→

Retour

SUCCESS STORY - LEADER EUROPÉEN DU TRANSPORT MARITIME ET LOGISTIQUE

Transport maritime — Du reporting Qlik aux data products Snowflake

Cet acteur du transport maritime exploite ≈ 600 dashboards Qlik dont les règles de gestion vivent dans l'outil.
Avec Qlik to Snowflake et avec un outillage IA, KPC réalise le retro-engineering.

Qlik → Snowflake

Data Products

Cortex Code

Rétro-engineering

L’impact en quelques chiffres

≈600

Applications Qlik en production à migrer vers Snowflake

≈2 j

Charge d'analyse fixe par app

0 prérequis

L’analyse reste possible sans spec à jour ni développeur d’origine.

Entre 10 et 40 jours

de charge manuelle évitée.
Une phase d’analyse longue et imprévisible remplacée par un processus outillé.

L’impact en quelques chiffres

≈600

Applications Qlik en production à migrer vers Snowflake

≈2 j

Charge d'analyse fixe par app

0 prérequis

L’analyse reste possible sans spec à jour ni développeur d’origine.

Entre 10 et 40 jours

de charge manuelle évitée.
Une phase d’analyse longue et imprévisible remplacée par un processus outillé.

L’impact en quelques chiffres

≈600

Applications Qlik en production à migrer vers Snowflake

≈2 j

Charge d'analyse fixe par app

0 prérequis

L’analyse reste possible sans spec à jour ni développeur d’origine.

Entre 10 et 40 jours

de charge manuelle évitée.
Une phase d’analyse longue et imprévisible remplacée par un processus outillé.

RÉSULTATS

Des résultats concrets

Des data products, pas des copies de dashboards

La donnée est reconstruite au niveau raffiné sur Snowflake. Elle reste réutilisable au-delà du rapport d'origine.

RÉSULTATS

Des résultats concrets

Une charge d'analyse fixe (≈ 2 jours)

La durée reste fixe quelle que soit la complexité de l'app. L'absence de documentation ou de développeur d'origine ne bloque pas l'analyse.

RÉSULTATS

Des résultats concrets

Un résultat validé face à Qlik

L'agent IA Match Control compare le data product à l'existant et valide le développement de bout en bout. La spec produite est fiable et alignée avec le rapport réel.

RÉSULTATS

Des résultats concrets

Des data products, pas des copies de dashboards

La donnée est reconstruite au niveau raffiné sur Snowflake. Elle reste réutilisable au-delà du rapport d'origine.

RÉSULTATS

Des résultats concrets

Une charge d'analyse fixe (≈ 2 jours)

La durée reste fixe quelle que soit la complexité de l'app. L'absence de documentation ou de développeur d'origine ne bloque pas l'analyse.

RÉSULTATS

Des résultats concrets

Un résultat validé face à Qlik

L'agent IA Match Control compare le data product à l'existant et valide le développement de bout en bout. La spec produite est fiable et alignée avec le rapport réel.

RÉSULTATS

Des résultats concrets

Des data products, pas des copies de dashboards

La donnée est reconstruite au niveau raffiné sur Snowflake. Elle reste réutilisable au-delà du rapport d'origine.

RÉSULTATS

Des résultats concrets

Une charge d'analyse fixe (≈ 2 jours)

La durée reste fixe quelle que soit la complexité de l'app. L'absence de documentation ou de développeur d'origine ne bloque pas l'analyse.

RÉSULTATS

Des résultats concrets

Un résultat validé face à Qlik

L'agent IA Match Control compare le data product à l'existant et valide le développement de bout en bout. La spec produite est fiable et alignée avec le rapport réel.

L'enjeu central

Reconstruire en data products, sans repartir de zéro

Ce 3ᵉ armateur mondial, exploite environ 600 dashboards Qlik en production, tandis qu'un socle Snowflake se construit depuis trois ans pour pour centraliser ses données.

Problème : les règles de gestion vivaient dans Qlik ; calculs, filtres, transformations, dépendances, workflows. Les specs et la documentation étaient quasi inexistantes ou désalignées du rapport réel.

Ramener les données raffinées dans Snowflake au format data products (pas un lift & shift)

Migrer sans dépendre d'une spécification ou d'une documentation inexistante ou périmé

Industrialiser une charge de rétro-engineering jusqu'ici variable et difficile à chiffrer

Garantir aux utilisateurs la fidélité au reporting Qlik existant

L'enjeu central

Reconstruire en data products, sans repartir de zéro

Ce 3ᵉ armateur mondial, exploite environ 600 dashboards Qlik en production, tandis qu'un socle Snowflake se construit depuis trois ans pour pour centraliser ses données.

Ramener les données raffinées dans Snowflake au format data products (pas un lift & shift)

Migrer sans dépendre d'une spécification ou d'une documentation inexistante ou périmé

Industrialiser une charge de rétro-engineering jusqu'ici variable et difficile à chiffrer

Garantir aux utilisateurs la fidélité au reporting Qlik existant

L'enjeu central

Reconstruire en data products, sans repartir de zéro

Ce 3ᵉ armateur mondial, exploite environ 600 dashboards Qlik en production, tandis qu'un socle Snowflake se construit depuis trois ans pour pour centraliser ses données.

Ramener les données raffinées dans Snowflake au format data products (pas un lift & shift)

Migrer sans dépendre d'une spécification ou d'une documentation inexistante ou périmé

Industrialiser une charge de rétro-engineering jusqu'ici variable et difficile à chiffrer

Garantir aux utilisateurs la fidélité au reporting Qlik existant

Notre approche

Rétro-engineering outillé, du dashboard à la spec

Réinterroger le besoin à blanc risquerait un écart avec l'existant. KPC reconstruit donc à partir de Qlik par rétro-engineering, outillé par QlikToSnow. L'analyse se rejoue autant que nécessaire et produit une spec exploitable. Cette spec devient le point d'entrée d'un build Snowflake assisté par IA avec Cortex Code, en boucle expert-in-the-loop : l'IA propose, l'expert valide.

Extraction

Extraire la logique de l'app

QlikToSnow extrait automatiquement les règles de gestion et de calcul, les dépendances et les workflows de l'app.

QlikToSnow

Extraction auto

Analyse des données

Profiler et cartographier

QlikToSnow établit le profil des données et identifie celles réellement utilisées. L'outil décide du field mapping et rend le lineage navigable. L'analyse d'impact montre quels champs alimentent quels indicateurs, sans replonger dans le code.

Data Profiling

Lineage

Field Mapping