1(globalThis.TURBOPACK||(globalThis.TURBOPACK=[])).push(["object"==typeof document?document.currentScript:void 0,41237,42881,n=>{"use strict";n.s(["aiAgentCaseStudies",0,[{title:"OBJX Intelligence",bannerLabel:"Multi-tenant SaaS",bannerTitle:"OBJX",bannerSubtitle:"Strategic intelligence",years:"2024 - 2025",badge:"Flagship",description:"Enterprise agent-orchestration platform built around a proprietary Trinity Architecture and X + Y = Z methodology. Van Data Team shipped named agents, a five-tier permission model, billing controls, and production deployment for a multi-tenant intelligence workflow.",stack:["FastAPI","PostgreSQL 15","Redis","MEM0","LangGraph","GPT-4.1","Claude Sonnet 4","Stripe","React 18","shadcn/ui","DigitalOcean"],metrics:[{label:"Platform health score",value:"94.7%",detail:"runtime stability",accent:"emerald"},{label:"Named agents x tiers",value:"5",detail:"x5 tiers",accent:"amber"}],theme:"orchid",pattern:"diamond",logoSrc:"/images/client-logos/OBJX.png",logoAlt:"OBJX logo",logoClassName:"max-h-[4rem] sm:max-h-[4.3rem]"},{title:"SeaSure",bannerLabel:"Marine AI ⢠Multi-LLM",bannerTitle:"SeaSure",bannerSubtitle:"AI captain",years:"2024 - 2025",description:"AI-powered marine maintenance backend with a specialized LangGraph agent per boat subsystem. Van Data Team integrated multimodal inspection, semantic search, billing middleware, and WebSocket realtime chat-video delivery with Terraform IaC targeting both Azure and GCP.",stack:["FastAPI","LangGraph","LangMem","Qwen 2.5-VL","Claude 3","GPT-4 Turbo","pgvector","Stripe","React 19","Terraform","Cloud Run"],metrics:[{label:"Specialized agents",value:"7",detail:"boat systems",accent:"emerald"},{label:"Multi-cloud IaC",value:"Azure",detail:"+ GCP",accent:"amber"}],theme:"cyan",pattern:"wave",bannerVariant:"seasure"},{title:"Zeno",bannerLabel:"Consumer AI",bannerTitle:"Zeno",bannerSubtitle:"TikTok -> workout agent",years:"2024 - 2025",description:"AI fitness platform that turns TikTok, YouTube, and Instagram videos into structured workout programs. Van Data Team built a video-understanding pipeline, fuzzy exercise matching, and a progressive overload agent across AWS Bedrock, Vertex AI, and OpenAI fallbacks.",stack:["NestJS 8","Python 3.13","Gemini 3 Flash","AWS Bedrock","Claude Haiku","Vertex AI","MikroORM","AWS SQS","Firebase","Next.js 16","Vercel"],metrics:[{label:"AI cost per video",value:"$0.002-$0.011",detail:"per video",accent:"emerald"},{label:"Canonical exercises",value:"378",detail:"with fuzzy match",accent:"amber"}],theme:"lime",pattern:"rings",logoSrc:"/images/zeno.svg",logoAlt:"Zeno logo",logoClassName:"max-h-[4.5rem] sm:max-h-[4.9rem]"},{title:"VLAD AI",bannerLabel:"Tourism ⢠RAG",bannerTitle:"VLAD AI",bannerSubtitle:"Borsa ⢠React agent",years:"2024",description:"Production tourism RAG chatbot for the Borsa resort region in Romania, acting as a conversational concierge that discovers accommodations, plans trips, and answers questions. Van Data Team shipped an intent classifier, hybrid Qdrant retrieval, semantic cache, and itinerary builder with React planning.",stack:["FastAPI 0.128","LangGraph","Qdrant","Redis + GPTCache","GPT-4.1-mini","SQLite","APScheduler","FastEmbed + BM25","WebSocket","Docker Compose"],metrics:[{label:"Answer accuracy target",value:"92-95%",detail:"guided score",accent:"emerald"},{label:"Knowledge refresh",value:"12h",detail:"/ re-embed",accent:"amber"}],theme:"ruby",pattern:"peaks"},{title:"Medical Triage Agent",bannerLabel:"Healthcare ⢠LangGraph",bannerTitle:"TriageAI",bannerSubtitle:"8-node state machine",years:"2024",description:"LangGraph-orchestrated medical triage agent built with Anthropic Claude. Van Data Team designed an eight-node state machine for patient data extraction, symptom scoring, follow-up generation, and condition routing that short-circuits emergency cases.",stack:["LangGraph","StateGraph","Claude 3.5 Sonnet","LangChain Anthropic","TypedDict","Python"],metrics:[{label:"Agent graph nodes",value:"8",detail:"specialist steps",accent:"emerald"},{label:"Conditional routing",value:"3",detail:"severity branches",accent:"amber"}],theme:"crimson",pattern:"pulse"},{title:"Kiki Legal Assistant",bannerLabel:"Legal ⢠RAG agent",bannerTitle:"Kiki",bannerSubtitle:"Aviation contract advisor",years:"2023 - 2024",description:"Persona-groun
1ded legal RAG agent specialized in aviation labor contracts. Van Data Team delivered strict grounding rules, section-number hallucination prevention, retrieval upgrades from ChromaDB to FAISS, and cost-saving multi-provider LLM support.",stack:["LangChain","Milvus","ChromaDB","FAISS","Flask","Waitress","OpenAI","Claude","ConversationBufferMemory"],metrics:[{label:"Embedding dimensions",value:"3,072",detail:"text-embed-3-small",accent:"emerald"},{label:"Citation accuracy",value:"Strict",detail:"section-grounded",accent:"amber"}],theme:"indigo",pattern:"frame",logoSrc:"/images/client-logos/Kiki_AI.svg",logoAlt:"Kiki AI logo",logoClassName:"max-h-[4.2rem] sm:max-h-[4.5rem]"},{title:"NIST Security Platform",bannerLabel:"Cybersecurity ⢠RAG",bannerTitle:"NIST AI",bannerSubtitle:"Fine-tuned Mistral",years:"2024",description:"Cybersecurity AI platform combining a fine-tuned Mistral 7B model with multi-source RAG. Van Data Team orchestrated the security query state machine, framework mappings across CVE, CWE, CAPEC, and MITRE ATT&CK, and Bayesian risk scoring behind FastAPI.",stack:["Mistral 7B","LoRA Fine-Tuning","LangGraph","Neo4j","ChromaDB","Azure OpenAI","FastAPI","Z3 Solver","Plotly"],metrics:[{label:"Knowledge graph frameworks",value:"7+",detail:"CVE ⢠CWE ⢠ATT&CK",accent:"emerald"},{label:"Fine-tuning budget",value:"16GB",detail:"GPU (LoRA)",accent:"amber"}],theme:"crimson",pattern:"hex"},{title:"DebitMyData (NVIDIA Stack)",bannerLabel:"Digital humans ⢠GPU",bannerTitle:"NVIDIA ACE",bannerSubtitle:"Avatar chat engine",years:"2024",description:"Full NVIDIA AI Enterprise reference deployment delivering realtime conversational digital humans. Van Data Team integrated the complete ACE Avatar Chat Engine stack, speech services, TensorRT-LLM inference, and Omniverse orchestration on AWS EKS with Triton and Helm.",stack:["NVIDIA Triton","NIM","ACE","Audio2Face-3D","Riva","TensorRT-LLM","Llama 3.1 70B","EKS","Helm","Omniverse","PyTorch"],metrics:[{label:"Foundation models",value:"Llama 3.1",detail:"8B + 70B + NEVA-22B",accent:"emerald"},{label:"Deployment",value:"EKS",detail:"Helm ⢠Triton",accent:"amber"}],theme:"teal",pattern:"orbits",logoSrc:"/images/client-logos/DebitMyData.png",logoAlt:"DebitMyData logo",logoClassName:"max-h-[3.6rem] sm:max-h-[3.8rem]"}],"aiAgentComparisonRows",0,[{criterion:"Core behavior",assistant:"Responds to a prompt",agent:"Executes a workflow autonomously"},{criterion:"Scope",assistant:"Single turn or conversational",agent:"Multi step, across tools and systems"},{criterion:"Decision making",assistant:"Generates text based on input",agent:"Reasons, decides, and takes action"},{criterion:"Tool use",assistant:"Limited or none",agent:"Dynamic, context driven, multi tool"},{criterion:"Memory",assistant:"Session level at best",agent:"Persistent across steps and sessions"},{criterion:"Handles failure?",assistant:"Returns an answer regardless",agent:"Routes failures to retry logic or human review"},{criterion:"Integration depth",assistant:"Minimal",agent:"Deep - CRMs, databases, APIs, pipelines"},{criterion:"Cost model",assistant:"Per prompt",agent:"Per workflow run, with token budget controls"},{criterion:"Human oversight",assistant:"Optional, after the fact",agent:"Designed in - approval gates, escalation routing"},{criterion:"Best for",assistant:"Q&A, summarization, drafting",agent:"End to end process automation"},{criterion:"Breaks when",assistant:"Input falls outside training",agent:"Architecture doesn't match workflow complexity"}],"aiAgentDeliveryStages",0,[{step:"Step 1",title:"The Workflow Audit (Where We Map Your Process)",image:"/images/ai-agent/delivery-stage-1-workflow-audit.webp",description:"Every AI agent development engagement starts here. Before choosing a framework or writing Python code, we map your current operations to surface exact architectural requirements.",bullets:["Process mapping: identifying triggers, data sources, decision points, and branching conditions","Human in the loop boundaries: defining which decisions require oversight versus which are safe to fully automate","Constraint inventory: documenting existing APIs, compliance rules, latency expectations, and budget limits"],notes:["Output: a written scope document detailing architecture recommendations and clear success metrics.","Nothing in this document is discovered mid implementation."]},{step:"Step 2",title:"Architecture and Framework Selection (Where We Design the System)",image:"/images/ai-agent/delivery-stage-2-architecture.webp",description:"Framework selection is driven by your specific workflow, never by default tooling. As a specialized LangGraph AI agent developer, we match the stack to your coordination complexity and time to production constraints.",bullets:["LangGraph for complex branching workflows that need deterministic routing and full auditability","CrewAI for role based multi agent coordination with clearly defined task ownership","OpenAI Agents SDK for velocity first builds where speed is the primary constraint","Claude at the model layer for reasoning heavy tasks that require precision and long context"],notes:["Memory design, tool schemas, guardrail rules, and integration architecture are locked at this step. Implementation begins only after you approve the design."]},{step:"Step 3",title:"Build, Test, and Integrate (Where We Write and Validate the Code)",image:"/images/ai-agent/delivery-stage-3-build-test.webp",description:"Implementation follows the locked architecture. In this step, testing runs continuously against real scenarios rather than as a compressed final phase.",bullets:["Test coverage: spans normal inputs, adversarial inputs, and documented failure modes like API timeouts","System integration: connects CRMs, data warehouses, and internal tools with output validation at each point","Cost profiling: tracks token spend per step and latency per node to tune LLM integration services before deployment"]},{step:"Step 4",title:"Production Hardening and 30 Day Support (Where We Stabilize Your Agent)",image:"/images/ai-agent/delivery-stage-4-production-hardening.webp",description:"Deployment includes monitoring setup, alerting configuration, and full documentation. This 30 day window after launch is part of the core delivery, not a separate support contract.",bullets:["Edge case resolution: issues surfacing under real load are addressed immediately","Model update handling: changes from OpenAI or Anthropic are evaluated and integrated as they occur","Performance tuning: adjustments rely on real usage data, not projected assumptions"],notes:["The same person who ran the audit, designed the architecture, and wrote the code monitors your production environment. No handoff chain. One continuous loop from start to finish."]}],"aiAgentFaqs",0,[{question:"What is an AI agent in plain terms?",answer:"An AI agent is a system that takes a goal, breaks it into steps, calls tools or APIs to complete each step, observes the result, and continues - without a human directing each action. It executes a workflow autonomously, across multiple systems, over multiple steps. A chatbot responds to a message. An AI agent completes a process."},{question:"How is an AI agent different from a chatbot?",answer:"A chatbot handles single turn responses within a conversation. An AI agent executes multi step workflows across multiple tools and systems: querying databases, calling APIs, writing records, routing decisions, and taking actions autonomously. The operational scope is categorically different."},{question:"What is the average cost of AI agent development services at Van Data Team?",answer:"Engagements at Van Data Team start at $500 for a fixed price strategy sprint that scopes the build, and typical production builds start around $2,500. Final pricing depends on workflow complexity, integration requirements, and whether the system requires multi agent orchestration or single agent execution. Every engagement receives a fixed quote after a free workflow audit."},{question:"What industries does Van Data Team build custom AI agents for?",answer:"Van Data Team delivers AI agent development across multiple industries including ecommerce, finance, healthcare, and automotive. We provide specific case studies for each sector, such as RAG systems for automotive manuals and data pipelines for fintech. Every architecture is tailored to the unique compliance and workflow constraints of your specific industry."},{question:'What does "production ready" mean for an AI agent?',answer:"State management, guardrails, observability, cost controls, retry and timeout handling, human in the loop checkpoints, and monitoring that alerts you to failures before users ever encounter them. A demo agent has none of these. A production agent ships with all of them from day one."},{question:"Which framework does Van Data Team use?",answer:"Framework selection is matched to the workflow requirement. LangGraph for complex branching workflows where stateful execution and auditability matter most. CrewAI for multi agent coordination with specialized roles. The OpenAI Agents SDK for velocity first builds.
