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
-
(11)
- (9)
- (4)
- (3)
- 查看全部
-
(3)
- (3)
- (1)
-
(3)
- (2)
- (1)
-
(1)
- (1)
- (5)
- (3)
- (2)
- (1)
- (1)
- 查看全部 5 行业
- (9)
- (3)
- (2)
- (1)
- (1)
- 查看全部 5 功能区
- (6)
- (5)
- (2)
- (1)
- (1)
- 查看全部 10 用例
- (11)
- (5)
- (5)
- (15)
Selected Filters
|
CI/CD 中的持续合规性
一家领先的美国金融科技公司在印度设有开发中心，在监控其众多正在进行的项目的流程合规性方面面临困难。该公司缺乏集中的可视性来评估整个企业项目的合规性。手动跟踪每个提交、拉取请求 (PR) 和同行批准是行不通的。跟踪开发人员是否使用预定义的工具和程序进行版本控制、源代码管理、同行评审等也很困难。
|
|
|
|
|
一家领先的无线和电信服务提供商将年度呼叫中心成本降低了 500 万美元
一家领先的美国无线和电信服务提供商希望改善呼叫中心的性能、提高客户满意度并更深入地了解其呼叫中心代表的活动。为了实现这一目标，这家财富 50 强公司希望全天候分析呼叫中心代表的桌面活动。客户希望在代表值班时实时监控桌面活动。从运营角度来看，这意味着创建一个集中式系统，运营人员将能够跟踪空闲时间、跟踪使用哪些网站的时间、跟踪 Outlook 使用情况以及跟踪桌面上使用的各种应用程序。客户还希望跟踪代理在值班、未值班以及在值班并让客户等待时的桌面活动。
|
|
|
|
|
财富 100 强电信公司从 Teradata 无缝迁移到 Amazon Redshift
该客户是一家总部位于美国的财富 100 强宽带连接公司和有线电视运营商，为 3000 多万客户提供服务，其现有数据工作流程面临着多项技术和业务挑战。他们从多个来源接收数据，这些数据被输入到 SFTP 服务器中。执行 ETL 后，数据由 Informatica 工作负载读取并保存到他们的 Teradata 数据仓库中。然后，业务分析师访问这些数据并运行查询以收集见解。客户希望进行向云的战略转变，以增强可扩展性、降低成本、提高查询性能、实现统一视图、简化管理、与其他云原生服务无缝集成，并自动化 CI/CD 的工作流程。
|
|
|
|
|
实时呼叫中心监控
一家领先的基于云的通信技术公司提供托管联络中心服务，该公司需要一种方法来提高绩效指标，消除问题解决的猜谜游戏，并大幅提高客户满意度。为了实现这一目标，他们希望对其基础设施有一个统一的视图，以便他们能够实时监控通话。在争夺消费者忠诚度的战斗中，联络中心是客户关怀策略的核心。它是企业通信和客户服务的中心枢纽，负责当今市场上绝大多数消费者互动和服务相关交易。客户服务接触点（例如解决投诉、接受订单、续订保修或追加销售产品）对于实现战略业务目标至关重要。
|
|
|
|
|
使用机器学习实时检测内部威胁
内部威胁是银行面临的重大网络安全风险，而且越来越频繁、越来越难以发现、越来越难以预防。这些威胁可能包括员工错误处理用户凭证和账户数据、缺乏系统控制、响应网络钓鱼电子邮件或违反监管规定。银行传统的威胁检测依赖于对用户活动设置基于规则的静态警报，这导致在应用于数千名用户时会出现大量不相关的标记。银行当前的关系技术堆栈被证明过于昂贵且缺乏灵活性，限制银行只能处理数百个敏感的面向客户和运营应用程序中的 15-20% 的数据。该解决方案花了近 2 年的时间才将一个用例投入生产，这使得银行难以扩展。
|
|
|
|
|
为跨国汽车制造商提供基于人工智能的预测性维护分析解决方案
一家财富 500 强美国跨国汽车制造商正在寻求一种解决方案来预测其汽车零部件的故障，以主动确保无故障生产，从而节省维护时间并改善客户体验。该公司面临着多项挑战。数据来自多个离散系统，必须同时处理所有这些系统才能获得完整的图像。数据采用不同的格式，如 JSON、CSV 和其他专有格式。切削刀具必须在使用寿命结束前更换，这会影响生产质量。因此，该汽车制造商正在寻找一种可以实时预测的解决方案，让他们有足够的时间更换磨损的切削刀具。从多个系统收集的数据存在一些质量问题和缺失记录。这些数据必须经过格式化、清理和准备，然后才能输入预测分析模型。制造部门有数千台机器，每分钟产生数百万个事件。汽车制造商需要使用单一解决方案和共享基础设施实时处理如此大量的数据。向车间操作员和下游应用程序发出实时警报是一个关键组成部分。这些警报的任何故障或延迟都会直接影响所生产零件的质量。
|
|
|
|
|
DORA 指标：确保 DevOps 成功
