Confidencial
Wilmington, DE
Salud mental / Bienestar digital / SaaS
Amazon QuickSight Amazon Q Amazon Athena Amazon S3 AWS Glue Data Catalog AWS IAM QuickSight SPICE
Una plataforma líder de salud mental digital atiende a millones de usuarios con servicios de apoyo de bienestar gratuitos y premium, generando datos conductuales y clínicos enriquecidos en cada interacción. A pesar de contar con un valioso lago de datos en Amazon S3, las capacidades analíticas de la organización estaban limitadas por la experiencia técnica en SQL, lo que impedía a los equipos de producto, operaciones y clínicos responder de forma independiente a preguntas críticas sobre el comportamiento del usuario, los resultados de bienestar y la salud de las suscripciones. Avahi diseñó e implementó una plataforma de análisis impulsada por GenAI utilizando Amazon QuickSight y Amazon Q, lo que permitió a las partes interesadas no técnicas consultar sus propios datos en lenguaje natural y acceder a paneles interactivos que consolidaban los KPI clave del negocio, todo ello en un período de tres semanas. El resultado es una base analítica democratizada, precisa y escalable, lista para soportar un despliegue completo en producción.
El cliente es una empresa de salud y bienestar digital con sede en Wilmington, Delaware, que ofrece una de las plataformas de apoyo a la salud mental más grandes del mundo, proporcionando apoyo emocional entre pares gratuito junto con servicios premium de terapia y asesoramiento. Operando en la intersección de la salud mental, los datos de comportamiento y los modelos de suscripción SaaS, la plataforma atiende a una base de usuarios amplia y diversa y genera grandes volúmenes de datos de interacción, evaluación de bienestar y eventos de suscripción, lo que hace que los análisis oportunos y accesibles sean críticos para comprender y mejorar los resultados de los usuarios a escala.
A pesar de tener años de valiosos datos de interacción de usuarios almacenados en Amazon S3 como archivos Parquet, el flujo de trabajo de análisis del cliente dependía completamente del personal técnico que podía escribir y ejecutar consultas SQL. Los gerentes de producto, los líderes de operaciones y el personal clínico no tenían forma de explorar datos de forma independiente o responder preguntas de negocio urgentes, creando un cuello de botella persistente que ralentizaba la toma de decisiones en toda la organización.
La ausencia de paneles interactivos significaba que no había una vista consolidada de los KPI más importantes de la plataforma: crecimiento de miembros, conversiones de oyentes, resultados de bienestar, tendencias de suscripción o participación en funciones. Los conocimientos que deberían haber estado disponibles en segundos requerían tiempo de ingeniería para producirse, e incluso entonces, las definiciones inconsistentes de métricas entre equipos creaban un riesgo adicional de decisiones desalineadas.
Lo más crítico es que la plataforma no tenía una interfaz de lenguaje natural, ninguna forma para que un miembro del equipo no técnico preguntara «¿Qué porcentaje de usuarios mejoró su puntuación de bienestar en los últimos 90 días?» y recibiera una respuesta instantánea y precisa de sus propios datos. En un dominio donde la comprensión de los resultados clínicos y el comportamiento del usuario informa directamente las decisiones de producto y operativas, esta brecha tenía consecuencias reales. Sin una solución, los análisis seguirían estando limitados por los recursos técnicos indefinidamente, ralentizando las decisiones de crecimiento y limitando la capacidad de la plataforma para medir y actuar sobre las tendencias de bienestar del usuario que son el centro de su misión.
Los datos del cliente ya residían en Amazon S3, lo que hacía de AWS el hogar natural para cualquier solución de análisis. En lugar de introducir una herramienta de BI o consulta NL de terceros que requeriría movimiento de datos, una revisión de seguridad adicional y nuevas estructuras de costes, AWS ofrecía una ruta nativa e integrada — Amazon Athena para SQL sin servidor sobre S3, Amazon QuickSight para paneles y visualización, y Amazon Q para consultas en lenguaje natural — todo operando dentro del límite de la cuenta AWS existente del cliente. Esto significaba que los datos sensibles de salud mental y comportamiento nunca salieron de la propia infraestructura del cliente, un requisito no negociable para una plataforma que opera en el espacio de la salud digital.
El motor en memoria SPICE de AWS dentro de QuickSight también proporcionó las características de rendimiento necesarias para que los paneles fueran rápidos y receptivos sobre datos de eventos de alto volumen, sin generar costes descontrolados de consultas de Athena. La combinación de postura de seguridad, integración nativa y eficiencia de costes hizo de AWS la plataforma de elección clara.
El cliente contrató a Avahi por su demostrada capacidad para diseñar soluciones de análisis de grado de producción en AWS, específicamente la combinación de ingeniería de datos rigurosa y ajuste de la capa GenAI requerida para que Amazon Q funcione con precisión en datos del mundo real, de alto volumen y específicos del dominio. Construir una interfaz de análisis de lenguaje natural en la que los usuarios no técnicos puedan confiar realmente requiere más que habilitar una función. Requiere una arquitectura de datos cuidadosa, enriquecimiento de metadatos y documentación honesta de lo que el sistema puede y no puede responder de manera fiable. Avahi aportó los tres.