1Custom stacks when a framework adds unnecessary complexity. The audit stage produces a recommendation with a clear rationale before implementation starts."},{question:"How long does it take to build an AI agent?",answer:"Single agent workflows: two to four weeks from audit to production. Multi agent systems with complex integrations: four to eight weeks. The workflow audit produces a delivery estimate based on actual scope, not a rough range adjusted upward mid project."},{question:"What does Van Data Team charge?",answer:"Engagements are scoped after the workflow audit, because pricing reflects the actual complexity of the build. Strategy Sprints are fixed price. Production builds are priced per project based on scope, framework complexity, and integration requirements. Book a free 30 minute consultation for a realistic estimate."},{question:"What happens if something breaks after launch?",answer:"Every production build includes a 30 day hardening window after launch as part of the delivery. Issues that surface under real load during this period are addressed as part of the engagement, not billed separately. Ongoing embedded partner support is available after the 30 day window."},{question:"Can Van Data Team integrate the agent with our existing systems?",answer:"Yes. Most builds involve integration with CRMs, databases, data warehouses, internal APIs, and communication platforms. The workflow audit maps your existing stack and specifies integration architecture before implementation starts."},{question:"Is it worth hiring an AI agent development company instead of building in house?",answer:"It depends on whether agent infrastru
1cture is your core product. If it is not, a specialized partner is usually faster and cheaper: the recurring failure points of in house builds, such as state management, guardrails, observability, and cost control, are solved patterns for a team that ships agents continuously. Van Data Team delivers production agents in two to four weeks with a fixed scope, which is typically shorter than the hiring cycle for one ML engineer."},{question:"What is LangGraph used for in AI agent development?",answer:"LangGraph is a framework for building stateful, graph based AI agent workflows. It models each agent step as a node with explicit transitions, which makes branching logic deterministic, auditable, and easy to checkpoint. We use LangGraph when a workflow needs reliable routing, human in the loop pauses, or full execution traces, and CrewAI when role based task delegation fits the problem better."}],"aiAgentPillars",0,[{number:"01",title:"What Makes an AI Agent Production Ready?",tagline:"Production readiness is an architecture decision, not a prompt upgrade.",icon:"Bot",image:"/images/ai-agent/why-us-3-production-grade.webp",body:["A production ready AI agent requires persistent state management, graph based routing, and enforced failure boundaries, not just a better prompt. Demo agents collapse under real conditions because state fails to persist and tool calls cascade without retry limits.","When you hire a LangGraph AI agent developer, architecture must come first. VanDataTeam defines state schemas as explicit TypedDicts and enforces timeout thresholds at the framework level. We stress test against adversarial inputs so your system handles real business conditions on day one without rework after launch."],keyTakeaway:"Production readiness is an architecture decision. State persistence and failure boundaries must be designed before implementation begins.",highlights:["Explicit state schemas","Graph based routing","Framework level failure boundaries"]},{number:"02",title:"How Does Multi Agent System Development Prevent Failures?",tagline:"Connecting agents is not the same as coordinating them.",icon:"Workflow",image:"/images/ai-agent/pillar-1-multi-agent.webp",body:["Connecting agents is not the same as coordinating them. As the AI Agents market races toward $52.62B by 2030, multi agent orchestration becomes a business critical design decision. Shared state breakdowns and missed handoff signals are the leading causes of failure in complex workflows.","VanDataTeam selects frameworks based on the workflow requirements in front of us. We use LangGraph for deterministic, auditable branching workflows and CrewAI for role based task sequences. Handoff protocols and shared state schemas are validated before deployment, eliminating coordination failures by design."],keyTakeaway:"Explicit handoff protocols must be validated during architecture, not discovered after deployment.",source:{label:"MarketsandMarkets, AI Agents Market Report (2025)",href:"https://www.marketsandmarkets.com/Market-Reports/ai-agents-market-15761548.html"},highlights:["LangGraph","CrewAI","Handoff protocols"]},{number:"03",title:"Why Is LLM Observability a Core Deliverable?",tagline:"An agent without observability is a system you cannot debug.",icon:"ShieldCheck",image:"/images/ai-agent/pillar-2-observability.webp",body:["In LangChain's State of Agent Engineering survey (2025, 1,340 respondents), only 62% of teams running AI agents have detailed per step execution tracing, which means roughly 4 in 10 operate agents they cannot fully inspect. An AI agent without observability simply cannot be debugged or improved. Through our LLM integration services, VanDataTeam ships three instrumentation layers from day one:","Execution tracing: node level logging of every tool invoked and every state transition.","Cost instrumentation: real time token budget tracking enforced at the framework level.","Guardrail logging: captures every rule trigger and resolution path for ongoing refinement."],keyTakeaway:"Operating without execution tracing and cost instrumentation is a business liability. Observability ships on day one.",source:{label:"LangChain, State of Agent Engineering (2025)",href:"https://www.langchain.com/state-of-agent-engineering"},highlights:["Execution tracing","Cost instrumentation","Guardrail logging"]},{number:"04",title:"Where Does Human in the Loop Fit in Agentic AI Development?",tagline:"The automation boundary is a product decision, not a default.",icon:"Users",image:"/images/ai-agent/pillar-3-human-in-loop.webp",body:["Trust remains the main bottleneck in enterprise AI adoption. The automation boundary is a product decision mapped during the workflow audit, not a fix bolted on after launch. VanDataTeam implements three gate types:","Approval gates: pause workflows before consequential actions via Slack or a custom UI.","Escalation routing: sends out of scope inputs to human queues with full reasoning context.","Exception surfacing: presents the execution context to resolve retry exhaustion without silent failures."],keyTakeaway:"Human judgment must be available at precise decision points without slowing down volume automation.",highlights:["Approval gates","Escalation routing","Exception surfacing"]},{number:"05",title:"How Do You Control AI Workflow Automation Costs?",tagline:"Uncapped retry loops are architecture failures, not billing surprises.",icon:"Gauge",image:"/images/ai-agent/pillar-4-cost-control.webp",body:["Uncapped retry loops are architecture failures that exhaust token budgets in minutes. VanDataTeam defines four controls during the architecture stage:","Hard capped token budgets: force the best possible output within the remaining allocation.","Exponential backoff policies: route exhaustion straight to the human in the loop queue.","Per node latency alerts: identify bottlenecks long before they compound.","Real time cost tracking: flags anomalous spend before the billing cycle ever ends."],keyTakeaway:"Token budgets and latency targets must be enforced at the framework level, not monitored after a billing surprise.",highlights:["Hard capped token budgets","Exponential backoff","Per node latency alerts"]},{number:"06",title:"How Long Does Custom AI Agent Development Take?",tagline:"Front loading critical decisions is how a 2 to 4 week delivery stays realistic.",icon:"Timer",image:"/images/ai-agent/pillar-5-timeline.webp",body:["McKinsey and Oxford research across 5,400 large IT projects found they run 45% over budget and deliver 56% less value than predicted, largely because key decisions are deferred. VanDataTeam eliminates timeline drift by front loading architecture, integration requirements, and testing scenarios before a single line of code is written. The result is a reliable two to four week deployment window from audit to stable production."],keyTakeaway:"Front loading critical decisions guarantees a two to four week timeline and prevents mid implementation scope expansion.",source:{label:"McKinsey & Oxford, Delivering Large-Scale IT Projects on Time, on Budget, and on Value (2012)",href:"https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/delivering-large-scale-it-projects-on-time-on-budget-and-on-value"},highlights:["Written scope before implementation","Architecture locked before coding","Testing runs continuously, not at the end"]}],"aiAgentSeo",0,{slug:"ai-agent-development",path:"/services/ai-agent-development",title:"AI Agent Development Services - Production Ready",description:"Van Data Team builds production ready AI agents with LangGraph, CrewAI, and Python, from workflow audit to deployment. Book a free 30 minute consultation.",keywords:["AI agent development services","production ready AI agents","LangGraph development","CrewAI development","multi agent orchestration","AI agent consulting","autonomous AI systems"],lastModified:"2026-07-02",heroEyebrow:"AI Agent Development",heroTitle:"AI Agent Development Services & Multi Agent Systems",heroLead:"AI agent development services involve designing and deploying autonomous systems that execute complex workflows across tools and APIs using LLM orchestration. A custom AI agent is not a chatbot. Built with Python, LangGraph, or LangChain, it reasons across steps, uses tool calling, and coordinates multi agent systems to deliver outcomes autonomously.",heroDetails:["Evaluating an AI agent developer quickly reveals whether they build for production or for presentations. Most agentic AI projects fail under real conditions because they lack proper RAG pipelines, guardrails, and explicit cost controls.","Van Data Team delivers custom AI agent development through scoped, founder led engagements. Every project covers a full workflow audit, architecture design, and a 30 day support window. Backed by documented Upwork reviews, we build multi agent orchestration that genuinely works in production."],heroBullets:["Production grade agentic AI on day one","Synchronized multi agent orchestration","Built in LLM observability and safety guardrails","Strategic human in the loop decision checkpoints","Strict token budgets and latency targets from launch","Two to four weeks from audit to production deployment"],heroTrustStrip:["Seamless Ecosystem & Tool Integration","Production Ready Standards","Transparent ROI Tracking"]},"aiAgentStackTable",0,[{layer:"Agent Orchestration",tools:["LangGraph","CrewAI","OpenAI Agents SDK"]},{layer:"Model Layer",tools:["Claude (Anthropic)","OpenAI GPT-4o"]},{layer:"Memory and State",tools:["PostgreSQL","BigQuery","Redis","MemorySaver"]},{layer:"Vector Retrieval",tools:["pgvector","ChromaDB","Pinecone"]},{layer:"Integration Layer",tools:["FastAPI","REST APIs","Webhooks","Kafka","Airflow"]}
1,{layer:"Data Infrastructure",tools:["BigQuery","dbt","Airflow"]},{layer:"Deployment",tools:["AWS","GCP","Docker","Cloud Run"]},{layer:"Observability",tools:["LangSmith","Structured Logging","Cost Dashboards"]},{layer:"Scraping & Automation",tools:["Playwright","Selenium","Scrapy"]}],"aiAgentStats",0,[{value:"150+",label:"Projects",detail:"Global AI Implementations"},{value:"5+",label:"Years",detail:"Development Experience"},{value:"5.0/5.0",label:"Rating",detail:"Star Rating"},{value:"80%+",label:"Operational Cost Savings",detail:""}],"aiAgentWarningSigns",0,["Your AI agent prototype works in demo, yet simply can't scale to production","Your website never appears in AI Overviews or ChatGPT answers","Data pipelines keep breaking or delivering stale, unreliable data","You keep spending on freelancers, yet the deliverables always miss the mark"]],41237),n.s(["agenticBiCaseStudies",0,[{title:"Credit Club",years:"2025",category:"Fintech / Sales BI",bannerTitle:"Credit Club",bannerSubtitle:"Credit Club - Papur",description:"Credit Club is a high-performance UK sales organization where team leads were chasing daily KPI numbers across spreadsheets. Van Data Team built a Slack-driven KPI tracking platform: Claude 3.5 Haiku extracts structured KPIs from unstructured Slack messages, Pydantic v2 validates every record, BigQuery stores partitioned data, and a multi-tab Plotly Dash dashboard with role-based access replaces the spreadsheet workflow.",metrics:[{label:"LLM cost saved",value:"92%",detail:"",tone:"blue"},{label:"Operating cost",value:"~$20",detail:"/year",tone:"red"}],theme:"emerald",pattern:"bars",logoSrc:"/images/agentic-bi/logos/credit-club.png",logoAlt:"Credit Club logo"},{title:"Stars Analytics API",years:"2024 - 2025",category:"Healthcare",bannerTitle:"Pareto",bannerSubtitle:"Intelligence",description:"Pareto Intelligence helps healthcare organizations forecast Stars rating outcomes for Medicare Advantage contracts. Van Data Team built an enterprise SaaS platform with scenario planning over JSONB-backed baselines, a parameterized query-template system with role-based access, multi-DB connectors for Postgres, SQL Server, Redshift and Pinot, alerting with cooldowns, and PDF, Excel and PowerPoint exports. Deployed to AWS ECS Fargate via Terraform with Okta SSO.",metrics:[{label:"Database connectors",value:"4",detail:"",tone:"blue"},{label:"Unit tests",value:"255+",detail:"",tone:"red"}],theme:"teal",pattern:"grid",logoSrc:"/images/agentic-bi/logos/pareto-intelligence.webp",logoAlt:"Pareto Intelligence logo"},{title:"Access KPI Analytics Warehouse",years:"2024 - 2025",category:"Retail / Loyalty",bannerTitle:"LR",bannerSubtitle:"Luxury Loyalty KPI",description:"A high-end retail destination with a tiered Insider, Prestige and Elite loyalty program needed end-to-end reporting on member engagement and purchases. Van Data Team built an SFTP to Cloud Storage to BigQuery ETL pipeline ingesting four loyalty domains, plus an MTD, YTD and YoY KPI engine with leap-year-aware date math, delivered through Excel reports, Google Sheets publishing and an interactive Streamlit dashboard on Cloud Run.",metrics:[{label:"Reporting sections",value:"4",detail:"",tone:"blue"},{label:"Time comparisons",value:"5",detail:"dimensions",tone:"red"}],theme:"copper",pattern:"grid",initials:"LR"},{title:"Real-Time Dispatch Pipeline",years:"2024",category:"Energy / Markets",bannerTitle:"EM",bannerSubtitle:"NEMWEB Dispatch",description:"An energy market analytics team needed near real-time ingestion of Australian electricity dispatch reports from NEMWeb. Van Data Team built an AWS Lambda scheduled job scraping the latest dispatch zip every five minutes, dual-storage in S3 raw plus DynamoDB structured records with composite IDs, and an interactive Plotly Dash app for analysts to compare 19 dispatch metrics across NSW, QLD, SA, TAS and VIC.",metrics:[{label:"Ingestion cadence",value:"Every 5",detail:"min",tone:"blue"},{label:"Market coverage",value:"5 regions",detail:"/ 19 metrics",tone:"red"}],theme:"gold",pattern:"peaks",logoSrc:"/images/agentic-bi/logos/namweb-dispat
1ch.png",logoAlt:"NEMWeb Dispatch logo"},{title:"What Women Want Dashboard",years:"2023 - 2024",category:"NGO / Health Advocacy",bannerTitle:"White Ribbon",bannerSubtitle:"Alliance",description:"White Ribbon Alliance collects millions of survey responses globally via WhatsApp and SMS bots on RapidPro and TextIt. Van Data Team delivered a nightly Python ETL syncing into BigQuery with schema evolution, a GDPR-compliant contact removal workflow, and a public-facing multi-campaign Plotly Dash app deployed via App Engine subdomain routing for whatwomenwant.whiteribbonalliance.org and midwivesvoices.whiteribbonalliance.org with pre-cached translations and word clouds.",metrics:[{label:"Public dashboards",value:"Multi-campaign",detail:"",tone:"blue"},{label:"Localization",value:"Multi-language",detail:"",tone:"red"}],theme:"rose",pattern:"logoPlate",logoSrc:"/images/agentic-bi/logos/white-ribbon-alliance.png",logoAlt:"White Ribbon Alliance logo"},{title:"Marketo + JIRA Health Analyzer",years:"2024",category:"Marketing Ops",bannerTitle:"envoy",bannerSubtitle:"Envoy",description:"Envoy needed consolidated lead intelligence from Marketo paired with team execution metrics from Atlassian JIRA. Van Data Team built a two-component Python toolkit: a Marketo extractor with OAuth 2.0 refresh and 18 custom field mappings, plus a parallel JIRA analyzer using ThreadPoolExecutor with thread-local sessions, an ADF parser, smart missing-info detection and five mutually exclusive ticket categories. Output sized for downstream Claude API consumption around 49K tokens.",metrics:[{label:"Tickets processed",value:"90+",detail:"in ~9s",tone:"blue"},{label:"False positives",value:"100%",detail:"to ~20%",tone:"red"}],theme:"magenta",pattern:"logoPlate",logoSrc:"/images/agentic-bi/logos/envoy-logo.png",logoAlt:"Envoy logo",logoFit:"cover"},{title:"Indian Equities Analytics",years:"2024",category:"Fintech / Markets",bannerTitle:"Stage 2 Stocks",bannerSubtitle:"Stage 2 Stocks",description:"Stage2Stocks powers a retail investor app surfacing stocks transitioning into Stage 2 uptrends. Van Data Team built a partitioned PostgreSQL data model, integrated investpy for OHLCV plus market cap, P/E and beta, implemented the Weinstein stage classifier using SMA-200 slope, computed market-cap-weighted industry indices, and shipped a five-minute BSE corporate-announcements scraper with Telegram bot pushes. Heroku-deployed updater syncs to Supabase.",metrics:[{label:"NSE tickers tracked",value:"100+",detail:"",tone:"blue"},{label:"BSE scrape cadence",value:"Every 5",detail:"min",tone:"red"}],theme:"indigo",pattern:"logoPlate",initials:"S2"},{title:"Polygon.io Data Lake & TA Dashboard",years:"2024",category:"Fintech / Quant",bannerTitle:"Polygon",bannerSubtitle:"Polygon.io data lake",description:"A quantitative analytics client wanted an institutional-grade market data lake on Polygon.io instead of relying on third-party dashboards. Van Data Team delivered Hive-partitioned S3 ingestion for quotes, news, dividends and financials, a dbt-Athena project, a pure-pandas indicator engine for MACD, Bollinger, RSI, stochastic, MFI and OBV with full pytest coverage, and an interactive Plotly Dash dashboard with on-chart pattern annotations.",metrics:[{label:"API endpoints ingested",value:"15+",detail:"",tone:"blue"},{label:"Indicators + patterns",value:"13+",detail:"/ 25+",tone:"red"}],theme:"navy",pattern:"wave",logoSrc:"/images/agentic-bi/logos/polygon-io.png",logoAlt:"Polygon.io logo"},{title:"AI-Driven BI Migration Tool",years:"2024",category:"BI Migration",bannerTitle:"T>P",bannerSubtitle:"Tableau to Power BI",description:"A client needed to migrate an existing Tableau reporting environment to Microsoft Power BI without manually recreating dashboards. Van Data Team delivered a Python utility that authenticates via PAT, downloads workbooks via REST API, unzips TWBX packages, reads Hyper extracts via tableauhyperapi, and uses OpenAI to convert dashboard and datasource XML into Power BI-compatible JSON with strict schema validation and proper data type mapping.",metrics:[{label:"Translation engine",value:"OpenAI",detail
