Perché migrareall’AI Data Cloud Snowflake

Dopo una difficile esperienza con un sistema ad alta manutenzione e soggetto ad arresti frequenti, Travelpass ha scelto Snowflake perché è una piattaforma dati robusta ma facile da usare, è affidabile e offre la governance dei dati e il controllo dei costi necessari per sfruttare l’enorme potenza dell’AI.

Travelpass ha collaborato con i servizi professionali Snowflake completando agevolmente la transizione di 30 TB di dati e 134 pipeline e processi in appena 6 settimane. Dopo la migrazione a Snowflake, Travelpass ha scoperto di aver dimezzato i costi rispetto alla soluzione precedente.

Una multinazionale con team distribuiti fra Americhe, Europa e Asia,Pfizer deve garantire a tutte le sue business unit la possibilità di consultare e condividere rapidamente i dati in ogni momento. Prima dell’adozione di Snowflake, la condivisione richiedeva copie dei dati, pipeline ETL, oltre a una serie di procedure lunghe e complesse. 

Oggi grazie a Snowgrid, il layer tecnologico cross‑cloud e cross‑region di Snowflake, le business unit di Pfizer possono collaborare in modo trasparente e sicuro, indipendentemente dal Paese in cui operano. Questo alto livello di condivisione e collaborazione migliora la business continuity in tutta l’organizzazione.

Marriott è stata tra i primi ad avere adottato Netezza e Hadoop, sfruttando la piattaforma IBM BigInsights. Uno stack tecnologico di questo tipo era complesso, oneroso e difficile da gestire, oltre a richiedere costosi aggiornamenti.

La semplificazione della piattaforma dati su Snowflake ha consentito a Marriott di ottenere trasparenza e controllo dei dati, migliorare il time to market, la collaborazione e il data sharing, ottimizzare l’esperienza utente e ridurre il TCO. 

Con trasferimenti dati costosi, interruzioni dei processi frequenti e imprevedibili e una scarsa visibilità sui costi, Chicago Trading Company faticava a gestire la sua enorme mole di dati di mercato.

Migrando a Snowflake, Chicago Trading Company ha azzerato i costi di trasferimento dei dati e ottenuto visibilità sulla spesa, abbattendo i suoi costi del 54%. Ora che i data engineer possono concentrarsi sull’innovazione anziché sul troubleshooting di complesse configurazioni, la società ha riaperto le pipeline di dati che prima erano troppo costose e può esplorare nuove possibilità legate all’AI.

Prima di Snowflake, i dati di WHOOP erano distribuiti su data warehouse, data lake e database di produzione differenti. Mantenere e scalare il precedente data warehouse Amazon Redshift era costoso e complicato per il piccolo team dati aziendale. 

Dopo il passaggio a Snowflake, tutti i dipartimenti di WHOOP hanno registrato un accesso più rapido ai dati e agli insight, che ha permesso di comprendere e rispondere più tempestivamente alle esigenze degli utenti e prendere decisioni di business più informate. Dedicando meno tempo alla risoluzione dei problemi infrastrutturali e delle query lente, il team dati di WHOOP ora può concentrarsi sull’accesso ai dati per estenderlo a tutta l’organizzazione. 

PGE aveva un data warehouse on‑prem legacy con problemi di performance e alti costi di manutenzione. L’architettura strettamente accoppiata e inflessibile del sistema aveva favorito la proliferazione di copie dei dati in tutta l’organizzazione, il che rendeva difficile individuare le sorgenti dati autorevoli e comportava costi di storage crescenti.

PGE ha scelto l’AI Data Cloud Snowflake su AWS per modernizzare il proprio ambiente dati, ottenendo una serie di importanti vantaggi: prestazioni elevate, separazione dello storage dalla capacità di calcolo, manutenzione quasi inesistente e micro‑partizionamento.

Da molti anni Siemens sta trasformando il modo in cui utilizza i dati, con l’obiettivo di ottenere insight operativi essenziali per sbloccare l’innovazione potenziando le decisioni e automatizzando i processi.

Con Snowflake, Siemens ha creato il suo Siemens Data Cloud, un ecosistema di piattaforma data mesh aperto che abilita la cloud transformation, centralizza i dati, migliora i processi decisionali e scala l’utilizzo dell’intelligenza artificiale.