实例探究.
添加案例
我们的案例数据库覆盖了全球物联网生态系统中的 18,927 家解决方案供应商。
您可以通过筛选条件进行快速浏览。
Download Excel
筛选条件
-
(32)
- (32)
-
(26)
- (10)
- (8)
- (7)
- 查看全部
-
(18)
- (9)
- (4)
- (2)
- 查看全部
-
(14)
- (12)
- (1)
- (1)
-
(10)
- (6)
- (3)
- (1)
- 查看全部
- 查看全部 9 技术
- (23)
- (16)
- (16)
- (7)
- (6)
- 查看全部 20 行业
- (39)
- (17)
- (14)
- (8)
- (8)
- 查看全部 9 功能区
- (31)
- (11)
- (9)
- (8)
- (7)
- 查看全部 32 用例
- (26)
- (25)
- (23)
- (5)
- (5)
- 查看全部 6 服务
- (62)
Selected Filters
![]() |
Involve 使用由 Fivetran 提供支持的客户智能平台
Involve.ai 是一个客户智能平台,由于无法有效地从多个数据源提取数据,因此在为客户提供客户整体视图方面面临着挑战。数据集成的过程非常耗时且耗费资源,而且数据模式不可靠且难以修改。该公司的客户需要针对其销售和交付流程量身定制的不同方法和特定应用程序,而以前的数据集成解决方案无法扩展以满足这些要求。由于无法访问源系统中的数据,Involve.ai 无法产生全面的见解,从而导致数据分析采用更加被动的方法。这些挑战包括无法产生全面而准确的见解、计划数据复制的自动化不灵活、无法在导入 Snowflake 之前执行数据转换以及上市时间较慢,从而限制了公司的增长率。
|
|
|
![]() |
Lendi 借助 Fivetran 转型为数据驱动型企业
Lendi 是一家澳大利亚抵押贷款经纪人,其住房贷款结算金额超过 120 亿澳元,其数据管理面临着重大挑战。该公司的专有技术允许借款人搜索来自 40 多家贷方的 2,000 多种贷款产品,使其成为市场上的竞争者。然而,行业的竞争力以及在正确的时间在正确的数字平台上向正确的人提供正确的体验的需要需要对借款人的需求和偏好进行可靠、准确的洞察。问题在于,建立每个客户的准确档案需要利用 Facebook、Google 和 Bing 等第三方参与平台上的行为数据。 Lendi 可以随时获取这些数据,但每个平台的见解都是孤立的,并且不容易集成。即使可以将数据引入同一个存储库,数据结构也常常不一致,从而需要在使用数据之前清理数据。
|
|
|
![]() |
Parachute Home 通过 NetSuite 数据集中化取得成功
Parachute Home 是一家销售家居必需品的美国直接面向消费者的品牌,该品牌在管理其两个核心系统(Shopify 和 NetSuite 云 ERP 软件)的数据方面遇到了困难。 Shopify 为 Parachute 的电子商务平台和交易流程提供支持,而 NetSuite 则触发履行流程。然而,这些系统以孤立的方式运行,使得双方的数据越来越难以管理。 Parachute 使用定制的数据加载器连接到 Shopify 和 NetSuite,但结果不一致。重新同步很少能解决数据质量问题,并且缺乏日志使得很难识别问题。耗时的数据摄取过程阻碍了该品牌的数字化雄心。
|
|
|
![]() |
Paytronix 通过 Fivetran 和 Coalesce 通过实时数据科学增强客户参与度
Paytronix 是一家面向餐馆和小型企业的客户参与平台,在管理数据和从数据中获取见解方面面临着重大挑战。该公司正在处理来自多个来源、在不同数据库上运行且格式不同的数据。他们使用的数据摄取工具不可靠,并且错过了许多交易,导致对基础数据缺乏信任。此外,该公司混合使用 Scala 和 PySpark 作业进行数据转换,这是自定义代码和手写的。该工具集无法满足业务不断增长的需求,并且大量时间花费在维护和故障修复支持上。该公司希望更多地关注实验,但现有系统不利于快速概念验证测试和快速迭代。