1:"XML to JSON",tone:"blue"},{label:"Output validation",value:"JSON",detail:"Schema",tone:"red"}],theme:"blue",pattern:"migration",initials:"T>P"},{title:"Multi-Platform Marketing ETL",years:"2023 - 2024",category:"Marketing Analytics",bannerTitle:"Snowflake",bannerSubtitle:"Marketing ETL",description:"A retail commerce analytics team needed scheduled, reliable ingestion of ad-platform data into Snowflake to power cross-channel KPI dashboards. Van Data Team stood up a dockerized Airflow 2.3.1 platform with dedicated DAGs for Google Ads, Twitter Ads, Snapchat Ads, TikTok Ads and Salesforce, plus a separate Azure-hosted Criteo Retail Media extractor populating MS SQL Server. Every source uses staging-table plus MERGE for exactly-once semantics.",metrics:[{label:"Ad platforms integrated",value:"5+",detail:"sources",tone:"blue"},{label:"Load pattern",value:"Idempotent",detail:"MERGE",tone:"red"}],theme:"sky",pattern:"arrows",logoSrc:"/images/agentic-bi/logos/snowflake.png",logoAlt:"Snowflake logo"},{title:"Reputation Sentiment Dashboard",years:"2024",category:"PR / Brand",bannerTitle:"BR",bannerSubtitle:"Brand sentiment",description:"A digital PR and marketing team needed an online reputation tool to triage URLs by brand sentiment without burning tokens on irrelevant pages. Van Data Team built a Streamlit dashboard that ingests multi-sheet Excel workbooks of URLs, scrapes pages concurrently via ThreadPoolExecutor with 10 workers and single-session reuse, filters for brand keywords, then sends only matching URLs to GPT-4o for Positive, Neutral or Negative classification. Output is a two-sheet Excel ranked from most negative to most positive.",metrics:[{label:"Cost optimization",value:"Keyword",detail:"pre-filter",tone:"blue"},{label:"Concurrency design",value:"10",detail:"+ 5 workers",tone:"red"}],theme:"rose",pattern:"chats",initials:"BR"}],"agenticBiDeliverables",0,[{title:"Semantic layer audit and extension",description:"Semantic layer audit and extension on dbt metrics, MetricFlow, Cube, or LookML, with a complete metric inventory and a gap report against your top 25 recurring questions."},{title:"Multi agent runtime with LangGraph",description:"A multi agent runtime (planner, SQL generator, validator, executor, visualizer, narrator) wired through LangGraph with persistent state and human in the loop interrupts wherever finance risk is highest."},{title:"MCP integration with your warehouse",description:"MCP integration with your warehouse (BigQuery, Snowflake, or Postgres) so the agent never holds raw credentials and every tool call is fully auditable."},{title:"Eval suite with target accuracy thresholds",description:'An eval suite of 80 to 150 baseline questions with a target accuracy threshold. This is the artifact that lets you tell your CFO "this system passes a real test."'},{title:"Delivery surfaces where decisions happen",description:"Delivery surfaces wherever decisions actually happen: a Slack bot, a web chat, an embedded panel in your product, or a scheduled exec briefing."},{title:"Observability",description:"Action logs, latency telemetry, cost telemetry per query, and a drift dashboard for accuracy regression."},{title:"Handoff package",description:"Runbooks, prompt versioning, a semantic layer change process, and a 30 day optimization window after launch."}],"agenticBiEngagementSteps",0,[{step:"1",title:"Free 30 Minute Consultation",description:"A 30 minute working call with the founder, not a sales pitch. We review your current reporting workflow, your warehouse and semantic layer setup, the top recurring questions your analysts get swamped with, and what good looks like for your team.",bullets:["You leave the call with a clear go or no go signal: whether agentic BI is right for you, whether Snowflake Cortex or Power BI Copilot fits better, or whether you simply do not need any of this yet.","If the fit is strong, the next step is a paid Strategy Sprint where we deliver the full architectural assessment, semantic layer audit, and a phase by phase budget.","If it isn't, we tell you honestly and point you to the right alternative."]},{step:"2",title:"Production Build, from $25K",description:"The full multi agent system: discovery, architecture, agent development, MCP integration, eval suite, deployment, and a 30 day optimization window after launch. Weekly delivery reporting. Most builds ship in 8 to 14 weeks.",bullets:["A paid architectural assessment plus a semantic layer audit, scoped after the consultation. Fixed scope, fixed price (typically $3K to $6K depending on data stack complexity).","You walk away with a metric inventory, a gap report against your top 25 recurring questions, a target multi agent topology, and a phase by phase budget.","Credited 100% toward Phase 1 if you proceed to a Production Build."]},{step:"3",title:"Embedded Partner, $50/hour, ongoing",description:"A retainer after launch for eval expansion, prompt tuning, semantic layer growth, and incident response. This is what keeps the system above 90% accuracy six months in. Teams that skip this typically see drift below 80% within four months.",bullets:["The same senior owner runs all three phases. No handoff drift, no junior bench, no account managers between you and the engineer who writes the code."]}],"agenticBiFailureModes",0,[{title:"The bad chart problem",problem:"Single shot LLMs choose visualizations like an undergrad with five minutes: time series in pie charts, categorical comparisons in scatter plots, and unreadable labels everywhere.",solution:"A dedicated visualization agent receives the typed result schema and selects from a constrained palette using deterministic heuristics plus an LLM tiebreaker."},{title:"Semantic drift",problem:"Raw text to SQL agents guess the table, the date column, gross versus net, and refund logic. Two anal
1ysts can ask the same question and receive two different plausible numbers.",solution:"A governed semantic layer where the agent selects metrics, not raw columns. The semantic contract becomes the single source of truth."},{title:"Silently wrong SQL",problem:"The dangerous failure is SQL that runs and returns rows while still being wrong: a bad join multiplies revenue, or a missing WHERE excludes an entire region.",solution:"A validation agent runs schema checks, EXPLAIN based join cardinality estimation, metric definition matching, and small sample dry runs before execution."}],"agenticBiFaqs",0,[{question:"What's the typical cost to build a custom AI reporting agent?",answer:"A 4 to 6 agent build for a mid market team typically costs $25K to $80K with Van Data Team, or $150K to $400K with a US enterprise consultancy. Ongoing LLM, cloud, and maintenance run $2K to $8K per month. The largest cost lever is scope: one warehouse and one delivery surface lands at the low end; multi warehouse with HIPAA or SOC2 lands at the high end."},{question:"How long does it take to deploy an agentic BI system from scratch?",answer:"8 to 14 weeks from discovery to production for a 4 to 6 agent system, plus a 4 to 6 week stabilization period. Fast PoCs are realistic in three weeks. A CFO grade production cutover is not."},{question:"Can agentic BI agents work with my existing Tableau, Power BI, or Looker setup?",answer:"Yes. Our agentic BI Reporting services sit next to your existing BI tools, not on top of them. We wire the agent into Slack, a web chat, or your product UI and use the existing semantic layer as the metric source of truth. We recommend wrapping Tableau before replacing it."},{question:"How do you prevent AI hallucinations in financial reporting?",answer:"Three architectural controls work together: a governed semantic layer so the agent selects metrics, a dedicated validation agent that runs schema checks and EXPLAIN based join cardinality estimation before SQL executes, and human in the loop interrupts for regulated metrics."},{question:"What's the difference between Snowflake Cortex and a custom LangGraph agent?",answer:"Snowflake Cortex Analyst is a managed text to SQL service that lives inside Snowflake and works well when your data is fully in Snowflake, the logic is straightforward, and users live in Snowsight. A custom LangGraph BI agent spans multiple warehouses, integrates a custom semantic layer, supports any LLM, and gives full control over validators, audit trails, and UX."},{question:"Is offshore agentic BI development secure for regulated industries?",answer:"Yes, when the engagement is structured properly. The controls that matter are least privilege access, OAuth and warehouse RLS, no PII leaving your cloud, full audit logs of every tool call, and appropriate DPAs or BAAs. HIPAA covered PHI may require a US based co vendor for BAA chain reasons."},{question:"What's the maintenance burden after deployment?",answer:"Plan for $2K to $6K per month on a Van Data Team retainer, or $8K to $25K per month with a US agency. The work covers eval suite expansion, prompt tuning, semantic layer additions, observability upkeep, and incident response."},{question:"Can you integrate with our existing dbt, Airflow, or Fivetran stack?",answer:"Yes. dbt metrics or MetricFlow become the agent's semantic layer directly. Airflow continues to own ingestion. Fivetran continues to own source loading. Our work adds an MCP server, the LangGraph runtime, and the eval suite."},{question:"What's the difference between hiring a freelancer and a specialized BI agent consultancy?",answer:"A freelancer can ship a PoC in two weeks. A specialized agentic BI Reporting services firm ships a system that survives the audit: a governed semantic layer, validation agent, eval suite, observability, a retainer for drift, and a partner reachable the moment the answer is wrong before a board meeting."}],"agenticBiFinalCta",0,{title:"Book 30 Minute Discovery Call",description:"Most agentic BI pilots stall at 60% accuracy and never reach production. Van Data Team ships governed multi agent systems with eval suites and validation gates in 8 to 14 weeks, led by one founder from workflow audit to stable production.",trustSignals:["Free 30 minute founder call","Strategy Sprint before a full build","30 day optimization window after launch"]},"agenticBiSeo",0,{slug:"agentic-bi-reporting",path:"/services/agentic-bi-reporting",title:"Agentic BI Reporting Services: Cost & Hiring Guide",description:"Van Data Team builds governed agentic BI reporting systems with LangGraph, MCP, semantic layers, validation agents, eval suites, and native Slack delivery.",keywords:["agentic BI reporting services","AI reporting agent","custom LangGraph BI agent","MCP warehouse integration","semantic layer AI analytics","Snowflake Cortex alternative","Power BI Copilot alternative"],lastModified:"2026-07-08",heroTitle:"Agentic BI Reporting Services: What to Expect, What It Costs, and How to Hire (2026)",heroLead:"Van Data Team is a Vietnam based, founder led engineering practice that builds agentic BI reporting systems for $25K to $80K, roughly 70 to 80% less than US firm pricing for equivalent scope. We ship multi agent LangGraph workflows on top of your existing warehouse, with a governed semantic layer, validation gates, and a full eval suite.",heroDetails:["Not a generalist consultancy reselling Snowflake Cortex, not an AI first agency shipping demos, not a freelancer wiring a single text to SQL chain.","Everything below is what we would say on a 30 minute discovery call, including when we would tell you not to hire us."],heroBullets:["Fixed price 2 week architectural assessment before a full build","$25K to $80K production builds for a 4 to 6 agent system","Six agent LangGraph runtime: planner, SQL generator, validator, executor, visualizer, narrator","BigQuery, Snowflake, or Postgres through MCP with full audit trails","8 to 14 weeks from kickoff to production for CFO grade reporting","Clear disqualifier: simple Snowflake only teams should usually use Cortex Analyst"],heroTrustStrip:["Founder led from Ho Chi Minh City","Governed semantic layer","Validation before execution"]},"agenticBiStackTable",0,[{layer:"Agent orchestration",tools:["LangGraph","Planner","SQL generator","Validator","Executor","Visualizer","Narrator"]},{layer:"Warehouse and semantic layer",tools:["BigQuery","Snowflake","Postgres","dbt Metrics","MetricFlow","LookML","Cube"]},{layer:"Integration layer",tools:["MCP","FastAPI","Slack","Web chat","Embedded panels","Scheduled briefs"]},{layer:"Reliability",tools:["Pydantic","EXPLAIN checks","Eval harness","OpenTelemetry","Drift dashboard"]},{layer:"Deployment",tools:["AWS ECS Fargate","Cloud Run","Docker","Terraform","CI/CD"]}],"agenticBiVendorGuidance",0,["Big 4 wins when the buyer is an F
1500 with hard procurement, multi country compliance, and a mandate that the vendor be on the approved list. Usually a poor fit for a 200 person SaaS team that needs a working agent in 10 weeks.","US specialized boutiques win when onshore presence is a real constraint (some federal, some healthcare). Their engineering is often as good as ours; their rate card simply reflects their cost base.","Van Data Team wins in the messy middle. $5M to $200M revenue companies that need senior engineering, narrow specialization, production rigor, and a cost to seniority ratio that funds more than one project. We are GMT+7, we run a US overlap window of 8 to 11pm Hanoi / 9am to noon EST, and the founder stays in every engagement. To hire an AI agent developer for BI class problems specifically, the boutique offshore model fits more buyers than the rate card alone suggests.","Freelancers win for a 2 week PoC, a one off prompt tuning gig, or a side project. They lose the moment the system needs eval suites, observability, or someone to fix it at midnight before a board meeting.","We say no to roughly 30% of inbound. Usually because the buyer is better served by Cortex out of the box, by a Big 4 because of compliance, or because the scope is small enough that a freelancer fits. That is the comparison working as it should."],"agenticBiVendorRows",0,[{factor:"Hourly rate",big4:"$250â$500",boutique:"$180â$300",vdt:"$30â$60",freelancer:"$40â$120"},{factor:"Specialization",big4:"Generalist; AI practice on top of reporting",boutique:"Narrow (AI and data)",vdt:"Narrow (LangGraph + MCP + cloud data)",freelancer:"Varies wildly"},{factor:"Project ownership",big4:"Partner sells, juniors deliver",boutique:"Senior throughout",vdt:"Founder + 2 to 4 senior engineers",freelancer:"One person"},{factor:"Communication overhead",big4:"High; multiple PMs",boutique:"Medium",vdt:"Low; direct to engineers",freelancer:"Lowest, but no redundancy"},{factor:"Time zone overlap with US",big4:"Full",boutique:"Full",vdt:"4 to 6 hours overlap, strong async",freelancer:"Varies"},{factor:"IP & security",big4:"Mature, audited",boutique:"Mature",vdt:"NDA, SOC2 aligned, no third party staffing",freelancer:"Inconsistent"},{factor:"Production AI chops",big4:"Compliance strong, weaker on modern AI",boutique:"Strong",vdt:"Strong on production AI specifically",freelancer:"PoC grade"},{factor:"Retainer after launch",big4:"Expensive",boutique:"Available",vdt:"$2K to $6K per month",freelancer:"Inconsistent"},{factor:"Best for",big4:"F500 with hard procurement",boutique:"Onshore required regulated work",vdt:"$5M to $200M revenue, mid market",freelancer:"2 week PoCs"}]],42881)},17703,n=>{"use strict";n.s(["cloudCostBreakthroughCaseStudies",0,[{caseNumber:"01",title:"Credit Club / Papur",platform:"GCP",category:"UK SALES BI · SLACK-DRIVEN KPI PIPELINE",challenge:"A high-performance UK sales team needed daily KPI capture with a serious LLM cost cap - single-digit dollars per month was the budget.",solution:"Swapped Claude Sonnet for Claude 3.5 Haiku for unstructured Slack-message extraction. Deployed the pipeline to Cloud Run Jobs on an hourly Cloud Scheduler trigger, with BigQuery as the sink - daily-partitioned by kpi_date and clustered on team_member.",results:["~92% LLM cost reduction by selecting Haiku over Sonnet without sacrificing extraction quality","~$20/year operating cost on Cloud Run Jobs + Scheduler at production reliability","BigQuery partitioning + clustering for efficient queries across daily KPI history","Idempotent re-runs via slack_message_ts deduplication"],technologies:["Cloud Run Jobs","Cloud Scheduler","BigQuery","Claude Haiku"]},{caseNumber:"02",title:"Multi-Tenant Shopify Pipeline",platform:"GCP",category:"E-COMMERCE ANALYTICS SAAS",challenge:"Legacy sync took ~10 days to backfill 5 years of history for a single client - unusable at scale, and every retry was another day of compute burn.",solution:"Re-architected into four single-responsibility Cloud Run services (API listener, webhook listener, storageâBigQuery loader, scheduler) with per-tenant parallel extraction. Firestore as a tenant registry lets one service handle all merchants. Webhook-driven incremental sync replaces full re-pulls.",results:["5-year backfill: ~10 days â hours via per-tenant parallel extraction","One Cloud Run service handles all merchants via Firestore tenant registry","Webhook-driven incremental sync eliminates daily full-extract cost","Error-routing to a secondary handler isolates failed tenants from the batch"],technologies:["Cloud Run","BigQuery","Firestore","Pub/Sub"]},{caseNumber:"03",title:"Zeno (TikTok Fitness Platform)",platform:"MULTI-CLOUD",category:"FITNESS · MULTI-AI PROVIDER",challenge:"Multi-AI integration across AWS Bedrock, Vertex AI Gemini, and OpenAI - without spend discipline, the cheapest model gets ignored and the most expensive one runs everything.",solution:"Built a centralized AI module with cost-conscious design: token usage and USD cost tracked per call, Haiku used where possible, larger models reserved for genuinely complex reasoning. Provider fallback prevents stuck workloads from re-billing.",results:["Per-call USD telemetry on every AI invocation in production","Haiku-first model selection with explicit upgrade path for c