La estructura de compromiso con un plazo fijo de tres semanas también proporcionó al cliente una ruta claramente definida y de bajo riesgo para validar la tecnología antes de comprometerse con un despliegue completo en producción. La capacidad de Avahi para llevar a una organización desde archivos Parquet de S3 sin procesar hasta una plataforma de análisis GenAI funcional dentro de ese plazo — en un dominio de datos sensible y analíticamente complejo — los convirtió en el socio adecuado para el compromiso.
Avahi comenzó con una fase de descubrimiento estructurada, revisando el diseño de datos de Amazon S3 del cliente en sus depósitos de análisis de investigación y ventas, analizando esquemas Parquet, identificando los casos de uso de análisis de mayor prioridad y configurando roles de AWS IAM con privilegios mínimos que rigen el acceso a todos los servicios. Se utilizó AWS Glue Data Catalog para el descubrimiento y catalogación de esquemas, lo que permitió a Amazon Athena y Amazon QuickSight conectarse a los datos de S3 con metadatos consistentes y gobernados.
El desafío arquitectónico central era la capacidad de SPICE. Las tablas de eventos sin procesar del cliente eran demasiado grandes y de alta cardinalidad para la ingesta directa en QuickSight. La solución de Avahi fue diseñar cinco vistas de Amazon Athena creadas específicamente, cada una con un alcance para un dominio analítico específico con ventanas de tiempo dirigidas, preagregaciones y poda de campos, reduciendo el volumen de datos a subconjuntos analíticamente relevantes mientras se preservaba toda la lógica de negocio requerida. Las cinco vistas fueron: segmento de eventos base, 30 días; salud de la suscripción, 90 días; resultados de la primera frente a la segunda evaluación de bienestar; 365 días, DAU de funciones e intensidad de participación; 30 días, y miembros, oyentes y conversiones, 1 año.
Un desafío de diseño particularmente complejo fue el cálculo de métricas acumulativas precisas, el total de miembros, oyentes y conversiones, dentro de conjuntos de datos con ventanas. Avahi resolvió esto construyendo CTE de arrastre dentro de cada vista de Athena, calculando los saldos iniciales para que los totales de por vida comiencen desde la línea de base histórica correcta, independientemente de la ventana de visualización del panel. La vista de delta de bienestar introdujo una capacidad clínicamente significativa: mostrar una comparación de antes y después de las puntuaciones de bienestar del usuario entre la primera y la segunda evaluación, lo que le dio a la plataforma una lente directa y basada en datos para saber si los usuarios están mejorando bajo atención.
Se construyeron nueve visualizaciones interactivas de paneles de Amazon QuickSight en estos cinco conjuntos de datos, consolidando los KPI más importantes de la plataforma en una interfaz única y accesible para las partes interesadas no técnicas. Luego se habilitó Amazon Q dentro de QuickSight y se ajustó sistemáticamente, se enriquecieron los temas de los conjuntos de datos con alias de campo, sinónimos y descripciones, y se ocultaron las columnas de alta cardinalidad o ambiguas del alcance de la consulta en lenguaje natural, para garantizar que las preguntas en lenguaje natural devolvieran respuestas precisas y fiables. Este enriquecimiento de metadatos es lo que distingue una capa de análisis GenAI en la que las partes interesadas confían de una que abandonan rápidamente.
Fundamentalmente, la lógica de negocio compleja —cálculos de arrastre, puntuación delta, clasificación de dispositivos, normalización de tipos de servicio— se calculó en SQL dentro de las vistas de Athena, no se dejó que Amazon Q la infiriera. Esta decisión arquitectónica significa que la capa GenAI solo necesita filtrar y agregar campos previamente validados, reduciendo drásticamente el riesgo de respuestas plausibles pero incorrectas a preguntas analíticas complejas. El compromiso concluyó con la validación de extremo a extremo de todos los flujos de datos, paneles y consultas en lenguaje natural, una evaluación de rendimiento curada que documenta los tipos de consulta de Amazon Q compatibles y no compatibles, una sesión de transferencia de conocimientos y documentación técnica completa y manuales de ejecución.
Avahi entregó una plataforma completa de análisis GenAI, desde datos Parquet de S3 sin procesar hasta consultas en lenguaje natural, en tres semanas, en un dominio de datos sensible y analíticamente complejo. Las partes interesadas no técnicas de las funciones de producto, operaciones y clínicas ahora pueden hacer preguntas en lenguaje natural directamente a sus propios datos y recibir respuestas instantáneas y precisas, sin escribir una sola línea de SQL. Los KPI más críticos de la plataforma (crecimiento de miembros, conversiones de oyentes, resultados de bienestar, tendencias de suscripción y participación en funciones) ahora están consolidados en paneles interactivos accesibles para todo el equipo.
La arquitectura de vistas de Athena y el patrón de optimización de SPICE establecidos en este compromiso sirven como una base reutilizable para el despliegue de análisis de producción del cliente. El informe de evaluación de rendimiento y recomendaciones entregado en la Fase 3 proporciona la hoja de ruta para escalar la plataforma al conjunto de datos completo, dominios de paneles adicionales y un acceso más amplio del equipo, con una comprensión clara de las capacidades y límites de Amazon Q ya documentados y probados.
Alcance del compromiso y criterios de éxito entregados:
Exploremos juntos sus oportunidades de IA de alto impacto en una sesión gratuita