|
|
|
![]() |
PopSockets 通过 Fivetran 将盈利能力和 AOV 提高了 25%
PopSockets 是一家零售和消费品公司,其数据管理和报告流程面临着重大挑战。该公司在电子商务、营销、商业智能、财务、会计、供应链和运营等各个部门之间的报告效率和见解交流方面遇到了困难。缺乏严格的数据更新时间表以及手动汇总报告的繁琐过程阻碍了公司的发展。随着 PopSockets 开始经历巨大的逐年增长并采用 ERP 系统,数据量呈指数级增长。该公司正在努力解决数据孤岛、在单一事实来源中聚合和存储数据的不可扩展的手动工作以及缺乏对营销数据的可见性以了解各种渠道广告支出的投资回报率的问题。 PopSockets 需要一个可扩展的解决方案,使其数据工程师小团队能够构建自动化数据管道,以实现更快的分析和报告。
|
|
|
![]() |
PostNL 成功进行云迁移并与 Fivetran 集成
PostNL 是一家位于荷兰、英国、德国和意大利的邮件、包裹和电子商务服务提供商,决定将其 IT 运营迁移到云端,以保持竞争优势并降低成本。该公司的目标是停用其本地数据中心,并将其应用程序、基础设施和 IT 管理转移到云端。这些应用程序在 Oracle 和 SQL Server 上运行,在可能的情况下,PostNL 希望用软件即服务 (SaaS) 替换现有的定制软件。如果没有合适的 SaaS 替代品,该公司计划在基于云的基础设施和平台服务(IAAS 和 PAAS)之上实施遗留软件和定制软件。 PostNL 最初选择 Microsoft Azure 平台来提供这些服务,后来添加了 Amazon Web Services,以避免将其整个基础设施运行在单一供应商的解决方案上的风险。迁移过程历时两年多,带来了重大的集成挑战。 PostNL 需要将应用程序和数据迁移到云端,确保迁移的应用程序继续与现有的本地系统通信,并集成各种云环境。
|
|
|
![]() |
Schüttflix 与 Fivetran 在建筑行业的数字化转型
Schüttflix 是一家德国物流初创公司,旨在将传统上依赖笔和纸的建筑行业数字化。该公司试图通过数字 B2B 平台连接供应商、承运商和买家,从而颠覆当地供应链。面临的挑战是如何实现数据驱动的决策,以加快交易速度并降低成本。数据和商业智能主管 Alexander Rupp 的任务是构建现代数据堆栈。他需要找到能够快速可靠地利用关键数据源的连接器。目标是为利益相关者提供最佳数据以做出明智的决策。
|
|
|
![]() |
Snowflake 使用 Fivetran 进行综合数据堆栈开发
Snowflake 是一家领先的数据云公司,希望将其数据集中在该组织的 Snowflake 实例“Snowhouse”中,以支持细分模型、推荐引擎,并最终构建 360 度客户视图。 Snowflake 的营销情报团队有一个大胆的愿景,即预测实时投资回报率,以动态优化所有 Snowflake 营销计划,颠覆传统的 B2B 营销分析实践,并创造巨大的效率。然而,该公司在打破数据孤岛和实现高效分析方面面临挑战。 Snowflake 过去将其数据建模和转换逻辑保存在单独的 BI 工具中,这既耗时又容易出错。每当企业需要从工具中运行模型或进行临时分析时,分析师都需要从头开始重新创建模型。
|
|
|
![]() |
SpotOn 通过 dbt Core 的 Fivetran 转换加速报告
SpotOn 是一家快速发展的软件和支付公司,在有效地将捕获的客户交易数据转化为为客户提供快速、可靠且信息丰富的报告方面面临着重大挑战。随着公司规模的扩大,将数据转化为客户和内部利益相关者报告的复杂性不断增加,客户数据分散在 30 个未连接的 MySQL 数据库中。工程团队缺乏用于高效生成报告的中央存储库。 Snowflake 中使用存储过程的现有数据转换过程变得越来越复杂且资源密集,单个表背后有超过 2,000 行代码。如果没有版本控制,则不会自动监视或记录更改,这使得质量保证非常耗时,并且需要为每个新用例从头开始编写代码。这导致了高成本、资源密集型流程和次优结果,影响了公司快速扩展以满足不断增长的客户需求的能力。