1omplex prompts","Three-provider fallback (Bedrock · Vertex · OpenAI) with cost tracking","Native video understanding via Gemini eliminates a separate transcription bill"],technologies:["NestJS","AWS Bedrock","Vertex AI","SQS"]},{caseNumber:"04",title:"Multi-Source GCP Data Hub",platform:"GCP",category:"MARKETING & OPERATIONS ANALYTICS",challenge:"A multi-tenant analytics agency needed to aggregate data from dozens of SaaS sources - and the solution had to be cheap to operate, with adding a new source costing close to nothing.",solution:"Delivered 30+ independent Google Cloud Function connectors - one folder per source, deployable on its own. Pay-per-invocation billing means an unused source costs zero. Newline-JSON output makes BigQuery external tables trivially cheap.",results:["30+ source connectors on pay-per-invocation - idle sources cost nothing","One folder = one connector pattern; new sources slot in without infra changes","Incremental extract modes (e.g., 30-min sliding windows) cap data volume per run","Newline-JSON output ready for BigQuery external tables (no load cost)"],technologies:["Cloud Functions","GCS","BigQuery","Selenium"]},{caseNumber:"05",title:"EC2 â Lambda Scraper Migration",platform:"AWS",category:"WEB SCRAPING INFRASTRUCTURE",challenge:"Selenium-Wire scraping running on always-on EC2 instances was eating compute cost and uptime management. Standard Lambda doesn't ship with a browser.",solution:"Built a containerized Lambda handler with headless Chromium baked in, packaged via Docker and pushed to ECR. The Chrome runtime is tuned for Lambda constraints (`--single-process`, `--no-sandbox`, `--headless=new`). One build.sh handles the full image â ECR â Lambda loop.",results:["Eliminated EC2 uptime cost - scraper now scales to zero between invocations","Reproducible build pipeline via Dockerfile + ECR push script","Lambda-optimized Chromium with manylinux2014-compatible Python deps","Selenium-Wire request interception preserved end-to-end"],technologies:["AWS Lambda","ECR","Docker","Headless Chromium"]},{caseNumber:"06",title:"Workday Recruiting AI Suite",platform:"GCP",category:"RECRUITING INTELLIGENCE",challenge:"DeepSeek-powered AI categorization across thousands of jobs daily - LLM bills can blow up fast if every batch runs at peak rates and inference stays server-side.",solution:"Implemented DeepSeek discount-hour detection (UTC 16:30â00:30) so batch categorization runs during the off-peak pricing window. Then went further: built a Chrome extension running Mistral-7B locally via WebGPU + WebLLM - pushing inference cost entirely to the user's device.",results:["Off-peak LLM batch processing via DeepSeek discount-hour detection",'"No-backend AI" Chrome extension - Mistral-7B inference runs in-browser via WebGPU',"BigQuery window-function deduplication avoids redundant downstream LLM calls","Same engagement chose the right deployment topology per use case"],technologies:["Cloud Run","DeepSeek v3/R1","WebLLM","BigQuery"]},{caseNumber:"07",title:"Conversion Finder Lead-Gen",platform:"GCP",category:"AFFILIATE / LEAD GENERATION OPS",challenge:"Five separate revenue-reporting campaigns each wanted their own scheduled service - meaning five separate always-on deployments and five separate maintenance footprints.",solution:"Built a single Cloud Run service with a multi-pipeline dispatcher that fans out to all five campaigns via a single POST endpoint. Cloud Scheduler triggers the dispatcher with a pipeline_name parameter; per-campaign handler modules sit behind a consistent interface.",results:["One Cloud Run service serves five campaigns - collapsed the deployment footprint","Cloud Scheduler-triggered POSTs run the right pipeline on the right cadence","Historical CSV backup to GCS before any transform - no expensive re-extracts","Phone-number deduplication across reports prevents duplicate-driven cost"],technologies:["Cloud Run","Cloud Scheduler","GCS","BigQuery"]},{caseNumber:"08",title:"Common Crawl PySpark Pipeline",platform:"AWS",category:"BIG DATA · DOMAIN-FILTERED EXTRACTION",challenge:"Petabyte-scale web extraction would mean massive egress + crawl infrastru
1cture cost, plus the ethical and reliability cost of running yet another crawler.",solution:"Skipped direct crawling entirely - pointed PySpark on EMR at Common Crawl's public S3 WARC archives. A bootstrap script handles cluster setup; a streaming WARC parser handles multi-GB gzipped files in memory-safe chunks. Results land in S3 partitioned by integer batch folders, fully resumable.",results:["Common Crawl WARC archives replaced direct crawling - faster, cheaper, more ethical","Memory-safe streaming WARC parser handles multi-GB gzipped files cleanly","Resumable batch processing via configurable start-index - no wasted reprocessing","Domain allow-list filtering trims output cost at the source"],technologies:["AWS EMR","PySpark","S3","Common Crawl"]},{caseNumber:"09",title:"AWS Lambda Integration Suite",platform:"AWS",category:"BUSINESS OPERATIONS PLATFORM",challenge:"Four distinct SaaS integrations (DISC reports, Outlook/Gmail sync, audit webhooks, marketing-automation webhook) all running on always-on servers, all consolidating into one MySQL backbone.",solution:"Refactored every integration into an independent stateless AWS Lambda function. Each handler is a self-contained deployment package with its own config module, sharing only the RDS MySQL backbone. SNS-backed failure alerts catch any silent failure with full stack traces.",results:["Eliminated always-on servers for all four SaaS integrations","Stateless, horizontally scalable Lambda fleet","Fernet-encrypted credential storage with automatic legacy plaintext re-encryption","SNS error topics page on-call without paying for monitoring agents"],technologies:["AWS Lambda","RDS MySQL","S3","SNS"]},{caseNumber:"10",title:"Stars Analytics Healthcare",platform:"AWS",category:"HEALTHCARE SCENARIO PLANNING",challenge:"Production healthcare analytics platform with multiple database backends (Postgres · SQL Server · Redshift · Apache Pinot) and strict credential-handling requirements - manual deploys would mean manual cost surprises.",solution:"Locked the entire infrastructure into Terraform IaC: AWS ECS Fargate, security groups, CloudWatch logs, and Secrets Manager for credential injection. Multi-stage Dockerfile (Python 3.13 + ODBC drivers) keeps the runtime lean. GitHub Actions deploys the same image to dev and prod.",results:["Terraform-managed Fargate deployment - every change is versioned and reviewed","Secrets Manager credential injection eliminates hardcoded creds and key sprawl","Multi-DB connector layer with parameterized queries and complexity limits","255+ unit tests catch regressions before they hit production billing"],technologies:["ECS Fargate","Terraform","Secrets Manager","CloudWatch"]},{caseNumber:"11",title:"Athena Healthcare Pipeline",platform:"AWS",category:"HEALTHCARE ETL · MULTI-FORMAT",challenge:"Multi-format healthcare data (CSV · TSV · fixed-width · Excel) needed a serverless, cost-conscious landing path with Athena-queryable output. Over-provisioned Glue jobs would burn DPU-hours.",solution:"Built an Airflow + AWS Glue 4.0 pipeline with a get_glue_capacity() formula that auto-scales DPUs with source count, bounded by min/max. Output lands as columnar Parquet on S3 - Athena queries the compressed columnar data, not raw rows. MinIO replaces S3 in local dev, so iteration costs nothing.",results:["Auto-scaling Glue DPU capacity bounded by min/max - no over-provisioning","Parquet output drives down per-query Athena scan cost","MinIO for local dev means iteration costs zero cloud spend","YAML-driven config lets non-engineers add new sources without re-deploying"],technologies:["Apache Airflow","AWS Glue 4.0","Athena","S3 Parquet"]}],"cloudCostCaseStudies",0,[{engagement:"AWS data stack reduction",cloud:"AWS",outcome:"60% bill reduction without slowing delivery"},{engagement:"Multi-region Airflow modernization",engagementHref:"https://vandatateam.com/portfolio/multi-region-airflow-modernization-program",cloud:"GCP / GKE",outcome:"38% infrastructure reduction with improved failover"},{engagement:"Fortune 500 BigQuery warehouse",engagementHref:"https://vandatateam.com/portfolio/enterprise-data-warehouse-analytics-platform",cloud:"GCP / BigQuery",outcome:"95% reporting time reduction, 30+ KPIs automated"},{engagement:"dbt finance reporting acceleration",engagementHref:"https://vandatateam.com/portfolio/dbt-finance-reporting-acceleration-stack",cloud:"BigQuery",outcome:"65% faster month-end close"}],"cloudCostDeliverables",0,["A workflow mapped spend audit that groups every cloud dollar by ingestion, storage, transformation, analytics delivery, and experimentation, instead of by AWS service.","A right sizing implementation for EC2, GKE, Cloud Run, Lambda, and autoscaling, with a reliability review attached to every single change.","Lifecycle and retention policies for S3, GCS, Blob storage, and warehouse datasets, with archive tiers for data still worth keeping.","Query and partition optimization for BigQuery, Snowflake, or Redshift, slot versus on demand decisions, partition rebuilds, dashboard query audits, and dead query cleanup.","Workload tagged billing so spend maps to owners and workflows, not anonymous service lines.","Cloud cost guardrails: per workflow budget alerts, lifecycle automation, query cost telemetry, and drift detection.","Reserved Instance, Savings Plan, or Committed Use Discount strategy matched to actual baseline usage, never to optimistic forecasts.","A handoff package with runbooks for c
1ommon cost incidents, a 30 minute monthly review template, and a 30 day optimization window after launch."],"cloudCostDeliveryStages",0,[{step:"Week 1",title:"Billing export pull, workflow tagging, top 10 waste list",description:"Founder plus your platform lead."},{step:"Week 2",title:'Architecture proposal, scope signoff, "what we won\'t cut" list',description:"Founder plus your team's ICs."},{step:"Weeks 3â4",title:"Lifecycle policies, dashboard cleanup, safe right sizing",description:"Typical 10 to 20% cost reduction by the end of week 4."},{step:"Weeks 5â8",title:"Query optimization, partition rebuilds, RI, Savings Plan, or CUD purchases",description:"Reliability review on every single batch."},{step:"Weeks 9â10",title:"Guardrails: billing tagged by workload, alerts per workflow, query telemetry, monthly review template",description:""},{step:"Week 11+",title:"Handoff and optional retainer",description:"New workloads onboard against the guardrails."}],"cloudCostFaqs",0,[{question:"How much do cloud cost optimization services cost?",answer:"Pricing is fixed bid and custom scoped on the Discovery Call. Narrow audits start around $500; full Production Builds scale up based on platform footprint, cloud mix, and compliance scope. Most engagements land 80 to 95% below comparable US partner pricing (CloudReach, Rackspace, Duckbill, and ProsperOps run substantially higher both one time and on retainer). Cost tooling SaaS like Vantage or CloudHealth covers visibility only, not implementation. We won't quote a number without seeing your cloud profile."},{question:"How quickly will we see savings?",answer:"First wave savings appear in 2 to 4 weeks through lifecycle policies, right sizing, and dashboard cleanup. Architectural savings of 20 to 60% land in 8 to 14 weeks through query optimization, RI and Savings Plan purchases, and re architecture. Most engagements pay back within the first quarter after launch."},{question:"Can you reduce our AWS bill without slowing delivery?",answer:"Yes, when cost review pairs with architecture review. We name what we won't cut on every engagement: always on capacity that absorbs traffic spikes, compute that underpins customer facing latency, storage with active query pressure. The 60% reduction in our most cited AWS case study shipped without a single SLA regression."},{question:"Do you work with AWS, GCP, and Azure?",answer:"All three. AWS strongest, GCP strong, Azure capable. The framework is identical across clouds (workflow mapped audit, right sizing with reliability review, lifecycle policies, guardrails). The pricing primitives differ: AWS Reserved Instances and Savings Plans, GCP Sustained and Committed Use Discounts plus BigQuery slot reservations, Azure Reservations and Savings Plans. We disclose depth honestly on the discovery call."},{question:"Is offshore cloud cost optimization safe for regulated industries?",answer:"Yes, when structured properly. We work read access only, no production data leaves your cloud, full audit logs of every action, signed BAA or DPA where applicable, and right to audit clauses. We have shipped under SOC2 and GDPR aligned controls with EU and US healthcare adjacent clients. HIPAA covered PHI typically requires a US based co vendor for BAA chain reasons; we partner accordingly."},{question:"What's your contract structure?",answer:"Production Build is fixed bid, scoped before signing on the discovery call. Embedded Partner is fixed monthly scope with no hourly billing. Most clients sign through Upwork (verified reviews, contract setup, payment protection) or direct contracts. We can sign MSA or SOW for procurement led engagements. We don't do percent of savings billing because it creates an incentive to over cut."},{question:"How do you stop savings from drifting back?",answer:"Three guardrails ship as part of every Production Build: workload tagged billing so every dollar has an owner, budget alerts per workflow routed to the team that can act, and a recurring 30 minute monthly review. Without these, 40 to 60% of cost cutting savings drift back inside a year across the industry. With them, savings stay durable. The Embedded Partner retainer keeps the program running well past month six."},{question:"Can we keep using Vantage or CloudHealth alongside your engagement?",answer:"Yes. We are tool agnostic. About 30% of our buyers run a cost tooling SaaS for visibility while we ship the architecture work. The two pair well: the dashboard surfaces drift, we close it. We don't recommend tooling you don't need; we'll recommend free tier alternatives (AWS Cost Explorer, GCP Cost Management) when they are sufficient."}],"cloudCostIndustries",0,[{title:"B2B SaaS and product companies",description:"EC2, GKE, and Cloud Run right sizing, RDS and Postgres tuning, S3 lifecycle, Athena query patterns, and dashboard cleanup.",buyer:"CTO, head of platform, or head of data at growing tech companies."},{title:"Data and analytics teams",description:"BigQuery slot versus on demand strategy, partition rebuilds, dbt model layering for cost, dashboard query audit, and Snowflake credit optimization.",buyer:"Head of data with a warehouse line item that grew 40%+ in a single year."},{title:"FinTech and regulated workloads",description:"SOC2 and GDPR aligned controls, BAA where applicable, read access only auditing, and no production data leaving the customer cloud. We co vendor with US based partners for HIPAA covered PHI when BAA chain matters.",buyer:"Compliance conscious finance and fintech teams."},{title:"FinOps led organizations adopting it for the first time",description:"First FinOps audit, tagging strategy from scratch, baseline establishment, and a recurring review cadence. We hand the program off to an internal owner if you have one, or stay on retainer if you don't.",buyer:"Teams building their first cost discipline program."},{title:"Ecommerce and high traffic platforms",description:"Always on capacity sizing, CDN and egress cost mapping, Black Friday and peak hour reliability paired with cost discipline. We name what we won't cut so peak hours never break.",buyer:"Platforms where peak traffic defines the reliability constraint."}],"cloudCostPackages",0,[{name:"Discovery Call",price:"Free, 30 minutes",description:"A direct read on your platform and spend. No pitch, no slides, no intake form.",bestFor:"Anyone evaluating cloud cost work who wants a senior second opinion before spending budget.",features:["Honest fit assessment of your current cloud cost problem","Rough savings estimate based on what you share","Recommendation on which engagement makes sense",'"Talk to someone else" when that is the right answer']},{name:"Production Build",price:"Fixed bid, custom scoped, from $500",description:"The full cloud cost optimization engagement. Pricing and timeline are agreed on the discovery call, scaled to platform size, cloud mix, and compliance scope. Most engagements run 2 to 14 weeks from end to end.",bestFor:"Teams with a cloud bill that grew faster than the platform and need durable savings, not just a dashboard."},{name:"Embedded Partner",price:"Ongoing retainer, fixed monthly scope",description:"Keeps savings durable well past month six. Monthly scope is custom quoted based on platform size and review cadence, typically a fraction of US boutique retainer pricing.",bestFor:"Teams without an in house FinOps lead who need senior cost discipline as a recurring program.",features:["Guardrail review for every brand new workload","Reserved Instance, Savings Plan, or CUD refresh on schedule","Query cost telemetry monitoring","Drift detection","Monthly cost review","Incident response"]}],"cloudCostPillars",0,[{number:"01",title:"Why service grouped cost reports stall optimization",body:["Standard reports tell you S3 is expensive. They don't tell you which workflow generated the storage, which team owns it, or whether the query pattern justifies the bill. Engineering doesn't know
