indra un modo per unire tutti questi elementi.

Invece di gestire molteplici servizi separati, il team è passato a un'unica piattaforma con dataset governati, workflow standardizzati e visibilità centralizzata tramite Unity Catalog. Questo cambiamento ha trasformato il modello operativo tanto quanto lo stack tecnologico.

Il team non doveva più trattare ogni caso d'uso come una build separata. Poteva sviluppare una sola volta sopra i dati governati e riutilizzare la piattaforma tra diversi team e carichi di lavoro.

In pratica, ciò significava un'unica piattaforma dati centralizzata al servizio di molteplici casi d'uso, anziché un insieme di strumenti isolati uno accanto all'altro.

Cosa è cambiato per l'ingegneria, gli utenti aziendali e i clienti

I vantaggi non si sono limitati al team dei dati:

• Per l'ingegneria, Databricks è diventato la base per sviluppare su dataset governati anziché su sorgenti sparse
• Per gli utenti aziendali, ha ridotto la necessità di richiedere dati e numeri al team dei dati
• Per i clienti esterni, ha creato un'unica fonte di verità erogata da una sola piattaforma
• E per il team dei dati, ha reso il sistema più facile da supportare, più scalabile e più semplice da estendere

Questo passaggio dalla frammentazione alla standardizzazione è uno dei maggiori vantaggi in qualsiasi consolidamento di piattaforma: il valore non risiede solo nei costi inferiori, ma anche nel minor numero di passaggi di consegne e in una minore frizione operativa.

Sostituire pipeline fragili con un'architettura medallion

Uno degli esempi più chiari di Indra è stato la pipeline di dati della flotta.

In precedenza, il sistema si affidava a molteplici funzioni Azure e a fasi separate per spostare i dati attraverso lo stack. La pipeline acquisiva telemetria e transazioni, le elaborava attraverso una catena di servizi e poi inviava i risultati agli strumenti di reporting o ai livelli di distribuzione per i clienti.

La nuova architettura ha semplificato questo percorso. Utilizzando un design medallion, Indra ha inserito i dati della flotta in un livello bronze come unica fonte di verità grezza, li ha trasformati in silver con PySpark, e ha pubblicato tabelle gold pronte per il business per il reporting e la distribuzione ai clienti.

Questo consolidamento ha eliminato la necessità di tre funzioni Azure legacy e ha consentito a un'unica pipeline di servire tre clienti su base giornaliera.

L'impatto è stato immediato:

• Un'unica codebase invece di logiche duplicate
• Meno parti mobili da mantenere
• Miglioramento delle prestazioni dal 60% al 70% rispetto alle funzioni legacy

Trasformare il reporting in self-service

Indra ha affrontato anche un problema comune: il reporting manuale. I KPI mensili venivano tracciati in Excel e parte del reporting risiedeva in Power BI con vincoli di licenza. Questo rallentava il processo decisionale e manteneva gli utenti aziendali dipendenti dal team dei dati.

Il nuovo modello di produzione parte dalle tabelle gold governate nell'architettura medallion, catalogate tramite Unity Catalog, e viene distribuito attraverso un SQL warehouse serverless. Le dashboard AI/BI si aggiornano automaticamente secondo una pianificazione e hanno sostituito i tracker Excel manuali precedentemente gestiti da marketing, operations e altri team. Con Genie One integrato direttamente nell'interfaccia della dashboard, gli utenti possono passare da una visualizzazione fissa a una conversazione in linguaggio naturale con i dati sottostanti senza lasciare la pagina.

Le dashboard supportano decisioni operative pratiche. Un Device Voltage Report monitora la conformità della flotta di caricabatterie sul campo, mentre la dashboard Charger Uptime Analysis aiuta i team a comprendere lo stato di salute della flotta, mostrando ad esempio 14.975 dispositivi con un uptime medio del 90,25% in un periodo selezionato. Una dashboard Grid Voltage per Worcester aggiunge un contesto geografico, aiutando il team a identificare i punti critici di sovratensione e sottotensione e a capire dove le condizioni locali possono influenzare la progettazione dei caricabatterie.

I Genie Agents estendono gli stessi dati governati all'analisi conversazionale. Indra dispone di Agent per la telemetria, il firmware dei dispositivi, gli utenti, i dispositivi e i veicoli. Un utente del marketing o delle operations può chiedere quanti dispositivi hanno erogato energia agli EV in un determinato mese; l'ingegneria può verificare il numero di dispositivi per modello o versione del firmware; e i team di prodotto possono esplorare le marche di veicoli rappresentate sulla piattaforma. Genie genera il codice SQL, restituisce il risultato e supporta le domande successive senza richiedere una nuova richiesta al team dei dati.