该公司是一家领先的媒体和娱乐实体，业务遍及 150 多个国家/地区，在管理其应用程序方面面临挑战，包括新推出的基于订阅的流媒体应用程序。该公司的内部 DevOps 团队负责管理这些应用程序，但该公司希望提高性能可见性、确定需要改进的领域并评估客户体验。然而，他们缺乏衡量 DevOps 成功的标准框架，只能依靠每月的手动报告来了解团队的健康和绩效。这种方法在分析 DevOps 数据和指标方面存在局限性。此外，频繁出现错误和解决问题的时间较长导致客户体验不佳。
|
|
|
|
|
DevOps 360
一家领先的媒体和娱乐公司，业务遍及 150 多个国家，员工人数超过 3000 人，在管理其应用程序方面面临多项挑战。除了需要频繁更新的现有应用程序外，他们最近还推出了一款基于订阅的流媒体应用程序。其内部 DevOps 团队负责管理这些应用程序，但该公司希望提高对性能的可见性，确定需要改进的领域，优化成本并评估客户体验。他们缺乏衡量 DevOps 成功的标准框架，只能依靠每月的手动报告来了解团队的健康状况和绩效。他们在分析 DevOps 数据和指标方面也面临限制。频繁出现的错误和较长的解决问题时间导致客户体验不佳。
|
|
|
|
|
实时多语言文本分类和情感分析
客户是一家大型电信公司，提供全国性电信服务，需要一套能够对文本数据进行实时、多语言分类和情绪分析的系统。他们正在寻找一种解决方案，能够以极高的吞吐量存储、索引和查询 PB 级数据。关键要求包括能够提取和解析大量数据 [250M (15 TB) 条记录/天]，这些记录类型各异，例如网络日志、电子邮件、聊天和文件。他们还需要以极高的准确率（四个九）应用实时多语言分类和情绪分析，存储元数据和原始二进制数据以供查询，并满足冷数据 5 秒的查询 SLA。
|
|
|
|
|
领先的有线电视和电信提供商利用 Gathr 提供 360 度客户视图，提升客户体验
该客户是一家有线电视和电信提供商，业务遍及美国 9 个州，服务近 500 万客户，面临着来自传统企业和 Netflix、Amazon Prime、Roku 等新数字企业的激烈竞争。这些数字企业使用预测分析和机器学习来提供高度个性化、情境化和内容驱动的互动。客户的需求持续下降，客户流失率居高不下。他们缺乏主动性和情境化的客户服务，数据分析仅限于对有限的每月通话历史进行分析。缺乏实时仪表板和缺乏客户数据丰富功能，阻碍了情境化。他们的技术堆栈无法实时分析大量不同的数据。
|
|
|
|
|
通过对传统 ETL 框架进行现代化改造，实现大规模实时数据处理
企业需要实时分析来自各种来源的大量数据，以做出战略性业务决策。他们通常会创建自定义框架来处理这些大型数据集，这可能会导致技术债务，并依赖了解初始平台设计期间所做历史选择的 IT 团队。这可能会影响业务并增加定制成本。该客户是一家领先的安全和情报软件提供商，希望对其现有的大数据应用程序进行现代化改造。他们正在寻找一种易于使用且可扩展的解决方案，可以处理每天从多个实时源生成的 15 亿笔交易。他们需要一种几乎零代码的解决方案来执行 ETL 处理作业，该解决方案可以执行实时提取和复杂处理，在索引和存储时确保高吞吐量，并检测交易中的异常。
|
|
|
|
|
使用 Gathr 进行实时驾驶员分析和风险评估，以进行基于使用情况的保险
汽车保险行业正不断投资于联网汽车解决方案，以提供简化、透明和灵活的产品和定价选项。基于使用情况的保险是一种自愿的、基于行为的保险计划，它使用分析来创建高度个性化和动态的计划，这些计划不仅基于驾驶员的年龄和其他人口统计数据，还考虑驾驶员的行为、与车辆相关的风险以及驾驶条件和天气等外部因素。一家领先的汽车保险提供商选择 Gathr 来实时提取、转换、丰富、分析和存储汽车远程信息处理数据，以构建端到端分析应用程序，用于驾驶员分析和个人风险评估，随后为其客户提供动态的、基于使用情况的计划。
|
|
|
|
|
云基础设施优化
该公司是一家领先的 IT 服务和咨询提供商，服务于 B2B 销售、营销和客户成功部门，但在优化和充分利用其云投资方面面临困难。这些挑战包括昂贵的虚拟机蔓延、对资源消耗和成本的了解有限以及迁移到容器化环境的准备不足。该公司业务广泛，拥有 3000 多名员工，业务遍及 170 多个国家。然而，这些挑战阻碍了其充分利用云基础设施并实现成本效益、可扩展性和可用性目标的能力。
|
|
|
|
|
云成本管理
该公司是保险经纪和风险咨询领域的全球领导者，业务遍及 130 个国家/地区，员工人数达 45,000 人，但在监控其云资源方面面临困难。挑战包括缺乏集中云成本监控、对悬空和闲置资源的控制、开发团队对云成本的可见性以及异常检测和预测能力。
|
|
|
|
|
美国顶级航空公司利用 Gathr 提升跨渠道实时客户体验
该航空公司正在经历来自各种线上和线下客户接触点和操作系统的大量高速数据增长；每天有近 5TB 的数据以每秒 7,000 个事件的输入数据速度进入其系统。海量的数据限制了数据搜索只能搜索两天的数据日志；阻碍了基于更长、更相关的时间窗口分析客户行为模式和检测异常。传统的技术堆栈无法管理快速增长的高速数据量。
|
|