1what to cut, finance can't tell waste from load, and the conversation loops back to \"we'll look into it next quarter.\""],image:"/images/cc-service-grouped-reports.webp"},{number:"02",title:"Mapping spend to five workflows, not services",body:["We tag every dollar to one of five workflows: ingestion, storage, transformation, analytics delivery, and experimentation.",'That single reframing surfaces 30 to 50% of the waste before we change a single line of infrastructure. The question shifts from "why is S3 expensive?" to "which workflow is generating this bill, and who owns it?" and once ownership is clear, decisions finally get made and hold.'],image:"/images/cc-workflow-mapped-spend.webp"},{number:"03",title:"What we won't cut: the reliability guardrails",body:["Every cost change pairs with a reliability review. Before we touch anything, we name what is off limits:","Always on capacity that absorbs traffic spikes","Compute that underpins customer facing latency","Storage with active query pressure","Disaster recovery and multi region failover capacity","Anything where savings would force the team to tiptoe around the platform later","Savings come from genuine waste: orphaned dev environments, over provisioned staging, dead pipelines, dusty S3 prefixes. Not from where the business deliberately absorbed risk to keep the platform reliable. That discipline is the difference between a sprint that drifts back within a quarter and a program that holds for years."],image:"/images/cc-reliability-guardrails.webp"}],"cloudCostStackTable",0,[{layer:"Cloud Platforms",tools:["AWS","Google Cloud","Azure"]},{layer:"Compute Optimization",tools:["EC2","GKE","Cloud Run","Lambda","Autoscaling"]},{layer:"Storage Lifecycle",tools:["S3","GCS","Blob Storage","Archive Tiers"]},{layer:"Data Warehouse",tools:["BigQuery","Snowflake","Redshift"]},{layer:"Data Transformation",tools:["dbt","Airflow","Spark"]},{layer:"Infrastructure as Code",tools:["Terraform","Docker"]}
1,{layer:"Cost Tooling",tools:["AWS Cost Explorer","GCP Cost Management","Vantage","CloudHealth"]},{layer:"Commitment Discounts",tools:["Reserved Instances","Savings Plans","Committed Use Discounts"]},{layer:"Observability",tools:["Grafana","Billing Dashboards","Query Telemetry"]}],"cloudCostTimelineShift",0,[{scope:"Single cloud, single warehouse",timeline:"Often finishes by week 8."},{scope:"Mid market, single cloud",timeline:"About 10 weeks."},{scope:"Multi cloud",timeline:"13 to 15 weeks."},{scope:"HIPAA, SOC2, or regulated data",timeline:"13 to 15 weeks with extra documentation and access control work."}]])},2179,n=>{"use strict";n.s(["dpmBreakthroughCaseStudies",0,[{caseNumber:"01",title:"Multi-Channel Ad ETL Platform on Airflow",platform:"AIRFLOW_SNOWFLAKE",category:"MARKETING ANALYTICS · MULTI-CHANNEL ETL · SNOWFLAKE + AZURE SQL",challenge:"A marketing analytics team needed scheduled, reliable ingestion of ad-platform data from Google Ads, Twitter, Snap, TikTok, and Criteo Retail Media - each with its own API quirks, auth flow, and rate-limit behavior - landing into both Snowflake and MS SQL Server.",solution:"Stood up a Dockerised Airflow 2.3 stack (Postgres metastore, CeleryExecutor, PG Admin). Each channel ships its own DAG following a consistent extract â stage â MERGE pattern via write_pandas into Snowflake. A parallel Azure-hosted Criteo extractor authenticates via client-credentials OAuth and MERGEs campaign rows into MS SQL Server using parameterised pyodbc queries.",results:["5 ad platforms unified inside a single Airflow stack","7+ scheduled DAGs running consistent extract â stage â merge logic","Snowflake MERGE upserts guaranteeing zero duplicate rows on retry","OAuth 2.0 handled across Twitter, Google, Snap, TikTok, and Criteo","S3 staging variants shipped for the high-volume channels"],technologies:["Airflow 2.3","Snowflake","Azure SQL","Docker"]},{caseNumber:"02",title:"CRM + Ad Network Snowflake Pipeline",platform:"AIRFLOW_SNOWFLAKE",category:"B2B MARKETING ANALYTICS · DELTA LOAD ETL · DEVOPS KPIS",challenge:"A B2B SaaS marketing-ops team needed a production-grade data platform pulling daily marketing performance from TikTok, Twitter, Snapchat, and Salesforce opportunities into Snowflake - plus an internal DevOps pipeline tracking build artifacts across JFrog Artifactory.",solution:"Multi-DAG Airflow project containerised with Webserver + Scheduler + Celery + Redis + Postgres + pgAdmin. Salesforce DAG uses delta LastModifiedDate filters; ad DAGs use a staging-insert / staging-update MERGE pattern keyed on CampaignID + AdvertiserID + StatTimeDay for exactly-once semantics. A separate etl-artifact-kpis DAG tracks JFrog metrics via dohq-artifactory.",results:["Idempotent MERGE prevents duplicates on every retry","Historical backfill auto-skips already-processed windows","5 source systems on a single daily incremental refresh","JFrog KPI DAG adds DevOps observability alongside marketing data","Configurable via Airflow Variables + JSON config files"],technologies:["Airflow","Snowflake","Salesforce API","Redis"]},{caseNumber:"03",title:"Healthcare Data Consolidation Lake",platform:"AWS",category:"HEALTHCARE · MEDALLION LAKE · HIPAA-GRADE AUDIT",challenge:"Consolidate heterogeneous healthcare member demographics, insurance claims, and provider directories - arriving as CSV, TSV, fixed-width text, and Excel from many source systems - into a single Athena-queryable warehouse with full lineage auditability.",solution:"Airflow 2.7 + AWS Glue 4.0 (PySpark 3.4.1) production pipeline. A 5-task DAG runs detect_new_files â parse_yaml_config â trigger_glue_job â generate_stats â log. YAML configs let non-engineers add sources by dropping a file into S3; the Glue job's get_glue_capacity() formula auto-scales DPUs with source count. Every run lands per-column stats into a PostgreSQL iceberg_ingestion_audit_log for HIPAA-style traceability.",results:["4 file formats unified into a single Parquet/Athena warehouse","HIPAA-grade lineage with column-level null %, distinct, min/max","Concurrency-aware retry on ConcurrentRunsExceededException","6 date-format parser variants (ISO, US, EU)","MinIO + Docker Compose for full cloud + local parity"],technologies:["AWS Glue 4.0","Athena","Airflow 2.7","PySpark"]},{caseNumber:"04",title:"US Equities Market Data Lake on Polygon.io",platform:"AWS",category:"FINTECH · CAPITAL MARKETS · LAKEHOUSE + ANALYTICS",challenge:"A fintech client wanted an institutional-grade US equities market data lake covering trades, quotes, news, dividends, splits, financials, and reference data - built on top of Polygon.io rather than relying on third-party dashboards. The platform had to be production-ready: tested, paginated, idempotent.",solution:"One Python module per Polygon endpoint, paginating via next_url at 50,000-row pages and writing Hive-partitioned JSON/CSV to S3. A dbt-Athena project models OHLCV plus seven indicator families. A pure-pandas calculation engine implements MACD, Bollinger, RSI, stochastic, MFI, OBV, and Aroon - every indicator backed by a dedicated pytest suite.",results:["15+ Polygon endpoints ingested with idempotent S3 writes","13+ technical indicators + 25+ TA-Lib patterns on the dashboard","Hive-style partitioning driving Athena partition pruning","Full pytest coverage per indicator family incl. Golden Cross variants","AWS Glue-compatible parameterisation for scheduled runs"],technologies:["S3","dbt-Athena","Polygon.io","Secrets Manager"]},{caseNumber:"05",title:"Tiered Loyalty KPI Warehouse on BigQuery",platform:"GCP",category:"LUXURY RETAIL · LOYALTY · PERIOD-OVER-PERIOD KPI ENGINE",challenge:"A high-end retail destination running a tiered loyalty program (Insider / Prestige / Elite) needed weekly executive KPI reports with MTD / YTD / Last-Year comparisons across registrations, purchases, profile completion, and marketing - replacing manual SFTP-to-spreadsheet wrangling from their loyalty platform.",solution:"SFTP â GCS â BigQuery ETL ingesting 4 loyalty domains. A dynamic SQL builder discovers distinct LOCATION_NAME + LOCATION_CATEGORY values and pivots them into per-store columns. The KPI engine computes all metrics across 5 time dimensions with leap-year and variable-month math, then publishes to Excel (with conditional formatting), Google Sheets, and a Streamlit dashboard. Docker Compose with nginx SSL reverse proxy ready for Cloud Run.",results:["5 time periods compared per metric (MTD, Prev MTD, MTD LY, YTD, YTD LY)","Dynamic per-store pivots auto-discovering location values","Excel + Google Sheets + Streamlit triple-output publishing","Daily 9 AM refresh via in-container cron on Cloud Run","Pip-installable access-kpi CLI for ad-hoc reruns"],technologies:["BigQuery","Cloud Run","SFTP","Streamlit"]},{caseNumber:"06",title:"Multi-Tenant Shopify Data Hub at Scale",platform:"GCP",category:"ECOMMERCE SAAS · MULTI-TENANT ETL · BACK
1FILL OPTIMIZATION",challenge:"A multi-tenant Shopify analytics platform's legacy sync job took roughly 10 days to backfill 5 years of history for a single merchant - unusable at scale across dozens of clients. They needed a parallelised, webhook-aware platform that could onboard new merchants quickly and keep tables fresh without re-extracting everything daily.",solution:"Four-service Cloud Run architecture: API listener, webhook listener (Pub/Sub routed), GCS-to-BigQuery loader, and a tenant scheduler. Firestore acts as the tenant registry mapping each customer_id to its shopify_store_url + access token. Per-tenant parallel extraction with rate-limit aware retry. Full deduped loads for slow-changing tables; daily-window rolling loads for high-volume events.",results:["5-year backfill cut from ~10 days down to hours","4 single-responsibility Cloud Run services","Firestore tenant registry - one service serves every merchant","Sentry-monitored error routing to a secondary Cloud Run handler","Pub/Sub webhook triggering for incremental updates without full re-pulls"],technologies:["Cloud Run","BigQuery","Firestore","Pub/Sub"]},{caseNumber:"07",title:"Cross-Platform Marketing Data Hub",platform:"GCP",category:"DIGITAL AGENCY · SAAS AGGREGATION · GCS + BIGQUERY",challenge:"A digital agency needed a unified data warehouse aggregating data from dozens of SaaS tools used by its customers - each with its own API, auth mechanism, and data model - without scaling manual export work. The solution had to be cheap to operate and easy to add new sources to.",solution:"Roughly 30 independent Cloud Function microservices, each living in its own subfolder with a consistent main.py + storage_connector.py pattern. Covered marketing (Facebook Ads, Amazon Ads, GA4, SE Ranking, BrightLocal), CRM (ActiveCampaign, HubSpot, Calendly, Intuit), e-commerce (Shopify, Recharge), and finance (Stripe, QuickBooks, T-Sheets) - plus Selenium fallbacks for UI-only sources with an integrated hCaptcha solver.",results:["30+ independent SaaS connectors shipped to production","Pay-per-invocation Cloud Functions cost model","Selenium-on-GCP variants for non-API sources","GCS folder layout ready for BigQuery external tables","30-minute incremental window slider for delta loads"],technologies:["Cloud Functions","GCS","BigQuery","Selenium"]},{caseNumber:"08",title:"Medicare Stars Scenario Planning Platform",platform:"AWS",category:"HEALTHCARE ANALYTICS · SCENARIO MODELING · ENTERPRISE SAAS",challenge:"Healthcare CFO and operations teams needed to model Medicare Advantage Stars rating outcomes under different baseline assumptions - with reusable query templates, scheduled alerts, downloadable PDF/Excel/PPT exports, and enterprise-grade SSO behind it all.",solution:"Async FastAPI 0.104 service with 8 versioned endpoint files. A multi-database connector factory unifies Postgres, SQL Server, Redshift, and Apache Pinot behind a single execute_query() interface. JSONB-backed scenarios store both baseline and overrides; APScheduler-driven alerting includes cooldowns and per-template frequency caps. Okta JWT SSO, parameterized queries with blacklist patterns, and JWT-auth-aware dependency injection.",results:["4 database engines behind one unified query layer","255+ unit tests (pytest + pytest-asyncio) passing","Okta JWT SSO + SQL-injection blacklist defense","Terraform-managed ECS Fargate with Secrets Manager + OIDC AWS auth","PDF / Excel / PowerPoint exports from scenario results"],technologies:["FastAPI","ECS Fargate","Terraform","Okta SSO"]},{caseNumber:"09",title:"Specialty Commerce Warehouse on BigQuery",platform:"GCP",category:"SPECIALTY RETAIL · METAFIELD ETL · MULTI-PLATFORM",challenge:"A specialty food retailer running on Shopify + Lightspeed POS + Stocky inventory needed unified BigQuery reporting for finance, merchandising, and store-ops - and most critically, all 29 custom Shopify product metafields flattened one-row-per-SKU into BigQuery.",solution:"Three Cloud Run microservices sharing one CloudStorageConnector writing NDJSON to GCS. The Shopify worker queries the GraphQL metafield definitions endpoint at startup, then auto-extracts every defined metafield - no hardcoded field lists. Lightspeed uses OAuth refresh-token rotation persisted to GCS on every run. A single boolean toggles historical-vs-incremental mode.",results:["29 custom metafield definitions auto-discovered via GraphQL","10 populated + 19 ready for future use, zero code changes","3 platforms unified into BigQuery external tables","BigQuery SQL views for stock availability + 30-day per-product sales","OAuth refresh-token rotation persisted to GCS per run"],technologies:["Cloud Run","BigQuery","Shopify GraphQL","GCS"]},{caseNumber:"10",title:"AI-Driven Sales KPI Pipeline on Cloud Run",platform:"GCP",category:"SALES BI · LLM EXTRACTION · COST-OPTIMISED CLOUD",challenge:"A high-performance UK credit-sales team posted daily KPI updates as unstructured Slack messages - team leads were chasing spreadsheets, pasting numbers by hand, and producing no reliable historical record of First-Call Cash, Recovery Cash, Total Cash, or potential revenue.",solution:"Slack ingestion via slack-sdk â Claude 3.5 Haiku for structured extraction â Pydantic v2 validation â BigQuery sink, daily-partitioned by kpi_date and clustered on team_member. Cloud Run Job triggered hourly by Cloud Scheduler. A Plotly Dash dashboard with role-based BasicAuth replaces the spreadsheets entirely.",results:["~$20/year total cloud operating cost in production","92% LLM cost reduction by choosing Haiku over Sonnet","100% Pydantic-validated KPI records - zero malformed rows","Idempotent reruns via slack_message_ts duplicate prevention","£107,600 of monthly revenue tracked end-to-e