|
|
|
![]() |
Fivetran 在加速非营利组织 Covid-19 测试方面的作用
总部位于英国的非营利组织“Testing for All”成立,旨在以低成本提供大规模 Covid-19 检测。该组织的目标是每天以其他服务一半的价格提供 5,000 次高质量的 Covid-19 测试。然而,他们在管理个人数据、医学测试结果和生物样本,同时保持大规模的及时和用户友好的服务方面面临着重大挑战。该过程涉及六个步骤,从注册和发送测试套件开始,到接收实验室结果结束。该组织需要一个以隐私为中心的技术堆栈,可以处理流程的复杂性,并确保电子商务部分(注册和订购套件)和科学部分(提供一系列拭子技术的实验室)的速度和效率。
|
|
|
![]() |
Untitled 的数据集中化和效率提升由 Fivetran 提供支持
Untitled 是一家正在构建平台来帮助客户跨部门利用数据的公司。该公司的数据产品使非技术人员能够获得关键见解,从而增加收入、降低运营成本并开发复杂的人工智能和机器学习功能。然而,构建数据管道的传统过程对于将数据从一个点传输到另一个点至关重要,事实证明这是一项重大挑战。这个过程非常耗时,占用了数据工程师44%的时间,阻碍了平台的快速开发。
|
|
|
![]() |
Wallbox 通过 Fivetran 使用统一数据增强业务运营
Wallbox 是一家电动汽车充电和能源管理公司,在管理数据方面面临着重大挑战。自2015年成立以来,公司经历了快速发展,员工人数在短时间内从50人扩展至1000多人。这种增长导致不同部门使用的工具和应用程序数量增加,从而形成阻碍洞察力和质量控制的数据孤岛。公司数据分散在各个平台,质量问题难以追溯和解决。此外,仪表板中嵌入的业务逻辑的发展也很复杂。另一个挑战是定期更新定制集成所需的工具,事实证明这是一个成本高昂且耗时的过程。 Wallbox 需要一种解决方案来打破这些孤岛并将其所有数据整合到一个易于访问的位置。
|
|
|
![]() |
Westwing 通过 Fivetran 提高营销投资回报率和客户参与度
Westwing 是欧洲领先的电子商务公司,其面临着过时的技术堆栈和低效的数据架构的挑战。该公司认识到在集中位置集成数据的重要性,但其本地架构上的手动工作变得越来越耗时。为了与每个不同的数据源集成,每一行代码都必须使用 Python 进行编程。这减缓了公司的增长速度,并阻碍其实现业务的整体视角。 Westwing 决定将其架构迁移到云端,以 Snowflake 作为数据仓库,并外包商品服务,以专注于扩展电子商务平台的战略目标。然而,随着雄心勃勃的云迁移最后期限的临近,Westwing 需要找到一种能够快速高效地自动访问数据的 ELT 解决方案。
|
|
|
![]() |
BizCover 借助 Fivetran 将数据连接速度加快 90%
BizCover 是澳大利亚最大的在线商业保险提供商,在连接不同来源的数据方面面临着重大挑战。该公司的工程师团队必须使用自己的代码构建独特的连接器,每个连接器需要 40 到 80 小时的工程时间。这种方法最初在连接和同步数据库和 Google Analytics 中的数据时起作用。然而,随着数据源数量的增加,这项任务变得不堪重负。 BizCover 需要将数据从 20 多个数据源提取到其集中式 Snowflake 数据仓库中,每个数据源都需要自己的连接器。该公司的数据工程师正在管理这个主要是手动的流程,BizCover 需要更有效地传播他们从整个核心业务的数据中获得的见解。
|
|
|
![]() |
Code2College 利用物联网增强学生的学习体验
