Обработка больших данных

Задача: Сократить затраты на запуск рекламной кампании торговой марки Liebendorf

Результат: Ритейлер сэкономил 25% бюджета, используя нейросеть при создании ролика и не привлекая селебрити. Кампания превзошла прогнозы по KPI в два раза: показы превысили 44,4 млн, а охваты составили свыше 23,5 млн

Задача: Сделать горячий бэкап масштабной базы данных Oracle в облако

Результат: Ритейлер перенес в виртуальный ЦОД все внешние сервисы и порталы: интернет-магазин с нагрузкой около 300 тысяч заказов в день, программу лояльности, систему оплаты и мобильное приложение

Задача: Получить большой объем ресурсов «в моменте», гарантировать быструю скорость работы сервисов и подготовиться к росту трафика в пять раз

Результат: Компания оптимально распределяет нагрузку между железом и облаком, быстро получая нужный объем ресурсов при скачках трафика. Раньше ввод сервера в работу занимал 120 минут, теперь на запуск уходит 2 минуты

Задача: Увеличить скорость обработки данных на собственной платформе Mediascope Data Platform

Результат: Компания обрабатывают около 25 ТБ вместо 10 ТБ данных ежедневно благодаря сервисам Cloud.ru

Задача: Запустить корпоративный информационный портал в облаке с удаленным доступом для сотрудников

Результат: Компания организовала удобную совместную работу сотрудников в едином пространстве Enterprise Information Portal

Задача: Перенести в облако всю IT-инфраструктуру компании и подключить сервисы для разработки и защиты данных

Результат: Девелопер перенес в Cloud.ru веб-сайт, платформы обучения и корпоративные ресурсы с локальных серверов и облака другого провайдера, запустили собственную разработку с PaaS-сервисом на базе Kubernetes от Cloud.ru

Задача: Монетизировать контент за счет разработки стриминговой платформы в облаке

Результат: Театр перенес IT-инфраструктуру в виртуальный ЦОД за три дня и запустил онлайн-платформу mariinsky.tv, которая стабильно работает при нагрузке в несколько тысяч пользователей

Задача: Запустить новую рекомендательную систему в интернет-магазине и улучшить бизнес-метрики

Результат: Магазин развернул систему на платформе Cloud.ru ML Space и увеличил средний покупательский чек на 15%

Задача: Подключить удобный инструмент, который может прогнозировать спрос и оптимально распределять партии одежды по торговым точкам

Результат: Ритейлер использует AI-сервис на базе Cloud.ru ML Space и прогнозируют спрос с точностью 92%, а каждый аналитик компании теперь экономит около 60 часов рабочего времени в год

Задача: Запустить аналитическую платформу для работы с данными в облаке и быстрой подготовки отчетов

Результат: Производитель автоматизировал рутинные процессы, свел к минимуму риск ошибок при расчетах и сократил время подготовки аналитического отчета с 2 дней до 20 минут

Задача: Перенести цифровую платформу CRAFTER.ONLINE из зарубежного облака AWS® в российское и обеспечить ее стабильную работу

Результат: CRAFTER.ONLINE стабильно работает при скачках трафика, кибератаках и других уязвимостях, а пользователь платформы получает информацию в любое время суток и возможность выбирать рейсы за 30 секунд

Задача: Организовать стабильную Test&Dev-среду в облаке и упростить бизнес-процессы банка

Результат: Банк запустил приложение одного из бизнес-процессов в виртуальном ЦОД и обновил систему управления взаимоотношениями с клиентами

Задача: Перенести IT-инфраструктуру и интернет-магазин в облако

Результат: Компания увеличила скорость работы сайта только за счет кеширования на 20%, а за управление инфраструктурой теперь отвечает в 2 раза меньше сотрудников

Задача: Развернуть приложение «1С:Бухгалтерия» в облаке и сократить время выгрузки отчета в 2 раза

Результат: Команда ускорила работу систем и сократила время выгрузки отчета с 5 до 2,5 часов