1nd in production"],technologies:["Cloud Run Jobs","BigQuery","Claude Haiku","Plotly Dash"]},{caseNumber:"11",title:"Real-Time Electricity Market Pipeline",platform:"AWS",category:"ENERGY MARKETS · NEAR-REALTIME ETL · TIME-SERIES WAREHOUSE",challenge:"AEMO publishes new electricity dispatch reports as zipped CSVs every 5 minutes - Australian energy market analysts needed a near-realtime, queryable warehouse covering all 5 market regions (NSW, QLD, SA, TAS, VIC) with reliable archival of every raw file.",solution:"AWS Lambda triggered every 5 minutes by CloudWatch fetches the latest NEMWeb dispatch zip, unzips to /tmp, filters rows where column 2 equals DREGION, extracts 19 configured fields, archives the structured CSV to S3, and streams each record to DynamoDB with a composite ID derived from SETTLEMENTDATE + REGIONID. A Plotly Dash app exposes multi-region selection, metric picker, file browsing, and CSV export.",results:["5-minute ingestion cadence across 5 Australian market regions","19 dispatch metrics tracked (RRP, TOTALDEMAND, NETINTERCHANGE, etc.)","Composite-ID DynamoDB writes for fast per-region time-series lookups","Idempotent skip-if-exists S3 archive prevents duplicate processing","Dual-storage pattern: raw CSVs in S3 + structured rows in DynamoDB"],technologies:["AWS Lambda","DynamoDB","S3","CloudWatch"]},{caseNumber:"12",title:"Tableau â Power BI Migration Tool",platform:"MULTI-CLOUD",category:"BI RE-PLATFORMING · TWBX PARSING · JSON SCHEMA VALIDATION",challenge:"An enterprise team needed to migrate a sizeable Tableau reporting environment to Microsoft Power BI. Manually recreating every dashboard and datasource was expensive and error-prone, and the workbook XML / Hyper extract formats meant no off-the-shelf converter handled the job cleanly.",solution:"Two-entry-point Python utility. dashboard_parse.py authenticates against Tableau via REST (PAT auth), locates a target workbook by name, and downloads the TWBX. datasource_parse.py unzips the package, parses the embedded .twb XML, reads the .hyper extract via tableauhyperapi, and calls the OpenAI API to convert the dashboard + datasource definitions into Power BI-compatible JSON. Output is validated against a defined Power BI schema with jsonschema before handoff.",results:["TWBX unzip + XML/Hyper extract automation pipeline","JSON schema validation guaranteeing Power BI-compatible output","Tableau-to-Power BI data type mapping across string / int / real / date","Tableau PAT authentication + workbook search-by-name","AI-driven XML-to-JSON translation with schema enforcement"],technologies:["Tableau REST API","OpenAI API","Power BI","jsonschema"]}],"dpmCaseStudies",0,[{engagement:"dbt finance reporting acceleration",engagementHref:"https://vandatateam.com/portfolio/dbt-finance-reporting-acceleration-stack",stack:"BigQuery + dbt",outcome:"65% faster month-end close, 3 days â under 1"},{engagement:"Multi-region Airflow modernization",engagementHref:"https://vandatateam.com/portfolio/multi-region-airflow-modernization-program",stack:"GCP / GKE",outcome:"38% infra cost reduction with improved failover"},{engagement:"Fortune 500 BigQuery warehouse",engagementHref:"https://vandatateam.com/portfolio/enterprise-data-warehouse-analytics-platform",stack:"GCP / BigQuery",outcome:"95% reporting time reduction, 30+ KPIs automated"},{engagement:"AWS data stack modernization",stack:"AWS + dbt",outcome:"60% bill reduction, no SLA regression"}],"dpmDeliverables",0,["A workflow mapped platform audit that groups every pipeline, model, and integration by the business workflow it serves (finance close, product analytics, AI retrieval, ops reporting), instead of by technical layer.",'A staged migration plan with named slices, sequencing rationale, parallel run cutover criteria, and a "what stays on legacy" list, so the program never turns into a rewrite.',"Ingestion modernization for cron jobs, Talend or Informatica, hand rolled Python loaders, and aging Fivetran or Stitch setups, replaced with dlt, Airflow, or Cloud Run patterns that are observable, replayable, and contract bound.","Warehouse modeling in layered dbt structure (source, staging, intermediate, marts) on BigQuery, Snowflake, or Redshift, with tests, freshness checks, and queryable lineage.","Orchestration migration from cron, Jenkins, or Airflow 1.x into Airflow 2.x on GKE, Cloud Composer, or Prefect, with retry policies, backfill plans, and DAG level observability.","Data quality and contracts: dbt tests, schema contracts between producers and consumers, freshness SLAs, and lineage tracking that surfaces breakage long before the CFO does.","Metric layer governance so KPIs are versioned, defined once, and consumed
1identically across Looker Studio, Slack reports, and downstream AI agents.","An AI readiness layer when in scope: retrieval contracts, embedding pipelines, and event schemas that make the warehouse genuinely usable by LangGraph, CrewAI, or Claude tool use agents.","A handoff package with runbooks, lineage graphs, a 30 minute monthly review template, and a 30 day optimization window after launch."],"dpmDeliveryStages",0,[{step:"Week 1â2",title:"Workflow mapped audit, dependency chain, bottleneck identification",description:"Founder plus your platform lead. Maps every pipeline, model, and integration to the business workflow it serves."},{step:"Week 3â4",title:'Staged migration plan, slice sequencing, "what stays on legacy" list',description:"Named slices with parallel run cutover criteria. Scope signoff before implementation begins."},{step:"Weeks 5â8",title:"First slice: ingestion modernization, dbt modeling, orchestration migration",description:"New pipeline runs alongside legacy. Contracts, tests, and lineage ship as part of the build."},{step:"Weeks 9â12",title:"Parallel run verification, reconciliation, cutover of first slice",description:"Numbers match before cutover. Guardrails: freshness SLAs, drift detection, query cost monitoring."},{step:"Weeks 13â16",title:"Handoff: runbooks, lineage graphs, 30 day optimization after launch",description:"Monthly review template. Optional: scoping for the next slice, or an Embedded Partner retainer."}],"dpmFaqs",0,[{question:"How much do data platform modernization services cost?",answer:"Engagements start from $500, with the final fixed bid quote shaped to your platform size and the workflow slice you want to ship first. We agree the full scope and investment on the free discovery call before any work begins, with no time and materials surprises and no hidden charges. Larger multi domain or full warehouse migrations, and Embedded Partner retainers, are scoped during the same conversation. For market context, comparable US partner scope runs $300K to $3M one time and $10K to $40K per month; industry data shows the median data platform migration runs $450K to $2.3M, with single warehouse migrations like Redshift to Snowflake or BigQuery typically $400K to $800K."},{question:"How quickly will we see value?",answer:"The first slice ships in 6 to 10 weeks. The new pipeline runs alongside legacy from week 5 onward, so reconciliation and trust building start before cutover. Full multi domain modernization runs 3 to 9 months, with each slice shipping value independently. Staged delivery means the business sees outcomes at the end of each slice, not at the end of the program."},{question:"Can you modernize without breaking existing reporting?",answer:"Yes, this is the entire point of staged modernization. The legacy pipeline runs in parallel with the new one until reconciliation matches for an agreed window, monitored, and trusted by the team that owns the numbers. Cutover happens only after the numbers match, not on a calendar date."},{question:"What stack does Van Data Team prefer for modernization?",answer:"Default is dbt plus BigQuery plus Airflow on GKE for warehouse and orchestration, with Cloud Run, Lambda, or dlt for lightweight ingestion. Snowflake, PostgreSQL, Redshift, Databricks, and Prefect are all in scope when they fit the workflow. Stack is chosen by workflow pressure, not by allegiance."},{question:'Is "AI ready" a separate engagement?',answer:"Usually not. Clean contracts, lineage, governed metrics, and observable pipelines are what make a platform ready for AI. If the modernization is done well, the AI agent layer becomes a small additional engagement (often hybrid AI plus data scope) rather than a new platform decision."},{question:"Do you work with AWS, GCP, and Azure?",answer:"All three. GCP strongest (BigQuery, GKE, Cloud Run, Cloud Composer), AWS strong (Redshift, EKS, MWAA, Lambda), Azure capable (Synapse, AKS, Databricks). The framework is identical across clouds: workflow mapped audit, staged migration, dbt modeling, parallel run cutover, guardrails. Cloud specific depth is disclosed honestly on the discovery call."},{question:"Is offshore data platform modernization safe for regulated industries?",answer:"Yes, when structured properly. We work read access only on production data where possible, no production data leaves your cloud, full audit logs of every action, signed BAA or DPA where applicable, and right to audit clauses. We have shipped under SOC2 and GDPR aligned controls with EU and US healthcare adjacent clients. HIPAA covered PHI typically requires a US based co vend
1or for BAA chain reasons; we partner accordingly."},{question:"What's your contract structure?",answer:"Production Build is fixed bid, scoped before signing on the discovery call; engagements start from $500, with the final number set transparently before work begins. Embedded Partner is fixed monthly scope with no hourly billing, also agreed during the call. Most clients sign through Upwork (verified reviews, contract setup, payment protection) or direct contracts. We can sign MSA or SOW for procurement led engagements. We do not do percent of savings billing because it creates an incentive to over cut scope."},{question:"How do you stop the modernization from drifting back into legacy patterns?",answer:"Three guardrails ship as part of every Production Build: schema contracts between producers and consumers (so changes are coordinated, not surprises), freshness SLAs with alerting routed to the team that owns the data, and a versioned metric layer so KPI definitions stop drifting. Without these, modernization gains decay within 12 to 18 months. With them, the platform stays maintainable. The Embedded Partner retainer keeps the program running across multiple slices."},{question:"Can we keep using Fivetran, Stitch, or Airbyte alongside your engagement?",answer:"Yes. We are tool agnostic. About 40% of our buyers keep a managed ingestion SaaS for the easy sources while we ship the harder ingestion, modeling, and orchestration work. The two pair well: managed connectors handle the commodity flow, we handle the workflow critical paths. We won't recommend tooling you don't need."}],"dpmIndustries",0,[{title:"B2B SaaS and product companies",description:"Redshift to BigQuery migration, dbt model layering from raw SQL, Airflow on GKE, a metric layer for product analytics, and retrieval contracts ready for AI.",buyer:"CTO, head of platform, or head of data at growing tech companies."},{title:"Finance and FP&A teams",description:"dbt plus BigQuery for finance close, schema contracts between source systems and the warehouse, versioned KPI definitions, and automated month end reporting. Typical outcome: a 3 day close compressed to under one day.",buyer:"Finance and FP&A leads at companies where the month end close runs longer than it should."},{title:"Data and analytics teams modernizing legacy warehouses",description:"On prem Postgres or SQL Server moved to the cloud, raw SQL refactored into dbt, dashboard sprawl consolidated into a governed metric layer, and missing lineage replaced with a queryable lineage graph.",buyer:"Head of data with a warehouse line item that grew 40%+ in a single year."},{title:"Teams preparing for AI workloads",description:"Clean retrieval contracts, embedding pipelines, and event schemas that LangGraph or Claude tool use agents can consume reliably. AI readiness is rarely a separate engagement - it is what you get when the warehouse, contracts, and lineage are done right.",buyer:"CTOs and heads of AI or ML whose AI initiatives are stalled on the data foundation underneath them."},{title:"FinTech and regulated workloads",description:"SOC2 and GDPR aligned controls, BAA where applicable, read access only auditing, no production data leaving the customer cloud. We co vendor with US based partners for HIPAA covered PHI when BAA chain matters.",buyer:"Compliance conscious fintech and regulated industry teams."},{title:"Mid market firms with legacy ETL tooling",description:"Talend, Informatica, SSIS, or hand rolled Python replaced with dlt, Airflow, or Cloud Run patterns, staged so the existing pipelines keep running until the new ones are verified.",buyer:"IT and data leaders at mid market firms whose ETL tooling has become the bottleneck."}],"dpmPackages",0,[{name:"Discovery Call",price:"Free, 30 minutes",description:"A direct read on your current platform and the bottleneck workflow. No pitch, no slides, no intake form.",bestFor:"Anyone evaluating data platform modernization services and wanting a senior second opinion before spending budget.",features:["Honest assessment of whether modernization is actually the right move","Rough estimate of the migration sequence","Recommendation on which engagement makes sense",'"You can do this in house" when that is the right answer','"Talk to a US partner" when that is the better fit']},{name:"Production Build",price:"From $500, shaped on the discovery call",description:"The full data platform modernization engagement for a defined slice. Fixed bid scope, timeline scaled to project size (typically 6 to 16 weeks). Final pricing scoped to your platform on the discovery call. Larger or multi cloud engagements priced separately.",bestFor:"Teams with a legacy data platform blocking delivery, trust, or AI readiness who need a staged modernization that ships value slice by slice."},{name:"Embedded Partner",price:"Ongoing retainer, fixed monthly scope",description:"The retainer that keeps the modernization program running well past the first slice. Fixed monthly scope, scoped per engagement.",bestFor:"Teams without an in house senior data platform lead who need ongoing modernization momentum across multiple slices.",features:["Scoping for the next slice","dbt model review","Contract enforcement","Freshness SLA monitoring","Drift detection on the metric layer","Monthly architecture review","Incident response when a pipeline breaks"]}],"dpmPillars",0,[{number:"01",title:"Why full rewrite modernizations stall",body:["Standard modernization vendors propose a 9 month rebuild: discovery deck in months 1 to 4, architecture in months 4 to 6, implementation in months 6 to 9. By month six, the business has shifted enough that the original spec no longer fits. The legacy stack runs in parallel, costs double, and trust in the program erodes. Industry data backs this: most full data platform migrations cost $300K to $3M and 70 to 80% of legacy IT budget gets consumed by maintenance, and then the rewrite often fails to retire the legacy system anyway."],image:"/images/dpm-why-full-rewrite-modernizations-stall.webp"},{number:"02",title:"Modernizing around the bottleneck workflow",body:["We identify the one workflow already paying the legacy tax - a slow finance close, a stalled AI initiative, an untrustworthy dashboard, a brittle pipeline that breaks every release - and modernize that slice from end to end. Each slice ships with its own contracts, monitoring, and rollback. The legacy stack shrinks one workflow at a time instead of being replaced in a single high risk cutover.","That single reframing surfaces 60 to 80% of the value in the first slice, before we even touch the rest of the platform. Once the first workflow is on the new stack and trusted, the rest of the org starts requesting their workloads onto it, which is exactly the right way for modernization to spread."],image:"/images/dpm-modernizing-around-the-bottleneck-wor
1kflow.webp"},{number:"03",title:"What we won't break: the migration guardrails",body:["Every migration slice pairs with a parallel run verification. Before we cut over anything, we name what stays protected:","Existing reporting that finance, ops, or board reviewers depend on every week","Pipelines that feed customer facing products or external SLAs","Compliance bound data flows (SOC2, GDPR, HIPAA adjacent audit trails)","Anything where a missed cutover would force the team to re explain numbers to executives","Cost ceilings on the new platform - BigQuery slot misuse and Snowflake credits both have failure modes that show up on the bill","The new pipeline runs alongside the legacy job until reconciliation passes for an agreed window. Cutover happens only after the numbers match, not on a calendar date. That discipline is the difference between a modernization that ships in 12 weeks and a rewrite that drifts past 12 months."],image:"/images/dpm-what-we-wont-break-migration-guardrails.webp"}],"dpmTimelineShift",0,[{scope:"Single workflow slice",timeline:"Often finishes by week 8."},{scope:"Mid market, single cloud",timeline:"About 10 to 14 weeks."},{scope:"Multi domain modernization",timeline:"14 to 20 weeks across multiple slices."},{scope:"HIPAA, SOC2, or regulated data",timeline:"14 to 20 weeks with extra documentation and access control work."}],"dpmWhyUs",0,[{number:"01",title:"Founder led delivery",description:"The same senior engineer scopes, audits, models, ships, and hands off. Decisions move at the speed of the person writing the dbt and the Terraform. No junior bench, no account managers between you and the architecture choice, which is exactly where most multi quarter modernizations lose context."},{number:"02",title:"Cost to seniority ratio",description:"Van Data Team operates as a Vietnam based boutique with senior only delivery. Artifacts and rigor match a US shop. The right question is whether you need US based vendor presence for executive comfort, or whether you would rather work directly with the engineer writing the migration. About 70% of our buyers prefer the second answer."},{number:"03",title:"Production discipline by default",description:"Parallel run verification on every cutover. Contracts, dbt tests, and lineage ship as part of the build, not as a follow on engagement. A 30 day optimization window after launch. Runbooks for the failure modes we have actually seen - schema drift, freshness lag, query cost spikes, broken backfills. We have been on call for data platforms before."}]])},39043,21354,n=>{"use strict";var t=n.i(38372),e=n.i(41237),i=n.i(42881),a=n.i(17703);let o={slug:"data-pipeline-development",path:"/services/data-pipeline-development",title:"Data Pipeline Development: ETL & Streaming Services",description:"Van Data Team delivers expert data pipeline development services, engineering scalable, production grade ETL and ELT pipelines with Airflow, dbt, and Kafka. Ship in 2 to 6 weeks with total ownership.",keywords:["data pipeline development services","ETL pipeline development","data engineering services","Airflow pipeline development","dbt data transformation","data pipeline consulting","production data pipelines"],lastModified:"2026-04-29",heroEyebrow:"Data Pipeline Development",heroTitle:"Data Pipeline Development Services: Hire ETL & Streaming Engineers",heroLead:"Van Data Team delivers expert data pipeline development services, engineering scalable, production grade ETL and ELT pipelines with Airflow, dbt, and Kafka. Streamline your data integration and ship in 2 to 6 weeks with total ownership. Trusted by 150+ global brands across 15+ countries.",heroDetails:["With more than 5 years of production data engineering experience and 150+ projects shipped across industries, Van Data Team is a specialist consultancy delivering data pipeline development services that run reliably in production. We apply a proprietary reliability checklist refined across projects in healthcare, fintech, ecommerce, logistics and SaaS.","We serve clients primarily in the US, UK, EU and Australia, with Top Rated Plus status and a 100% Job Success Score on Upwork."],heroBullets:["Production grade pipelines from day one","Proprietary 40 point reliability checklist","Full observability with SLA alerts and automatic retries","You own the GitHub repo and the cloud infrastru