Code2College 是一家旨在帮助少数族裔和低收入学生实现科技/STEM 职业的非营利组织,在管理和分析学生数据方面面临着挑战。该组织的数据,包括学生出勤率、成绩和教师的投入,保存在电子表格中或通过口碑收集。这种方法效率低下且耗时,特别是当需要有关学生表现的具体数据或学生群体的整体视图时。该组织使用 Salesforce 进行运营,使用 Canvas 作为学习管理工具。然而,从这些平台提取信息来回答单个问题需要一天的工作,考虑到数据团队规模较小,这是站不住脚的。该团队希望使用 Google 的 BigQuery 数据仓库工具集中数据,以简化检索并加快对学生需求的响应。然而,挑战在于如何将数据从 Salesforce 和 Canvas 等平台传输到 BigQuery。
|
|
|
![]() |
Fivetran 促进 Frontify 品牌平台的增长和效率
Frontify 是一个帮助公司发展品牌的平台,在为其数据构建单一事实来源方面面临着重大挑战。该公司需要了解人们如何与其平台互动,以优化用户体验和资源分配。然而,他们的数据分析团队规模较小,数据基础设施不稳定。他们依靠自定义 Python 脚本将数据从业务应用程序提取到 MySQL 数据库中,这通常会导致数据缓慢且不完整。他们的 BI 工具用户不友好且速度慢,导致员工不愿意使用它。数据团队承担着更新报告和仪表板的任务。为了解决这些问题并真正实现数据驱动,Frontify 需要一个可扩展且强大的数据堆栈,可供所有人访问。
|
|
|
![]() |
群邑利用 Fivetran 增强客户洞察力并节省时间
群邑是一家总部位于奥斯陆的全球媒体机构,在为客户收集和分析数据方面面临着挑战。该机构为 200 多家客户提供服务,并为集团内的其他机构提供共享服务,该机构正在使用 Supermetrics 将营销数据直接提取到 Google 表格中。然而,这种方法被证明效率低下且存在问题。管道偶尔会由于难以检测的问题而失败,并且电子表格存在格式问题以及手动错误。在 GroupM 的数据仓库 Google BigQuery 中准备数据进行分析是一项劳动密集型工作,而且客户要求更快地获得更多见解。一位客户拥有涵盖零售和酒店的广泛业务组合,正在寻找能够处理历史数据分析和日常报告的仪表板。群邑决心寻找更稳健的解决方案。
|
|
|
![]() |
Hashtag You 借助 Fivetran 转型为以数据为中心的公司
Hashtag You 是一家直接面向消费者的电子商务领域的品牌创建者,在利用和构建组织内的数据方面面临着重大挑战。作为一家数据驱动的公司,在营销、产品和客户分析以及运营分析中使用分析对其业务模式至关重要。最初,Hashtag You 通过 Google Sheets 和自行创建的数据管道实施了多个零碎的解决方案。然而,该公司很快意识到需要一种集中且可扩展的数据摄取方法。挑战不仅在于建立强大的数据管道,还在于快速轻松地连接新的数据源。该公司需要一个允许非数据专家建立这些联系的解决方案。此外,该公司必须管理各种平台上的广告,结合营销和网上商店数据,与其他数据管道链接,并分析活动绩效。
|
|
|
![]() |
家居用品的转型:使用 Fivetran 构建数据应用程序
Houseware 是一家员工不足 20 名的软件开发公司,在为其客户提供构建内部数据产品的平台和工具包方面面临着重大挑战。该公司的目标是超越一般分析和数据可视化工具的范围,提供 ARR、NRR、客户流失、转化率和其他 KPI 等指标。然而,他们因缺乏数据洞察力、可靠性和可用性而苦苦挣扎。他们的营销活动效率低下,无法将数据转化为客户保留优化。由于错误,对数据的信任度正在下降。用户必须学习数据分析工具和数据库方法,例如表连接,并从头开始开发自定义指标。数据仪表板和分析经常出现故障,需要很长时间才能产生结果,或者需要太多的自定义编程。糟糕的 API 和数据管道限制了开发人员为满足客户需求而构建的分析类型。这些工具产生的见解没有任何可行的建议,并且构建数据连接器需要大量的编程时间和精力。
|
|
|
![]() |
Hunt、Gather 借助 Fivetran 将运营洞察速度提高了 95%
