Rituals: een dataplatform voor betere toegang en analyse
Het dataplatform helpt Rituals om data beter bereikbaar te maken, sneller tot inzicht te komen en betere resultaten te halen.
De uitdaging
Rituals haalde niet uit zijn data wat erin zat. De gegevens stonden verspreid over verschillende systemen en formaten, waardoor gebruikers moeilijk bij konden wat ze zochten. Door het ontbreken van structuur, duidelijke naamgeving en documentatie leunden medewerkers zwaar op dataspecialisten. Er moest een geordend en gestructureerd dataplatform komen.
Over Rituals
Cosmeticamerk Rituals, in 2000 opgericht door de Nederlandse CEO Raymond Cloosterman, is hard gegroeid: van één winkel in de Kalverstraat in Amsterdam naar meer dan 800 winkels, 1500 shop-in-shops en vier stedelijke wellnesscentra in 27 landen. Rituals is doorgedrongen tot de Verenigde Staten, Azië en daarbuiten en neemt het op tegen merken die er veel langer zijn, waardoor een goede winkelervaring zwaar telt. Het bedrijf is uitgegroeid tot een omnichannel-retailer met een flinke online omzet, en de resultaten spreken voor zich.
Rituals verkoopt huis- en lichaamsverzorging in de winkels en op rituals.com. Het merk combineert moderne techniek met eeuwenoude oosterse gebruiken, in een aanbod van betaalbare producten die dagelijkse routines als douchen en scheren tot een ritueel maken.
Begin je eigen succesverhaal met Crystalloids
Klaar om beslissingen beter te onderbouwen met data? We denken graag mee en beantwoorden je vragen.
De oplossing
Crystalloids hielp Rituals aan een dataplatform dat werkt als een bibliotheek, zodat mensen vinden wat ze zoeken.
Eerst vormden Crystalloids en Rituals kleine groepen rond de afzonderlijke onderdelen van dat idee: AVG, bewaartermijnen, koppelingen, beveiliging, datastructuur en naamgeving. Na een paar maanden gingen die groepen op in één dataplatformteam.
De lastigste vraag was hoe je de data indeelt. Eerst overwogen we domeinen als scheidslijn, maar dat ging niet altijd op, omdat bepaalde gegevens meerdere domeinen raken. Een ander idee was om databronnen op projectniveau als scheidslijn te nemen, maar daarvoor waren er simpelweg te veel bronnen. Het doel bleef: data die makkelijk terug te vinden is.
Uiteindelijk hebben we de data lake geordend door het platform op Google Cloud Platform te bouwen met onder meer Data Fusion, Dataflow, Dataform en BigQuery, verdeeld over drie lagen:
- Systeemlaag: hier staat de ruwe data uit de verschillende bronnen. Rituals heeft er veel, van kassasystemen en e-commerceplatformen tot CRM. Deze laag laadt die ruwe gegevens met zo min mogelijk bewerking in BigQuery.
- Domeinlaag: hier staat bewerkte data, toegesneden op een bedrijfsdomein. Denk aan gegevens over klanten, producten of de supply chain. Deze laag is gebouwd met Dataform, waarmee data-analisten complexe SQL-stromen voor BigQuery ontwikkelen, testen en versiebeheren.
- Teamlaag: hier staat data van een specifiek team of project. Teams bewaren er hun werk voor analyse en controle, en bevragen van hieruit de systeem- en domeinlaag om rond te kijken. Deze laag werkt met datasets en projecten in BigQuery.
Het platform is flexibel en schaalbaar opgezet en groeit mee met de toenemende datavraag van Rituals. Ook is het zo gemaakt dat mensen uit verschillende delen van het bedrijf er zelf mee uit de voeten kunnen.
De data lake en de techniek erachter
Voor de data lake gebruikten we een reeks diensten van Google Cloud Platform:
- BigQuery: het hart van het datawarehouse, met zowel gestructureerde als bewerkte data. BigQuery maakt het mogelijk om data te delen tussen teams en door te geven aan andere systemen en stromen.
- BigQuery Studio: veel gebruikt om data te analyseren, te verkennen en klaar te zetten, onder meer als invoer voor AI en dashboards.
- Dataform: onmisbaar voor het bouwen van SQL-stromen en het beheren van afhankelijkheden tussen de verschillende fasen en lagen.
- Policy Tags: voor beveiliging en toegangsbeheer, tot op kolomniveau binnen een dataset.
- Composer: regelt binnen het platform de volgorde van de gegevensstromen, met afhankelijkheden tussen uploads, Dataform-stromen en andere bewerkingen.
- Dataflow: voor ELT- en ETL-werk, om data om te zetten naar vaste, heldere vormen.
- DataFusion: net als Dataflow, maar voor eenvoudiger EL-werk.
- Cloud Functions: om datastromen te starten bij een bepaalde gebeurtenis.
- Storage: Google Cloud Storage als eerste opvang voor aangeleverde bestanden als CSV's, en als back-up en archief.
- DLP (Data Loss Prevention): om gevoelige gegevens te vinden en te classificeren, en er de juiste labels aan te hangen.
- Looker Studio: voor dashboards die laten zien waar data onvolledig of inconsistent is.
- Terraform: om resources in GCP aan te maken en te beheren, van projecten en datasets tot serviceaccounts en storage buckets.
De volgende stap is Dataplex koppelen aan DataCatalog, om de documentatie en het beheer van data in BigQuery te verbeteren. Daarmee wordt data binnen Rituals nog beter vindbaar en beter beheerd.
Het resultaat
Het dataplatform maakt data bij Rituals merkbaar beter bereikbaar en beter te analyseren. Door de bewerkte domeinlaag vinden mensen sneller wat ze nodig hebben. Finance ziet nu bijvoorbeeld alle financiële gegevens uit verschillende systemen op één plek.
Daarnaast helpt het platform de resultaten vooruit. Rituals gebruikt data om klanten te begrijpen en gerichtere campagnes te maken, en om de supply chain en de productontwikkeling te verbeteren.
Wat Crystalloids deed
Crystalloids speelde een hoofdrol bij het oplossen van het dataplatformvraagstuk, met zijn kennis van Google Cloud. Door DataFusion naast Dataflow in te zetten, konden stromen worden uitgerold zonder veel code. De ervaring met Enterprise Data Platforms (EDP) maakte goede samenwerking met de businessteams mogelijk, wat de domeinlaag in de datastructuur opleverde. Daarbij werden nieuwere onderdelen van de Google-stack benut, zoals Dataform. De orkestratie liep via Composer, volgens de aanbevelingen van Google Cloud Platform.