1cture","30 days of free support included after launch","Two to six weeks from discovery to production"],heroTrustStrip:["150+ Projects Delivered","Top Rated Plus on Upwork","100% Job Success Score"]},r=[{title:"Pipelines That Silently Break",description:"Finding out the pipeline failed only when the CEO Slacks you a stale dashboard at 8 AM.",icon:"AlertTriangle"},{title:"Fragile Legacy Scripts",description:"A four year old Python and cron stack nobody on the current team dares to touch.",icon:"FileCode"},{title:"Off the Shelf Templates",description:"A generic data stack that simply doesn't match how your business actually models revenue, users, or events.",icon:"LayoutTemplate"},{title:"Not Production Grade",description:"Pipelines that work fine in staging but miss SLAs, skip retries, and ship with no runbook.",icon:"ShieldAlert"},{title:"Complex to Maintain",description:"Five hundred line SQL scripts, tangled Airflow DAGs, and undocumented transformations. Every change is a gamble.",icon:"Wrench"},{title:"Data Silos Everywhere",description:'Salesforce, Stripe, Mixpanel and NetSuite. Six tools plus six versions of "active customers".',icon:"Database"}],h=[{number:"01",title:"Clean Architecture & DAG Design",description:"Modular Airflow DAGs, sensible task grouping, and deferrable operators where they actually matter. Code a new engineer can read in a single afternoon.",icon:"Blocks"},{number:"02",title:"Industry Specific Modeling",description:"dbt structures tailored to how your business actually thinks about customers, revenue, and events. We ship custom logic instead of generic ecommerce templates.",icon:"BarChart3"},{number:"03",title:"Reliability & Security",description:"Secrets stored in Secret Manager or KMS, least privilege IAM, encryption at rest and in transit. Audit ready from day one.",icon:"ShieldCheck"},{number:"04",title:"Optimized Structure & Technical Setup",description:"The right materialization strategy, plus careful partitioning and clustering. Query performance is tuned long before you see a single dashboard.",icon:"Settings"},{number:"05",title:"CRM, ERP & SaaS Integration",description:"Data ingestion from Salesforce, HubSpot, NetSuite, Stripe, Shopify and Segment. Plus custom connectors for rare APIs.",icon:"Plug"},{number:"06",title:"Data Quality Checks by Default",description:"Great Expectations on ingestion, dbt tests on transformation, schema contract enforcement at source boundaries.",icon:"CheckCircle"}],c=[{criterion:"Starting timeline",vdt:"2â6 weeks",freelancer:"4â12 weeks",agency:"8â16 weeks"},{criterion:"Production reliability checklist",vdt:"Proprietary 40 point",freelancer:"Ad hoc",agency:"Varies"},{criterion:"Idempotent DAG design",vdt:"âï¸",freelancer:"Sometimes",agency:"âï¸"},{criterion:"Schema contract enforcement",vdt:"Great Expectations + dbt",freelancer:"â",agency:"âï¸"},{criterion:"SLA alerts to PagerDuty or Opsgenie",vdt:"âï¸",freelancer:"Rare",agency:"âï¸"},{criterion:"Runbook and recorded handoff",vdt:"âï¸",freelancer:"â",agency:"âï¸"},{criterion:"Direct access to the builders",vdt:"Every meeting",freelancer:"âï¸",agency:"Rare past kickoff"},{criterion:"You own the GitHub repo",vdt:"âï¸",freelancer:"Varies",agency:"âï¸"},{criterion:"Multi source stack experience",vdt:"150+ projects",freelancer:"Varies",agency:"âï¸"},{criterion:"Free 30 days of support after launch",vdt:"âï¸",freelancer:"â",agency:"Varies"},{criterion:"Airflow + dbt + streaming expertise in one team",vdt:"âï¸",freelancer:"Rare",agency:"âï¸ at 3â5x cost"}],s=[{step:"Step 1",title:"Discovery",description:"A 60 minute technical call to map sources, destinations, and SLAs. We profile real data in a dev warehouse for 3 to 5 days, then deliver a written scope document covering inclusions, timeline, and risks.",bullets:["Map source systems, destinations, and data SLAs","Profile real data in a dev warehouse for 3 to 5 days","Deliver written scope document with inclusions, timeline, and risks"]},{step:"Step 2",title:"Architecture Design",description:"A one page architecture diagram plus a decision log explaining every tool choice. Why Apache Airflow over Prefect. Why BigQuery over Snowflake. You sign off before any infrastru
1cture spins up.",bullets:["Architecture diagram with tool decision log","Clear rationale for every technology choice","Client sign off before any infrastructure spins up"]},{step:"Step 3",title:"Prototype and Wireframe",description:"Week one ships a working skeleton. We scaffold DAGs, sample dbt models, and infrastructure as code in a dev environment. By Friday, one pipeline runs end to end, surfacing IAM and networking issues while fixes stay cheap.",bullets:["Scaffold DAGs, sample dbt models, and IaC in dev","One pipeline runs end to end by the end of week one","Surface IAM and networking issues while fixes are still cheap"]},{step:"Step 4",title:"Development",description:"Weekly sprints with Monday demos. All code pushes to a GitHub repository you fully own. Feedback is tracked in Linear or GitHub Issues. No vendor blackouts, no surprise pull requests at final delivery.",bullets:["Weekly sprints with Monday demos","All code in your GitHub repository","Feedback tracked in Linear or GitHub Issues"]},{step:"Step 5",title:"Testing and Validation",description:"A full backfill with row by row reconciliation against the source systems. dbt tests cover nulls, uniqueness, and referential integrity. Great Expectations enforces schema contracts at ingestion. You get a written validation report before launch.",bullets:["Full backfill with row by row reconciliation","dbt tests for nulls, uniqueness, and referential integrity","Great Expectations schema contract enforcement","Written validation report delivered before launch"]},{step:"Step 6",title:"Launch and Handoff",description:"Parallel runs against legacy systems for 5 to 10 business days, then cutover during business hours. Handoff includes a runbook, dbt docs, architecture diagrams, and a 90 minute recorded walkthrough. Plus 30 days of free support after launch.",bullets:["Parallel runs against legacy systems for 5 to 10 business days","Runbook, dbt docs, architecture diagrams, and recorded walkthrough","30 days of free support included after launch"]}],l=[{layer:"Orchestration",tools:["Apache Airflow","Prefect","Dagster"]},{layer:"Transformation",tools:["dbt","SQL","Python","Spark"]},{layer:"Ingestion",tools:["Airbyte","Fivetran","Custom Python"]},{layer:"Warehouse",tools:["BigQuery","Snowflake","Redshift","Databricks"]},{layer:"Streaming",tools:["Apache Kafka","Google Pub/Sub","AWS Kinesis"]},{layer:"Data Quality",tools:["Great Expectations","dbt Tests","Soda"]},{layer:"Monitoring",tools:["Datadog","Grafana","PagerDuty","Opsgenie"]},{layer:"Infrastructure",tools:["Terraform","GCP","AWS","Azure"]},{layer:"CRM & SaaS Connectors",tools:["Salesforce","HubSpot","Stripe","Shopify","Segment"]}],g=[{question:"How much does it cost to build a data pipeline with Van Data Team?",answer:"The average cost for data pipeline development at Van Data Team typically ranges from $500 to $2,000 for standard implementations. For large scale enterprise projects with complex architectures, we offer custom packages starting at $4,000. The final investment varies based on data sources, transformation complexity, and required latency."},{question:"What is a production grade data pipeline?",answer:"A data pipeline is production grade when a new engineer can be paged at 3 AM, open the runbook, and fix the issue without calling the person who originally built it. Concretely, that means idempotent DAG design, schema contract enforcement, SLA alerts, retry policies with exponential backoff, and full lineage documentation."},{question:"How long does it take to build a production data pipeline?",answer:"Most pipelines take 2 to 6 weeks from kickoff to go live. Simple builds on existing infrastructure finish in 2 to 3 weeks. Full multi source pipelines with dbt, Airflow, and monitoring take 4 to 6 weeks. Streaming or multi region deployments typically run 6 to 12 weeks."},{question:"What tools and technologies does Van Data Team use?",answer:"Our default stack: Apache Airflow for orchestration, dbt for SQL transformation, Airbyte for common source ingestion, custom Python for rare APIs, BigQuery or Snowflake as the warehouse, Great Expectations for data quality, and Datadog or Grafana for monitoring. For streaming we use Apache Kafka or Google Pub/Sub. We ship on GCP, AWS, and Azure."}
1,{question:"Do I need existing data infrastructure before working with Van Data Team?",answer:"Nope, roughly 35% of our engagements start from the ground up. Van Data Team manages the full stack setup including cloud configuration, warehouse provisioning and expert tool selection. For established infrastructures we integrate into your environment to optimize and scale your existing data operations."},{question:"Can Van Data Team maintain the pipeline after handoff?",answer:"Yes. That is the goal. Every pipeline ships with a runbook covering common failures, a README per repo, dbt docs published to a URL, an architecture diagram, and a recorded 90 minute handoff session. If your team has basic Python and SQL skills, they can maintain the pipeline independently."},{question:"How fast can Van Data Team start development after we sign?",answer:"Our sales cycle is intentionally short. After an initial 30 minute architecture review, we deliver a written scope and quote within 24 to 48 hours. Once approved, development begins within 3 to 5 business days. Simple pipelines go live in 2 to 3 weeks."},{question:"What happens if the pipeline breaks after launch?",answer:"Every project includes 30 days of free support after launch. After that, you have three options: maintain it in house using the documentation, engage us hourly for one off fixes, or move to a monthly retainer. Most clients handle maintenance in house after the second month."},{question:"Does Van Data Team work with companies outside the US?",answer:"Yes. We serve clients primarily in the US, UK, EU, and Australia, spanning 15+ countries to date. Engagements are fully remote, with time zone overlap handled through async Slack and Linear plus weekly sync calls inside the client's working hours."},{question:"Can Van Data Team integrate with our existing data stack, or do you force a tool change?",answer:"Van Data Team is fully tool agnostic. Whether you run Prefect instead of Airflow or Redshift instead of BigQuery, we build to your specifications. We only recommend tool changes when we can mathematically prove reduced costs or improved reliability in an architecture decision log."}],u={title:"Our Team Is Ready to Help",description:"After you reach out we respond within 24 hours to schedule a scoping call. Bring your current pipeline stack, a list of sources and three problems you want solved. We deliver a written recommendation and rough timeline. No deck and no pressure.",trustSignals:["Free 30 minute strategy call","Written scope within 24 to 48 hours","30 days of free support after launch"]};n.s(["dpComparisonRows",0,c,"dpDeliverables",0,h,"dpFaqs",0,g,"dpFinalCta",0,u,"dpProcessSteps",0,s,"dpSeo",0,o,"dpStackTable",0,l,"dpWarningSigns",0,r],21354);var d=n.i(2179);let p={"ai-agent-development":{faq:[{question:"Nói má»t cách dá»
hiá»u thì tác nhân AI là gì?",answer:"Tác nhân AI là má»t há» thá»ng nháºn mục tiêu, chia thà nh từng bÆ°á»c, gá»i công cụ hoặc API, kiá»m tra kết quả rá»i tiếp tục mà không cần con ngÆ°á»i chá» dẫn từng thao tác. Há» thá»ng có thá» tá»± chạy má»t quy trình qua nhiá»u bÆ°á»c và nhiá»u ná»n tảng. Chatbot trả lá»i má»t tin nhắn; tác nhân AI hoà n thà nh cả quy trình."},{question:"Tác nhân AI khác vá»i chatbot nhÆ° thế nà o?",answer:"Chatbot chủ yếu trả lá»i từng lượt trong má»t cuá»c trò chuyá»n. Tác nhân AI có thá» thá»±c hiá»n quy trình nhiá»u bÆ°á»c trên nhiá»u công cụ và há» thá»ng, nhÆ° truy vấn cÆ¡ sá» dữ liá»u, gá»i API, ghi há» sÆ¡, chá»n hÆ°á»ng xá» lý và thá»±c hiá»n hà nh Äá»ng. Vì váºy phạm vi váºn hà nh của hai loại há» thá»ng khác nhau vá» bản chất."},{question:"Chi phà trung bình của dá»ch vụ phát triá»n AI agent tại Van Data Team là bao nhiêu?",answer:"Dá»± án tại Van Data Team bắt Äầu từ 500 USD cho má»t Sprint xác Äá»nh phạm vi vá»i mức phà cá» Äá»nh; bản dá»±ng production thÆ°á»ng từ khoảng 2.500 USD. Chi phà cuá»i cùng phụ thuá»c và o Äá» phức tạp quy trình, yêu
1cầu tÃch hợp và viá»c cần má»t hay nhiá»u tác nhân phá»i hợp. Sau buá»i Äánh giá quy trình miá»
n phÃ, bạn luôn nháºn Äược báo giá cá» Äá»nh."},{question:"Van Data Team xây dá»±ng các tác nhân AI tùy chá»nh cho những ngà nh nà o?",answer:"Van Data Team phát triá»n tác nhân AI cho thÆ°Æ¡ng mại Äiá»n tá», tà i chÃnh, chÄm sóc sức khá»e, ô tô và nhiá»u lÄ©nh vá»±c khác. Chúng tôi có các case study nhÆ° há» thá»ng RAG cho tà i liá»u ô tô và ÄÆ°á»ng á»ng dữ liá»u cho fintech. Má»i kiến trúc Äược Äiá»u chá»nh theo quy trình, yêu cầu tuân thủ và Äặc thù váºn hà nh của doanh nghiá»p."},{question:'"Sẵn sà ng sản xuất" có ý nghÄ©a gì Äá»i vá»i tác nhân AI?',answer:"Má»t tác nhân production cần quản lý trạng thái, guardrail, khả nÄng quan sát, kiá»m soát chi phÃ, xá» lý retry và timeout, các Äiá»m duyá»t của con ngÆ°á»i và há» thá»ng cảnh báo lá»i trÆ°á»c khi ngÆ°á»i dùng gặp sá»± cá». Bản demo thÆ°á»ng thiếu các lá»p nà y; tác nhân váºn hà nh phải có ngay từ ngà y Äầu."},{question:"Van Data Team sá» dụng framework nà o?",answer:"Chúng tôi chá»n framework theo yêu cầu của quy trình. LangGraph phù hợp vá»i quy trình phân nhánh phức tạp cần quản lý trạng thái và kiá»m tra Äầy Äủ; CrewAI phù hợp vá»i nhiá»u tác nhân có vai trò riêng; OpenAI Agents SDK phù hợp vá»i bản dá»±ng cần tá»c Äá». Khi framework là m tÄng Äá» phức tạp không cần thiết, chúng tôi dùng stack tùy chá»nh. Kết quả Äánh giá luôn kèm lý do rõ rà ng trÆ°á»c khi triá»n khai."},{question:"Mất bao lâu Äá» xây dá»±ng má»t tác nhân AI?",answer:"Quy trình má»t tác nhân thÆ°á»ng mất 2 Äến 4 tuần từ Äánh giá Äến production. Há» thá»ng nhiá»u tác nhân có tÃch hợp phức tạp thÆ°á»ng cần 4 Äến 8 tuần. Buá»i Äánh giá quy trình giúp Æ°á»c tÃnh theo phạm vi thá»±c tế, tránh viá»c tÄng phạm vi giữa dá»± án."},{question:"Van Data Team tÃnh phà bao nhiêu?",answer:"Dá»± án Äược xác Äá»nh phạm vi sau khi Äánh giá quy trình Äá» mức giá phản ánh Äúng Äá» phức tạp. Sprint có mức phà cá» Äá»nh; bản dá»±ng production Äược báo giá theo phạm vi, framework và yêu cầu tÃch hợp. Bạn có thá» Äặt lá»ch tÆ° vấn miá»
n phà 30 phút Äá» nháºn Æ°á»c tÃnh thá»±c tế."},{question:"Äiá»u gì xảy ra nếu có thứ gì Äó bá» há»ng sau khi khá»i Äá»ng?",answer:"Má»i bản dá»±ng production có 30 ngà y á»n Äá»nh sau khi ra mắt trong phạm vi bà n giao. Các vấn Äá» phát sinh dÆ°á»i tải thá»±c tế trong thá»i gian nà y Äược xá» lý trong dá»± án, không tÃnh riêng. Sau 30 ngà y, bạn có thá» tiếp tục dùng gói há» trợ Äá»ng hà nh nếu cần."},{question:"Van Data Team có thá» tÃch hợp agent vá»i các há» thá»ng hiá»n có của chúng tôi không?",answer:"Có. Phần lá»n dá»± án tÃch hợp CRM, cÆ¡ sá» dữ liá»u, kho dữ liá»u, API ná»i bá» và ná»n tảng trao Äá»i thông tin. Buá»i Äánh giá quy trình sẽ rà lại stack hiá»n có và xác Äá»nh kiến trúc tÃch hợp trÆ°á»c khi triá»n khai."},{question:"Có Äáng thuê má»t công ty phát triá»n AI agent thay vì xây dá»±ng ná»i bá» không?",answer:"Äiá»u nà y phụ thuá»c và o viá»c hạ tầng tác nhân có phải là sản phẩm cá»t lõi của bạn hay không. Nếu không, má»t Äá»i tác chuyên môn thÆ°á»ng giúp rút ngắn thá»i gian và chi phÃ. Các rủi ro thÆ°á»ng gặp nhÆ° quản lý trạng thái, guardrail, khả nÄng quan sát và kiá»m soát chi phà Äã là những bà i toán chúng tôi xá» lý thÆ°á»ng xuyên. Van Data Team có thá» ÄÆ°a tác nhân và o production trong 2 Äến 4 tuần vá»i phạm vi rõ rà ng, thÆ°á»ng ngắn hÆ¡n thá»i gian tuyá»n má»t kỹ sÆ° ML."},{question:"LangGraph Äược sá» dụng Äá» phát triá»n tác nhân AI là gì?",answer:"LangGraph là framework Äá» xây dá»±ng quy trình tác nhân có trạng thái và dạng Äá» thá». Má»i bÆ°á»c Äược mô hình hóa thà nh má»t nút vá»i chuyá»n tiếp rõ rà ng, giúp logic phân nhánh dá»
kiá»m tra và dá»
truy vết. Chúng tôi dùng LangGraph khi quy trình cần Äá»nh tuyến tin cáºy, tạm dừng Äá» con ngÆ°á»i duyá»t hoặc ghi lại toà n bá» quá trình chạy; CrewAI phù hợp hÆ¡n khi bà i toán cần giao nhiá»m vụ theo vai trò."}],renderer:{delivery:{stages:[{step:"BÆ°á»c 1",title:"Äánh giá quy trình (NÆ¡i chúng tôi láºp bản Äá» váºn hà nh của bạn)",image:"/images/ai-agent/delivery-stage-1-workflow-audit.webp",description:"Má»i dá»± án phát triá»n tác nhân AI Äá»u bắt Äầu từ Äây. TrÆ°á»c khi chá»n framework hoặc viết mã Python, chúng tôi láºp bản Äá» váºn hà nh hiá»n tại Äá» xác Äá»nh Äúng yêu
