Cliente
Una startup tecnológica boutique que está revolucionando el sector del cannabis en los EE. UU. con una plataforma personalizable diseñada para empoderar a los operadores multiestatales con herramientas innovadoras para el éxito en el mercado.
Desafío Empresarial
- Complejidad de la Aplicación: Servicios como centro de datos, aplicación para consumidores, motor de sincronización y recomendador dependen de plataformas dispares (ECS, S3, Lambda, Firebase), lo que genera desafíos de integración.
- Limitaciones de la Base de Datos: Aurora MySQL es costoso, con ineficiencias de seguridad y diseño que afectan el rendimiento y el cumplimiento.
- Problemas de Control de Autenticación: Pérdida de acceso de administrador a Firebase Authentication, lo que requiere la migración a una solución más segura y gestionable.
- Desafíos Arquitectónicos: Diseño ineficiente con comunicación de tráfico público, entornos mixtos y páginas web alojadas en S3 que dificultan la escalabilidad y la seguridad.
Enfoque
- Mejoras en RDS Aurora MySQL mediante ajuste de esquemas, índices y actualizaciones de versión para mejorar el rendimiento y la eficiencia de costos.
- Creación de una canalización de datos en RDS Aurora MySQL para la extracción y procesamiento de múltiples tablas, automatizada mediante disparadores de Glue.
- Trabajos de AWS Glue para extracción, limpieza y transformación de datos con PySpark, almacenando los datos procesados en S3.
- Los rastreadores de Glue automatizan el descubrimiento de esquemas y las actualizaciones en el catálogo de datos de Glue para consultas eficientes a través de Athena.
- Los datos se cifran en tránsito (SSL/TLS) y en reposo (SSE-S3 o SSE-KMS), con roles IAM configurados para el acceso de menor privilegio.
- Los registros de CloudWatch capturan la ejecución de trabajos de Glue, y las configuraciones de seguridad cumplen con los estándares de la industria mediante auditorías periódicas.
Componentes Tecnológicos
Efectos Transformadores
- 16 % Mejor Rendimiento de Consultas: Reducción de los tiempos de respuesta promedio para cargas de trabajo críticas.
- 25 % Menor Uso de CPU: Optimización del uso de recursos durante las horas pico.
- Mayor Accesibilidad a los Datos: Canalización ETL optimizada para mejores análisis e informes.
- Eficiencia de Costos: Uso de tecnologías sin servidor para mejorar el rendimiento con menores costos.