Hunt, Gather 是一家总部位于奥斯汀的创意机构,其报告工具有限,阻碍了他们与客户共享深度绩效数据的能力。该机构迫切需要一种整体方法来报告其数字营销工作。他们需要一套工具来收集和分析数据,并最终生成关键见解,所有这些都在一个位置完成。开发团队此前曾自行构建过一些管道,但这些管道既耗时又昂贵。内部构建管道可能需要长达六个月的时间,而且该团队还在 ELT 平台上花费了大量资金,但事实证明这些平台效率低下。
|
|
|
![]() |
Fivetran 通过数据驱动决策加速 ItsaCheckmate 的市场进入
全球范围内的 Covid-19 大流行迫使世界各地的餐馆迅速转向送货和外卖服务。 ItsaCheckmate 帮助这些餐厅将来自各种订购应用程序的订单直接整合到其现有的销售点 (POS) 系统中,从而无需手动将订单传输到 POS 并在多个平台上管理菜单。随着业务的蓬勃发展,ItsaCheckmate 决定需要使用数据来维持客户的优质体验,并使支持人员能够处理订单的增加。数据是可用的,但公司以任何有意义的方式组织和管理这些数据的成本过高。 ItsaCheckmate 平台与 Uber Eats、Grubhub 和 DoorDash 等在线订购应用程序以及大型连锁店或小型夫妻餐厅可能使用的所有 POS 系统进行了数十种集成。当订单无法正确处理时,ItsaCheckmate 可以实时解决每个单独的错误,但分析师需要进行彻底、快速的事后分析,以解决导致这些错误出现的根本问题。对这些孤立数据的系统分析是一个手动过程,需要分析师将订单错误列表提取到 Excel 电子表格中,这个过程可能需要一天的时间。
|
|
|
![]() |
忆术家利用 Fivetran 增强在线学习体验
Memrise 是一款全球超过 5000 万人使用的语言学习应用程序,在识别客户参与度方面面临着重大挑战。尽管拥有强大的基于云的平台并致力于数据分析,但小型数据团队仍因编码、手动构建数据管道和修复损坏的 API 而不堪重负。随着客户群的增长,对更加集中的分析方法的需求变得越来越重要。该团队需要一种解决方案,让他们能够减少花在技术问题上的时间,而将更多时间花在分析数据上,以改善用户体验并推动业务增长。
|
|
|
![]() |
通过 dbt Core 的 Fivetran 转换优化广告效率:强大的数字案例研究
Mighty Digital 是一家总部位于乌克兰的增长、分析和战略咨询公司,面临着帮助一家交通初创公司优化其广告预算效率、用户激活率和活动参与度的挑战。由于使用 Airflow 和 Python 转换构建的 ETL 管道效率低下,该初创公司对各种广告活动的成本效益没有清晰的了解。数据架构容易出错、丢失数据点,整体效率低下,导致广告结果不准确。现有的解决方案非常复杂,涉及将多个软件拼接在一起以创建一个无法提供任何见解的复杂架构。这导致缺乏数据洞察力、可靠性和可用性、营销活动和广告支出效率低下、无法将数据转化为客户保留优化,以及由于错误而降低对数据的信任。
|
|
|
![]() |
Nauto 部署 Databricks、Fivetran 和 Hightouch 以实现单一事实来源
Nauto 是一家提供预测人工智能技术以提高道路安全性的公司,在管理其复杂的工作流程方面面临着重大挑战。该公司在整个销售过程中必须与多个系统和利益相关者打交道,这常常导致难以找到单一的事实来源。 Nauto 依靠脆弱的点对点集成来接受新订单、处理付款、向客户运送硬件以及管理客户对其云数据处理服务的订阅。任何损坏的集成都可能导致其业务用户数天无法为客户提供服务。此外,不同的业务系统很少共享相同版本的事实。这种情况促使 Nauto 寻求一种方法来建立一个可以使用灵活的现代工具进行内部管理的单一数据存储库。
|
|
|
![]() |
Yardzen 使用 Fivetran 简化数据管道并增强分析