Insieme, queste funzionalità automatizzano il reporting, mantengono le dashboard aggiornate senza aggiornamenti manuali, consentono agli utenti di porre domande in linguaggio naturale e forniscono risposte ai team senza attendere un supporto ad hoc, riducendo i tempi per le domande di routine da giorni a minuti e creando al contempo una vista condivisa e governata dei dati.

I numeri dietro la svolta e cosa abilitano

La semplificazione architetturale di Indra ha prodotto risultati misurabili:

• Risparmio sui costi aziendali dell'80-90% grazie alla migrazione da Synapse a Databricks, insieme a un risparmio del 90% sui costi di storage
• Costo per utente attivo ridotto da £ 1,30 a gennaio a 45p a maggio
• Latenza delle query migliorata da 24,4 secondi a 3,5 secondi

Questi vantaggi derivano da un cambiamento più ampio nel modo in cui Indra gestisce i dati: meno sistemi, maggiore riutilizzo e una piattaforma dati governata che supporta il reporting attuale, il monitoraggio operativo e il futuro lavoro sull'AI. Il valore dei dati aumenta quando più persone possono utilizzarli. Una piattaforma governata non è solo un livello di controllo; è ciò che rende pratico il self-service.

Dal consolidamento della piattaforma alle operazioni basate sui dati

La ricarica degli EV è un ambiente ad alta intensità di dati. I caricabatterie generano telemetria continuamente, le condizioni della rete locale variano e le prestazioni operative possono cambiare rapidamente. Per questo è importante disporre di un sistema che sia al tempo sesso affidabile e flessibile.

Le dashboard e gli spazi Genie di Indra aiutano il team a monitorare questo ambiente senza dover convogliare ogni domanda attraverso il team dei dati. La sua architettura lascia spazio anche al passo successivo: streaming, tabelle Delta, pipeline Lakeflow e futuri casi d'uso basati sull'AI.

Il consiglio del team è pratico: rimanere curiosi, leggere la documentazione, fare domande fin da subito, collaborare con gli esperti Databricks e continuare a esplorare nuove funzionalità. Questa mentalità è importante perché il valore della piattaforma si accumula nel tempo. Il primo successo può essere la riduzione dei costi; la vittoria più grande si ottiene quando la stessa piattaforma inizia a sbloccare nuovi modi di lavorare in tutta l'azienda.

Il percorso di Indra mostra cosa succede quando un patrimonio di dati frammentato viene sostituito con una piattaforma governata e progettata per il riutilizzo. L'azienda ha ridotto i costi, semplificato le operazioni, migliorato le prestazioni e offerto agli utenti aziendali un accesso più rapido ai numeri di cui hanno bisogno. Altrettanto importante, ha gettato le basi per lo streaming e l'AI senza aggiungere ulteriore proliferazione incontrollata.

Per i team che affrontano lo stesso mix di frammentazione degli strumenti, costi in aumento e reportistica manuale, la lezione è semplice: standardizzare prima la piattaforma, poi scalare i casi d'uso da lì.

Vuoi saperne di più? Guarda la demo completa e l'approfondimento degli esperti del nostro Energy Virtual Industry Forum: Alimentare la transizione energetica con dati unificati, insight in tempo reale e AI su scala.

FAQ

Quali sfide legate ai dati affrontano le aziende di ricarica EV?

I dati spesso spaziano tra database, cloud storage, strumenti di BI e pipeline separate, creando logiche duplicate, telemetria frammentata, governance limitata e costi in aumento. Una piattaforma unificata fornisce metriche coerenti e governate.

In che modo Databricks abilita l'analisi EV self-service?

Genie One consente agli utenti di interrogare dati governati di telemetria, dispositivi, firmware e veicoli in linguaggio naturale, mentre le dashboard forniscono metriche coerenti e contesto operativo.

Come possono le aziende di ricarica EV prepararsi per lo streaming e l'AI?

Una base Databricks governata supporta la reportistica odierna offrendo al contempo un percorso verso lo streaming, le tabelle Delta, le pipeline Lakeflow e l'AI senza aggiungere proliferazione incontrollata alla piattaforma.

Cosa offre Databricks alle aziende del settore energetico?

Databricks unisce data engineering, SQL analytics, machine learning e AI per l'analisi dei contatori intelligenti, il monitoraggio della rete, la ricarica EV, la previsione della domanda, il rilevamento dei furti e la reportistica normativa.

(Questo post sul blog è stato tradotto utilizzando strumenti basati sull'intelligenza artificiale) Post originale