Introduction

La capacité de MindBridge à s'intégrer avec Databricks permet une automatisation transparente de l'ingestion, de la transformation et de l'analyse des données financières, améliorant ainsi les capacités de détection des risques financiers. 

Ce document fournit un aperçu de la manière dont votre équipe peut intégrer MindBridge avec Databricks, et offre un contexte supplémentaire et des conseils pour les équipes de mise en œuvre et de développement au sein des organisations clientes de MindBridge. Ce guide simplifie le processus et fournit des liens vers des modèles de notebooks Python téléchargeables (disponibles sur GitHub) pour une mise en œuvre détaillée.

• Comment fonctionne l'intégration de MindBridge avec Databricks
• Pour commencer
• Accéder aux modèles de notebooks
• Exemple de cas d'utilisation
  
  

Comment fonctionne l'intégration de MindBridge avec Databricks

MindBridge a développé un ensemble de modèles de notebooks Databricks pour soutenir les cas d'utilisation courants, assurant une intégration simplifiée entre Databricks et MindBridge.

Aspects clés de l'intégration

• Notebooks Python préconfigurés : Accédez à des notebooks Python réutilisables conçus pour fonctionner dans Databricks pour des tâches telles que l'envoi de données à MindBridge, le déclenchement d'analyses et l'interrogation des résultats.

• Personnalisation : Personnalisez facilement ces notebooks pour répondre à des besoins spécifiques, tels que l'ajustement de la fréquence des données, l'intégration de sources de données personnalisées ou la modification des paramètres d'analyse.

• Ressources et tutoriels : Exploitez la documentation de soutien pour aider votre équipe à configurer et personnaliser rapidement les notebooks pour votre environnement.

Pour commencer

Notebooks Python téléchargeables pour Databricks 

MindBridge a créé une série de notebooks basés sur Python que vous pouvez exécuter dans votre environnement Databricks. Ces notebooks vous permettent d'orchestrer des workflows MindBridge directement depuis Databricks. La documentation dans les notebooks fournit des conseils pour une configuration et une personnalisation conviviales. 

1. MindBridge_E2E_Integration_Tutorial
   • Fournit un guide pratique pour configurer une intégration MindBridge avec Databricks, couvrant des étapes telles que la configuration d'une organisation et d'un engagement, la réalisation d'une analyse du grand livre général, et l'extraction d'informations clés des résultats d'analyse.
2. MindBridge_Explore_GL_Table
   • Fournit un exemple d'interrogation d'une base de données Databricks de données du grand livre général pour créer un fichier pouvant être utilisé comme entrée dans toute analyse MindBridge.
3. MindBridge_E2E_Analysis_Data_Flow
   • Démontre une configuration initiale complète d'une organisation MindBridge, d'un engagement et d'une analyse. Il inclut le téléchargement de données de Databricks vers MindBridge, l'exécution d'une analyse, et la génération d'un lien pour visualiser les résultats dans MindBridge.
4. MindBridge_Update_Data_Run_Existing_Analysis
   • Illustre le processus de mise à jour des données (par exemple, l'ajout de nouvelles données transactionnelles) de Databricks et l'exécution d'une analyse existante dans MindBridge sans modifier la configuration originale. Ce cas d'utilisation soutient les besoins d'analyse périodique, permettant des insights de données actualisés basés sur les dernières mises à jour de données.
5. MindBridge_Results_Integration_Example

   • Montre comment extraire les résultats de MindBridge dans Databricks, permettant une analyse plus approfondie à l'aide d'outils en aval. Cela permet aux utilisateurs d'intégrer les résultats de MindBridge dans des tableaux de bord ou des rapports pour une compréhension et une communication plus approfondies. 

Accéder aux modèles de notebooks

Téléchargez les notebooks Python préconfigurés pour Databricks depuis GitHub 

Contactez votre représentant du succès client si vous avez besoin d'aide pour intégrer MindBridge avec votre environnement Databricks. Nous sommes heureux de vous soutenir tout au long du processus.

Exemple de cas d'utilisation

Scénario

Une entreprise technologique mondiale utilise Databricks comme plateforme de données centralisée, la mettant à jour chaque nuit avec des données ERP et opérationnelles. Pour rationaliser les workflows, ils préfèrent que MindBridge source les données directement depuis Databricks, réduisant ainsi le besoin de multiples systèmes pour accéder aux environnements opérationnels. 

Exemple de Workflow 

En utilisant les notebooks d'intégration MindBridge avec Databricks, l'entreprise permet un workflow d'analytique financière entièrement automatisé de bout en bout : 

• Préparation et transformation des données 
  Un travail Databricks planifié prépare les données ERP et opérationnelles en appliquant une logique de transformation réutilisable et prédéfinie. Les ensembles de données nettoyés et structurés sont formatés pour correspondre aux exigences de MindBridge et poussés directement dans MindBridge via API. 
• Orchestration automatisée de l'analyse 
  Le même Notebook Databricks automatise les appels API MindBridge pour déclencher de nouvelles analyses dès que les données sont prêtes. Cette orchestration garantit que chaque actualisation de données (par exemple, nocturne ou hebdomadaire) aboutit à une analyse financière opportune et cohérente, sans intervention manuelle. 
• Livraison d'insights sans friction 
  Avec la livraison automatisée des données et l'exécution de l'analyse, les utilisateurs métier peuvent accéder aux derniers résultats dans MindBridge dans le cadre de leurs workflows quotidiens. Aucune extraction de données séparée ou téléchargement manuel n'est requis. 
• Intelligence des risques intégrée 
  Les cotes de risque et les résultats d'analyse sont récupérés de manière programmatique via API dans Databricks. L'entreprise exploite les résultats de MindBridge pour mener des enquêtes plus approfondies et enrichir les tableaux de bord internes, permettant une surveillance continue des risques et un reporting intégré aux côtés d'autres indicateurs clés de performance de l'entreprise. 

Avantages

• Efficacité opérationnelle : Rationalise les opérations et élimine le besoin de scripts personnalisés.
• Atténuation des risques ciblée : Permet aux équipes financières de se concentrer sur la révision et l'atténuation des risques plus efficacement.
• Workflow transparent : Maintient des workflows cohérents au sein de l'environnement Databricks.
  
  

Autre chose en tête ? Discutez avec nous ou soumettez une demande pour obtenir une assistance supplémentaire.