Yardzen 是一家在线景观设计公司,在管理其数据管道方面面临着重大挑战。该公司的数据工程主管 Andrea Kyrala 的任务是将来自众多 SaaS 工具和产品数据库的数据集成到 BigQuery 中,并建立灵活且安全的数据架构。然而,在内部构建 BigQuery 的自定义管道是一个耗时的过程,通常需要花费数周的时间来挖掘 API 文档。此外,ETL 管道很脆弱,经常需要密集维护。分析师和营销人员手动从每个营销平台导出单独的报告,以了解广告和营销绩效,这个过程不仅艰苦且耗时,而且使领导层难以获得跨平台广告支出和绩效的统一视图。通常,Andrea 没有时间进行复杂的转换和清理,而这最终会节省业务分析师在后端的时间。
|
|
|
![]() |
Blend 通过 Fivetran 和 Hightouch 加速商业价值
Blend 是一家金融科技初创公司,其数据摄取流程面临着重大挑战。尽管采用了以 Redshift 为核心的现代数据堆栈方法,但事实证明,将数据移入和移出数据仓库是一项复杂且耗时的任务。从 Salesforce 中提取单个列或更改字段的过程可能需要数周时间,从而限制了对时间关键型数据的访问。该团队无法制作原型并快速迭代,必须直接发布到生产环境来测试他们的解决方案,这给运营团队带来了进一步的复杂性。随着公司的扩张,引入了 Asana、Marketo 和 Lever 等新工具来管理工作流程和流程,每个工具都需要在内部同步数据才能有效。由于数据工程团队的带宽有限,他们没有能力维护快速扩展的 SaaS 平台列表。这导致了一个决策点:致力于内部工具,还是寻找外部提供商。
|
|
|
![]() |
DOUGLAS 的转型:使用 Fivetran 集中 200 多个数据源
DOUGLAS 是欧洲领先的高端美容平台,在成为“数字第一”企业的过程中面临着重大挑战。该公司现有的基础设施和流程,尤其是商业智能 (BI) 和数据分析方面的基础设施和流程,并未达到标准。收集数据的系统分散,过度依赖电子表格和手动输入,无法扩展。缺乏集中式、自动化的数据收集和分析系统阻碍了公司的发展及其从数据中获得有价值的见解的能力。
|
|
|
![]() |
Engel & Völkers 利用 Fivetran 增强实时运营洞察力
Engel & Völkers 是一家著名的优质住宅地产和商业地产经纪商,在整合各种数据源方面面临着重大挑战。该公司的数据工程团队被来自不同部门的数据集成请求淹没。创建定制解决方案来响应这些请求的过程是资源密集型的,导致任务的优先级和无法满足不断增长的请求数量。该公司迫切需要一种工具,可以减少集成新数据源所需的工作量并实现更快的数据集成,从而促进组织内更广泛地采用自助服务分析。
|
|
|
![]() |
Fivetran 为 HOMER 提供高效数据管理
HOMER 是一家早期学习公司,其数据管理面临着重大挑战。尽管该公司的根基是数据驱动的,但当 Joe Nowicki 于 2021 年 2 月加入担任数据和洞察副总裁时,数据和分析架构被认为处于基础阶段。该公司的数据团队花费了大量时间构建 ETL 管道,这是一个费力且耗时的过程。扁平化和维护 Stripe 数据每月要花费团队数十个小时,阻碍他们为更广泛的组织增加价值。遗留数据实践导致了一种不信任感,领导者无法依赖仪表板视图和不明确的商业智能。获取及时的数据至关重要,但却缺乏。对整个数据基础设施进行了多次设想和修订,最终选择了 Databricks 的 Delta Lake,为未来的机器学习应用程序设置 HOMER。
|
|
|
![]() |
Imperfect Foods 通过 Fivetran 集成将重新激活率提高了 53%
Imperfect Foods 是一家致力于消除食物浪费的在线杂货商,在管理和利用其庞大的客户数据方面面临着重大挑战。由于拥有数十万客户和越来越多的数据源,该公司很难根据这些信息有效采取行动。由于缺乏客户数据的集中视图,因此很难了解哪些特征导致了高价值客户或哪些因素影响了客户的订购。 Imperfect Foods 需要一种方法来整合整个数据堆栈中的所有客户数据,以利用其进行营销激活,从而增加注册量和产品使用量。该公司的工程资源也有限,这使得情况变得更加复杂。
|
|