Aramisauto accélère dans le datalake avec AWS

Positionnée dans la vente de véhicules neufs ou d'occasion et la reprise, Aramisauto - tombé dans le giron du Groupe PSA en octobre 2016 - a mis en place depuis 2016 une task force orientée data. « L'entité data du groupe est autonome et indépendante dans ses choix IT », nous a expliqué Hayssen Chouikh, architecte solutions data et cloud chez Aramisauto.

Avant de faire son virage vers le datalake, Aramisauto est loin d'être parti d'une feuille blanche en matière de BI, traitement de données et reporting, le groupe ayant opté pour un ETL motorisé par Talend, un datawarehouse sous Oracle ainsi que de la datavisualisation avec Qlik. « L'idée n'a pas été de remplacer l'écosystème BI existant mais plutôt de bâtir un nouveau système de dépôt pour stocker toute information », nous a expliqué Hayssen Chouikh. « Le datalake n'est pas la suite de la BI, mais quelque chose de parallèle utilisé pour identifier et activer les données et optimiser les processus ». En termes de volumétrie, le datalake pèse aujourd'hui son poids, soit pas moins de 300 teraoctets de données.

Du dashboarding taillé pour les actions correctrices

Le datalake créé en 2016 intègre l'architecture serverless AWS Lambda, alimenté par deux canaux de données chaudes (temps réel) et froides (images opérationnelles). Parmi les objectifs que s'est donné l'entité data d'Aramisauto avec son datalake figure en bonne place l'exploitation des données récoltées à des fins de scoring marketing, rendue possible grâce à des modèles d'apprentissage machine. « Nous avons mis en place un challenge contenus pour le marketing qui a permis d'optimiser son budget et de développer le Search Engine Advertising pour scorer les mots-clés avec des modèles de machine learning. « Aujourd'hui, nous disposons de tableaux de bord pour de la prise de décision avec des actions correctrices, ce qui n'était pas le cas auparavant », indique Hayssen Chouikh. Parmi les autres bénéfices couplant datalake et ML figure le push d'offres personnalisées et dynamiques aux internautes navigant et cliquant sur différents modèles de véhicules. « Auparavant, le push était statique, ce n'est plus le cas désormais », assure Hayssen Chouikh.

Pour son machine learning, Aramisauto utilise des instances EC2 couplées à des instances Spot, également fournies par AWS. « Ces instances sont vendues moins chères, elles ne sont pas réservables, on essaie de les privilégier par rapport aux instances EC2 afin d'optimiser les coûts », poursuit Hayssen Chouikh. Parmi les choix ayant poussé Aramisauto à recourir aux instances cloud d'AWS, la rapidité et la simplicité d'utilisation et de mise en place. Une simplicité d'usage adaptée à l'équipe interne de datascientists qui ne sont pas positionnés sur des profils techniques mais plutôt sur une culture DevOps. « Avec un datalake internalisé reposant sur des ressources internes, il ne faut pas se planter et on n'a aucune marge d'erreur alors qu'avec le cloud, on n'a pas besoin de déterminer une volumétrie de données à l'avance ».

GCP utilisé pour l'analyse du parcours client

Concernant les autres technologies AWS utilisées, on retrouve également Redshift, DynamoDB, Kinesis et Elastic Search. De nombreuses solutions cloud AWS qui n'empêchent pas Aramisauto d'utiliser d'autres services dont Google Cloud Compute pour répondre à ses besoins d'analyse de parcours client.