Indra如何在Databricks上统一电动汽车充电数据
内容提要
Indra可再生能源公司通过Databricks整合碎片化数据系统，统一治理平台，减少工具和成本。采用medallion架构简化管道，自动化仪表盘和Genie Agents支持自助分析，提升效率，为流处理和AI奠定基础。
延伸解读
整合的代价与收益
Indra原先使用Synapse、Cosmos DB、Azure Functions、Power BI等多个服务，每个用例各自为政，导致重复逻辑和高成本。迁移到Databricks后，通过Unity Catalog统一治理，减少了工具数量，降低了维护成本。这种整合不仅是技术栈的简化，更减少了团队间的交接和操作摩擦，使数据团队从维护基础设施转向利用数据推动业务。
Medallion架构的实践价值
Indra的车辆数据管道采用medallion架构：bronze层作为原始数据单一事实来源，silver层用PySpark清洗，gold层提供业务就绪的表。这一设计取代了三个遗留的Azure函数，使一条管道即可服务三个客户。这种分层方法不仅简化了管道，还保证了数据质量，为后续的报表和AI应用提供了可靠基础。
自助分析如何改变工作方式
Indra通过AI/BI仪表盘和Genie Agents实现了自助分析。仪表盘自动刷新，替代了手动Excel跟踪；Genie允许用户用自然语言查询数据，无需等待数据团队。例如，营销人员可直接询问设备供电数量，工程人员可查询固件版本。这使日常问题从几天缩短到几分钟，同时保持了治理和一致性。
为未来扩展奠定基础
Indra的架构不仅解决了当前问题，还为流处理、Delta表和AI用例预留了空间。通过统一平台，他们可以逐步引入实时数据处理和AI驱动的分析，而无需增加新的工具。这种可扩展性意味着平台价值随时间累积，初期收益是成本降低，长期收益是解锁新的工作方式。
Q&A
Indra可再生能源公司为什么决定整合到Databricks平台？
Indra面临数据系统碎片化、工具和成本增加、维护负担重等问题，因此选择整合到Databricks，以建立统一治理平台，减少工具和成本，简化运营。
Indra在Databricks上采用了什么架构来简化数据管道？
Indra采用了medallion架构，将数据分为bronze（原始数据）、silver（清洗转换）和gold（业务就绪）三层，使用PySpark进行转换，从而简化了管道，减少了多个Azure函数的使用。
Indra如何通过Databricks实现自助式分析？
Indra通过自动化AI/BI仪表盘和Genie Agents实现自助式分析。仪表盘自动刷新，Genie Agents允许用户用自然语言提问，生成SQL并返回结果，无需数据团队介入。
Indra的fleet数据管道整合后带来了哪些具体收益？
整合后，Indra移除了三个遗留的Azure函数，一个管道即可服务三个客户，按日调度运行，降低了成本和运营摩擦。
Indra在Databricks上使用了哪些具体的仪表盘？
Indra使用了设备电压报告、充电器正常运行时间分析和电网电压仪表盘等，用于监控合规性、车队健康和地理电压状况。
Indra的Genie Agents可以回答哪些类型的问题？
Genie Agents可以回答关于遥测、设备固件、用户、设备和车辆的问题，例如营销人员可以询问某月有多少设备向电动汽车供电，工程人员可以按型号或固件版本检查设备数量。
Indra整合到Databricks后取得了哪些可衡量的成果？
Indra降低了成本、简化了运营、提高了性能，并让业务用户更快地访问所需数据，同时为流处理和AI奠定了基础。
Indra对面临类似数据碎片化问题的团队有什么建议？
Indra建议先标准化平台，再扩展用例，并保持好奇心、阅读文档、尽早提问、与Databricks专家合作，持续探索新功能。