1cầu kiến trúc.",bullets:["Láºp bản Äá» quy trình: xác Äá»nh Äiá»m kÃch hoạt, nguá»n dữ liá»u, Äiá»m quyết Äá»nh và Äiá»u kiá»n phân nhánh","Xác Äá»nh Äiá»m cần con ngÆ°á»i duyá»t: tách quyết Äá»nh cần giám sát khá»i phần có thá» tá»± Äá»ng hóa hoà n toà n","Láºp danh mục rà ng buá»c: ghi lại API hiá»n có, yêu cầu tuân thủ, Äá» trá»
kỳ vá»ng và giá»i hạn ngân sách"],notes:["Äầu ra: tà i liá»u phạm vi bằng vÄn bản, nêu rõ khuyến nghá» kiến trúc và chá» sá» thà nh công.","Các yêu cầu quan trá»ng Äược xác Äá»nh trÆ°á»c khi bắt Äầu triá»n khai."]},{step:"BÆ°á»c 2",title:"Chá»n kiến trúc và framework (NÆ¡i chúng tôi thiết kế há» thá»ng)",image:"/images/ai-agent/delivery-stage-2-architecture.webp",description:"Framework Äược chá»n theo quy trình cụ thá» của bạn, không theo công cụ mặc Äá»nh. Vá»i kinh nghiá»m triá»n khai tác nhân AI trên LangGraph, chúng tôi ghép stack vá»i Äá» phức tạp phá»i hợp và yêu cầu thá»i gian lên production của há» thá»ng.",bullets:["LangGraph cho quy trình phân nhánh phức tạp cần Äá»nh tuyến xác Äá»nh và khả nÄng truy vết Äầy Äủ","CrewAI cho nhiá»u tác nhân phá»i hợp theo vai trò, vá»i ngÆ°á»i phụ trách từng nhiá»m vụ rõ rà ng","OpenAI Agents SDK cho bản dá»±ng Æ°u tiên tá»c Äá» khi thá»i gian là rà ng buá»c chÃnh","Claude á» lá»p mô hình cho tác vụ cần suy luáºn chÃnh xác và xá» lý ngữ cảnh dà i"],notes:["Thiết kế bá» nhá», schema công cụ, quy tắc guardrail và kiến trúc tÃch hợp Äược chá»t á» bÆ°á»c nà y. Chá» bắt Äầu triá»n khai sau khi bạn duyá»t thiết kế."]},{step:"BÆ°á»c 3",title:"Xây dá»±ng, kiá»m thá» và tÃch hợp (NÆ¡i chúng tôi viết và xác thá»±c mã)",image:"/images/ai-agent/delivery-stage-3-build-test.webp",description:"Viá»c triá»n khai bám theo kiến trúc Äã chá»t. Kiá»m thá» diá»
n ra liên tục trên các tình huá»ng thá»±c tế, thay vì dá»n và o giai Äoạn cuá»i.",bullets:["Phạm vi kiá»m thá»: bao phủ Äầu và o thông thÆ°á»ng, Äầu và o bất thÆ°á»ng và lá»i Äã biết nhÆ° API timeout","TÃch hợp há» thá»ng: kết ná»i CRM, kho dữ liá»u và công cụ ná»i bá», Äá»ng thá»i kiá»m tra Äầu ra á» từng Äiá»m","Theo dõi chi phÃ: Äo lượng token và Äá» trá»
á» từng bÆ°á»c Äá» tá»i Æ°u dá»ch vụ tÃch hợp LLM trÆ°á»c khi triá»n khai"]},{step:"BÆ°á»c 4",title:"á»n Äá»nh production và há» trợ 30 ngà y (NÆ¡i chúng tôi ÄÆ°a tác nhân và o váºn hà nh)",image:"/images/ai-agent/delivery-stage-4-production-hardening.webp",description:"Bà n giao bao gá»m giám sát, cảnh báo và tà i liá»u Äầy Äủ. 30 ngà y á»n Äá»nh sau khi ra mắt nằm trong phạm vi bà n giao, không phải hợp Äá»ng há» trợ tách riêng.",bullets:["Xá» lý tình huá»ng biên: giải quyết các vấn Äá» xuất hiá»n dÆ°á»i tải thá»±c tế","Cáºp nháºt mô hình: Äánh giá và tÃch hợp thay Äá»i từ OpenAI hoặc Anthropic khi cần","Tá»i Æ°u hiá»u suất: Äiá»u chá»nh theo dữ liá»u sá» dụng thá»±c tế, không theo giả Äá»nh ban Äầu"],notes:["NgÆ°á»i Äánh giá quy trình, thiết kế kiến trúc và viết mã sẽ trá»±c tiếp theo dõi môi trÆ°á»ng production của bạn. Không qua nhiá»u lá»p bà n giao, má»t Äầu má»i xuyên suá»t từ Äầu Äến cuá»i."]}]},pillars:{items:[{number:"01",title:"Äiá»u gì giúp tác nhân AI sẵn sà ng váºn hà nh?",tagline:"Sẵn sà ng váºn hà nh là quyết Äá»nh vá» kiến trúc, không phải viá»c chá»nh lại prompt.",icon:"Bot",image:"/images/ai-agent/why-us-3-production-grade.webp",body:["Má»t tác nhân AI sẵn sà ng váºn hà nh cần quản lý trạng thái bá»n vững, Äá»nh tuyến dạng Äá» thá» và giá»i hạn lá»i Äược thá»±c thi, không chá» má»t prompt tá»t hÆ¡n. Bản demo thÆ°á»ng sụp Äá» khi gặp dữ liá»u tháºt vì trạng thái không Äược lÆ°u và các lá»nh gá»i công cụ ná»i tiếp nhau mà không có giá»i hạn retry.","Khi thuê Äá»i ngÅ© phát triá»n tác nhân AI trên LangGraph, kiến trúc phải Äược Äặt lên trÆ°á»c. Van Data Team Äá»nh nghÄ©a state schema rõ rà ng bằng TypedDict và áp dụng ngưỡng timeout á» cấp framework. Chúng tôi kiá»m thá» vá»i các Äầu và o bất thÆ°á»ng Äá» há» thá»ng xá» lý Äược tình huá»ng kinh doanh thá»±c tế ngay từ ngà y Äầu, không phải là m lại sau khi ra mắt."],keyTakeaway:"Sẵn sà ng váºn hà nh là quyết Äá»nh vá» kiến trúc. CÆ¡ chế lÆ°u trạng thái và giá»i hạn lá»i phải Äược thiết kế trÆ°á»c khi bắt Äầu xây dá»±ng.",highlights:["Lược Äá» trạng thái rõ rà ng","Äá»n
1h tuyến dá»±a trên Äá» thá»","Ranh giá»i lá»i cấp khung"]},{number:"02",title:"Phát triá»n há» thá»ng nhiá»u tác nhân giúp giảm lá»i ra sao?",tagline:"Viá»c kết ná»i các tác nhân không giá»ng nhÆ° viá»c Äiá»u phá»i chúng.",icon:"Workflow",image:"/images/ai-agent/pillar-1-multi-agent.webp",body:["Kết ná»i các tác nhân không Äá»ng nghÄ©a vá»i Äiá»u phá»i chúng. Khi thá» trÆ°á»ng AI agent Äược dá»± báo Äạt 52,62 tá»· USD và o nÄm 2030, viá»c Äiá»u phá»i nhiá»u tác nhân trá» thà nh má»t quyết Äá»nh thiết kế quan trá»ng. Lá»i trạng thái dùng chung và tÃn hiá»u bà n giao bá» bá» sót là nguyên nhân phá» biến trong quy trình phức tạp.","Van Data Team chá»n framework theo yêu cầu thá»±c tế. Chúng tôi dùng LangGraph cho quy trình phân nhánh xác Äá»nh, có thá» kiá»m tra và CrewAI cho chuá»i nhiá»m vụ theo vai trò. Giao thức bà n giao và state schema dùng chung Äược xác thá»±c trÆ°á»c khi triá»n khai, giúp ngÄn lá»i phá»i hợp ngay từ thiết kế."],keyTakeaway:"Giao thức bà n giao rõ rà ng phải Äược xác thá»±c trong giai Äoạn kiến trúc, không chá» Äến sau khi triá»n khai má»i phát hiá»n lá»i.",source:{label:"MarketsandMarkets, Báo cáo thá» trÆ°á»ng AI agent (2025)",href:"https://www.marketsandmarkets.com/Market-Reports/ai-agents-market-15761548.html"},highlights:["LangGraph","CrewAI","Giao thức chuyá»n giao"]},{number:"03",title:"Vì sao khả nÄng quan sát LLM là phần bắt buá»c?",tagline:"Tác nhân không có khả nÄng quan sát là há» thá»ng mà bạn không thá» kiá»m tra và sá»a lá»i.",icon:"ShieldCheck",image:"/images/ai-agent/pillar-2-observability.webp",body:["Theo khảo sát State of Agent Engineering của LangChain (2025, 1.340 ngÆ°á»i trả lá»i), chá» 62% Äá»i ngÅ© váºn hà nh tác nhân AI có theo dõi chi tiết theo từng bÆ°á»c. Äiá»u Äó có nghÄ©a khoảng 4 trên 10 tác nhân Äang chạy mà Äá»i ngÅ© không thá» kiá»m tra Äầy Äủ. Không có khả nÄng quan sát, tác nhân rất khó sá»a lá»i hoặc cải thiá»n. Van Data Team triá»n khai ba lá»p theo dõi ngay từ ngà y Äầu:","Theo dõi thá»±c thi: ghi nháºt ký cấp Äá» nút của má»i công cụ Äược gá»i và má»i chuyá»n Äá»i trạng thái.","Theo dõi chi phÃ: giám sát ngân sách token theo thá»i gian thá»±c á» cấp framework.","Ghi log guardrail: lÆ°u má»i lần kÃch hoạt quy tắc và hÆ°á»ng xá» lý Äá» liên tục cải thiá»n."],keyTakeaway:"Váºn hà nh không có trace và theo dõi chi phà là rủi ro kinh doanh. Khả nÄng quan sát phải có ngay từ ngà y Äầu.",source:{label:"LangChain, Kỹ thuáºt agent hiá»n Äại (2025)",href:"https://www.langchain.com/state-of-agent-engineering"},highlights:["Theo dõi thá»±c thi","Theo dõi chi phÃ","Ghi log guardrail"]},{number:"04",title:"Con ngÆ°á»i tham gia á» Äâu trong quy trình AI agent?",tagline:"Ranh giá»i tá»± Äá»ng hóa là má»t quyết Äá»nh vá» sản phẩm, không phải là má»t mặc Äá»nh.",icon:"Users",image:"/images/ai-agent/pillar-3-human-in-loop.webp",body:["Niá»m tin là má»t trong những rà o cản lá»n của AI trong doanh nghiá»p. Ranh giá»i tá»± Äá»ng hóa Äược xác Äá»nh trong bÆ°á»c Äánh giá quy trình, không phải thêm và o sau khi ra mắt. Van Data Team triá»n khai ba loại Äiá»m kiá»m soát:","Äiá»m duyá»t: tạm dừng trÆ°á»c hà nh Äá»ng quan trá»ng Äá» ngÆ°á»i phụ trách duyá»t trong Slack hoặc giao diá»n riêng.","Äá»nh tuyến chuyá»n cấp: ÄÆ°a dữ liá»u ngoà i phạm vi Äến hà ng Äợi xá» lý của con ngÆ°á»i kèm Äá
1º§y Äủ ngữ cảnh.","Hiá»n thá» ngoại lá»: cung cấp bá»i cảnh chạy Äá» xá» lý retry thất bại mà không che giấu lá»i."],keyTakeaway:"Con ngÆ°á»i cần xuất hiá»n Äúng á» Äiá»m quyết Äá»nh quan trá»ng, nhÆ°ng không là m cháºm luá»ng tá»± Äá»ng hóa.",highlights:["Äiá»m duyá»t","Äá»nh tuyến chuyá»n cấp","Hiá»n thá» ngoại lá»"]},{number:"05",title:"Kiá»m soát chi phà tá»± Äá»ng hóa AI nhÆ° thế nà o?",tagline:"Vòng retry không giá»i hạn là lá»i kiến trúc, không phải má»t khoản phà bất ngá».",icon:"Gauge",image:"/images/ai-agent/pillar-4-cost-control.webp",body:["Vòng retry không giá»i hạn có thá» là m cạn ngân sách token chá» trong và i phút. Van Data Team xác Äá»nh bá»n cÆ¡ chế kiá»m soát ngay từ giai Äoạn kiến trúc:","Ngân sách token có giá»i hạn: buá»c há» thá»ng tạo kết quả tá»t nhất trong phần ngân sách còn lại.","Chá» tÄng dần: chuyá»n thẳng trÆ°á»ng hợp Äã hết ngân sách Äến hà ng Äợi Äá» con ngÆ°á»i xá» lý.","Cảnh báo Äá» trá»
theo nút: nháºn ra Äiá»m nghẽn trÆ°á»c khi chúng lan rá»ng.","Theo dõi chi phà theo thá»i gian thá»±c: cảnh báo chi tiêu bất thÆ°á»ng trÆ°á»c khi hết chu kỳ thanh toán."],keyTakeaway:"Ngân sách token và mục tiêu Äá» trá»
phải Äược thá»±c thi á» cấp framework, không chá» theo dõi sau khi phát sinh hóa ÄÆ¡n bất ngá».",highlights:["Ngân sách token có giá»i hạn","Chá» tÄng dần","Cảnh báo Äá» trá»
trên má»i nút"]},{number:"06",title:"Phát triá»n tác nhân AI tùy chá»nh mất bao lâu?",tagline:"Chá»t các quyết Äá»nh quan trá»ng từ sá»m giúp thá»i gian bà n giao 2 Äến 4 tuần trá» nên thá»±c tế.",icon:"Timer",image:"/images/ai-agent/pillar-5-timeline.webp",body:["Nghiên cứu của McKinsey và Oxford trên 5.400 dá»± án CNTT lá»n cho thấy dá»± án vượt ngân sách trung bình 45% và tạo ra Ãt hÆ¡n 56% giá trá» dá»± kiến, chủ yếu vì các quyết Äá»nh quan trá»ng bá» trì hoãn. Van Data Team chá»t kiến trúc, yêu cầu tÃch hợp và ká»ch bản kiá»m thá» trÆ°á»c khi viết mã, giúp thá»i gian từ Äánh giá Äến production á»n Äá»nh á» mức 2 Äến 4 tuần."],keyTakeaway:"Chá»t các quyết Äá»nh quan trá»ng từ Äầu giúp giữ má»c 2 Äến 4 tuần và tránh má» rá»ng phạm vi giữa chừng.",source:{label:"McKinsey & Oxford, Cung cấp các dá»± án CNTT quy mô lá»n Äúng thá»i gian, Äúng ngân sách và giá trá» (2012)",href:"https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/delivering-large-scale-it-projects-on-time-on-budget-and-on-value"},highlights:["Phạm vi bằng vÄn bản trÆ°á»c khi thá»±c hiá»n","Kiến trúc bá» khóa trÆ°á»c khi mã hóa","Quá trình kiá»m tra diá»
n ra liên tục, không kết thúc"]}]},comparison:{rows:[{criterion:"Hà nh vi cá»t lõi",assistant:"Trả lá»i lá»i nhắc",agent:"Thá»±c hiá»n má»t quy trình công viá»c má»t cách tá»± Äá»ng"},{criterion:"Phạm vi",assistant:"Má»t lượt hoặc Äà m thoại",agent:"Nhiá»u bÆ°á»c, trên các công cụ và há» thá»ng"},{criterion:"Ra quyết Äá»nh",assistant:"Tạo vÄn bản dá»±a trên Äầu và o",agent:"Lý do, quyết Äá»nh và hà nh Äá»ng"},{criterion:"Sá» dụng công cụ",assistant:"Hạn chế hoặc không có",agent:"NÄng Äá»ng, Äiá»u khiá»n theo ngữ cảnh, Äa công cụ"},{criterion:"Ký ức",assistant:"Cấp phiên tá»t nhất",agent:"Kiên trì qua các bÆ°á»c và phiên"},{criterion:"Xá» lý thất bại?",assistant:"Trả vá» má»t câu trả lá»i bất ká»",agent:"Äá»nh tuyến lá»i Äá» thá» lại logic hoặc Äánh giá của con ngÆ°á»i"},{criterion:"Äá» sâu tÃch hợp",assistant:"Tá»i thiá»u",agent:"TÃch hợp sâu vá»i CRM, cÆ¡ sá» dữ liá»u, API và quy trình"},{criterion:"Mô hình chi phÃ",assistant:"Má»i lá»i nhắc",agent:"Má»i lần chạy quy trình, có kiá»m soát ngân sách token"},{criterion:"Giám sát con ngÆ°á»i",assistant:"Tùy chá»n, sau khi thá»±c tế",agent:"Thiết kế sẵn, có Äiá»m duyá»t và Äá»nh tuyến chuyá»n cấp"},{criterion:"Tá»t nhất cho",assistant:"Há»i Äáp, tóm tắt, soạn thảo",agent:"Tá»± Äá»ng hóa quá trình từ Äầu Äến cuá»i"},{criterion:"Dừng khi",assistant:"Äầu và o rÆ¡i và o bên ngoà i Äà o tạo",agent:"Kiến trúc không Äáp ứng Äá» phức tạp của quy trình"}]},warning:{items:["Bản mẫu tác nhân AI chạy tá»t khi demo nhÆ°ng không thá» má» rá»ng thà nh sản phẩm","Website của bạn chÆ°a xuất hiá»n trong AI Overviews hoặc câu trả lá»i của ChatGPT","ÄÆ°á»ng á»ng dữ liá»u liên tục lá»i hoặc cung cấp dữ liá»u cÅ©, thiếu tin cáºy","Bạn liên tục thuê freelancer nhÆ°ng kết quả vẫn không Äạt mục tiêu"]},caseStudies:{items:[{title:"OBJX Intelligence",bannerLabel:"SaaS nhiá»u ngÆ°á»i thuê",bannerTitle:"OBJX",bannerSubtitle:"Phân tÃch chiến lược",years:"2024 - 2025",badge:"Ná»i báºt",description:"Ná»n tảng Äiá»u phá»i tác nhân cho doanh nghiá»p, xây dá»±ng trên Trinity Architecture Äá»c quyá»n và phÆ°Æ¡ng pháp X + Y = Z. Van Data Team triá»n khai các tác nhân có tên, mô hình cấp phép nÄm cấp, kiá»m soát thanh toán và môi trÆ°á»ng production cho quy trình thông minh nhiá»u bên thuê.",stack:["FastAPI","PostgreSQL 15","Remix","MEM0","LangGraph","GPT-4.1","Claude Sonnet 4","Stripe","React 18","shadcn/ui","DigitalOcean"],metrics:[{label:"Äiá»m sá» tình trạng ná»n tảng",value:"94,7%",detail
1:"sá»± á»n Äá»nh thá»i gian chạy",accent:"emerald"},{label:"Tác nhân Äược chá» Äá»nh theo cấp",value:"5",detail:"x5 tầng",accent:"amber"}],theme:"orchid",pattern:"diamond",logoSrc:"/images/client-logos/OBJX.png",logoAlt:"Logo OBJX",logoClassName:"max-h-[4rem] sm:max-h-[4.3rem]"},{title:"SeaSure",bannerLabel:"AI hà ng hải ⢠Äa LLM",bannerTitle:"SeaSure",bannerSubtitle:"Thuyá»n trÆ°á»ng AI",years:"2024 - 2025",description:"Backend bảo trì hà ng hải dùng AI, vá»i má»t tác nhân LangGraph chuyên biá»t cho từng há» thá»ng trên tà u. Van Data Team tÃch hợp kiá»m tra Äa phÆ°Æ¡ng thức, tìm kiếm ngữ nghÄ©a, middleware thanh toán và chat video thá»i gian thá»±c qua WebSocket, triá»n khai bằng Terraform IaC trên Azure và GCP.",stack:["FastAPI","LangGraph","LangMem","Qwen 2.5-VL","Claude 3","GPT-4 Turbo","pgvector","Stripe","React 19","Terraform","Cloud Run"],metrics:[{label:"Tác nhân chuyên biá»t",value:"7",detail:"há» thá»ng thuyá»n",accent:"emerald"},{label:"IaC nhiá»u Äám mây",value:"Azure",detail:"+ GCP",accent:"amber"}],theme:"cyan",pattern:"wave",bannerVariant:"seasure"},{title:"Zeno",bannerLabel:"AI tiêu dùng",bannerTitle:"Zeno",bannerSubtitle:"TikTok -> agent táºp luyá»n",years:"2024 - 2025",description:"Ná»n tảng thá» dục AI chuyá»n video TikTok, YouTube và Instagram thà nh chÆ°Æ¡ng trình táºp luyá»n có cấu trúc. Van Data Team xây dá»±ng pipeline hiá»u video, ghép bà i táºp gần Äúng và tác nhân progressive overload trên AWS Bedrock, Vertex AI cùng phÆ°Æ¡ng án dá»± phòng OpenAI.",stack:["NestJS 8","Python 3.13","Gemini 3 Flash","AWS Bedrock","Claude Haiku","Vertex AI","MikroORM","AWS SQS","Firebase","Next.js 16","Vercel"],metrics:[{label:"Chi phà AI trên má»i video",value:"0,002 USD- 0,011 USD",detail:"má»i video",accent:"emerald"},{label:"Bà i táºp kinh Äiá»n",value:"378",detail:"vá»i ghép gần Äúng",accent:"amber"}],theme:"lime",pattern:"rings",logoSrc:"/images/zeno.svg",logoAlt:"Logo Zeno",logoClassName:"max-h-[4.5rem] sm:max-h-[4.9rem]"},{title:"VLAD AI",bannerLabel:"Du lá»ch ⢠RAG",bannerTitle:"VLAD AI",bannerSubtitle:"Borsa ⢠Tác nhân React",years:"2024",description:"Chatbot du lá»ch RAG production cho khu vá»±c nghá» dưỡng Borsa tại Romania, Äóng vai trò nhÆ° concierge trò chuyá»n Äá» tìm chá» á», lên kế hoạch chuyến Äi và trả lá»i câu há»i. Van Data Team triá»n khai bá» phân loại ý Äá»nh, truy xuất Qdrant kết hợp, semantic cache và công cụ láºp lá»ch trình vá»i React.",stack:["FastAPI 0.128","LangGraph","Qdrant","Redis + GPTCache","GPT-4.1-mini","SQLite","APScheduler","FastEmbed + BM25","WebSocket","Docker Compose"],metrics:[{label:"Mục tiêu Äá» chÃnh xác câu trả lá»i",value:"92-95%",detail:"Äiá»m Äánh giá",accent:"emerald"},{label:"Là m má»i kiến ââthức",value:"12h",detail:"/ re-embed",accent:"amber"}],theme:"ruby",pattern:"peaks"},{title:"Tác nhân phân loại y tế",bannerLabel:"ChÄm sóc sức khá»e ⢠LangGraph",bannerTitle:"TriageAI",bannerSubtitle:"Máy trạng thái 8 nút",years:"2024",description:"Tác nhân phân loại y tế Äiá»u phá»i bằng LangGraph, xây dá»±ng trên Anthropic Claude. Van Data Team thiết kế state machine tám nút Äá» trÃch xuất dữ liá»u bá»nh nhân, chấm Äiá»m triá»u chứng, tạo hÆ°á»ng dẫn theo dõi và Äá»nh tuyến tình trạng, Äá»ng thá»i chuyá»n ngay ca khẩn cấp Äến Äúng luá»ng.",stack:["LangGraph","Äá» thá» trạng thái","Claude 3.5 Sonnet","LangChain Anthropic","TypedDict","Python"],metrics:[{label:"Nút trong Äá» thá» tác nhân",value:"8",detail:"bÆ°á»c chuyên môn",accent:"emerald"},{label:"Äá»nh tuyến có Äiá»u kiá»n",value:"3",detail:"nhánh nghiêm trá»ng",accent:"amber"}],theme:"crimson",pattern:"pulse"},{title:"Trợ lý pháp lý Kiki",bannerLabel:"Pháp lý ⢠Tác nhân RAG",bannerTitle:"Kiki",bannerSubtitle:"TÆ° vấn hợp Äá»ng hà ng không",years:"2023 - 2024",description:"Tác nhân RAG pháp lý có persona, chuyên vá» hợp Äá»ng lao Äá»ng hà ng không.
1Van Data Team áp dụng quy tắc grounding chặt chẽ Äá» ngÄn bá»a sá» Äiá»u khoản, nâng cấp truy xuất từ ChromaDB lên FAISS và há» trợ nhiá»u nhà cung cấp LLM Äá» tá»i Æ°u chi phÃ.",stack:["LangChain","Milvus","ChromaDB","FAISS","Flask","Waitress","OpenAI","Claude","Bá» nhá» Äá»m há»i thoại"],metrics:[{label:"Sá» chiá»u embedding",value:"3.072",detail:"text-embed-3-small",accent:"emerald"},{label:"Äá» chÃnh xác của trÃch dẫn",value:"Nghiêm ngặt",detail:"grounding theo Äiá»u khoản",accent:"amber"}],theme:"indigo",pattern:"frame",logoSrc:"/images/client-logos/Kiki_AI.svg",logoAlt:"Logo Kiki AI",logoClassName:"max-h-[4.2rem] sm:max-h-[4.5rem]"},{title:"Ná»n tảng bảo máºt NIST",bannerLabel:"An ninh mạng ⢠RAG",bannerTitle:"NIST AI",bannerSubtitle:"Mistral tinh chá»nh",years:"2024",description:"Ná»n tảng AI an ninh mạng kết hợp mô hình Mistral 7B tinh chá»nh vá»i RAG Äa nguá»n. Van Data Team Äiá»u phá»i state machine truy vấn bảo máºt, ánh xạ framework trên CVE, CWE, CAPEC và MITRE ATT&CK, Äá»ng thá»i tÃnh Äiá»m rủi ro Bayesian phÃa sau FastAPI.",stack:["Mistral 7B","Tinh chá»nh LoRA","LangGraph","Neo4j","ChromaDB","Azure OpenAI","FastAPI","Bá» giải Z3","Plotly"],metrics:[{label:"Khung biá»u Äá» tri thức",value:"7+",detail:"CVE ⢠CWE ⢠ATT&CK",accent:"emerald"},{label:"Ngân sách Äiá»u chá»nh",value:"16GB",detail:"GPU (LoRA)",accent:"amber"}],theme:"crimson",pattern:"hex"},{title:"DebitMyData (NgÄn xếp NVIDIA)",bannerLabel:"Con ngÆ°á»i kỹ thuáºt sỠ⢠GPU",bannerTitle:"NVIDIA ACE",bannerSubtitle:"Công cụ trò chuyá»n hình Äại diá»n",years:"2024",description:"Triá»n khai tham chiếu NVIDIA AI Enterprise Äầy Äủ, cung cấp digital human trò chuyá»n theo thá»i gian thá»±c. Van Data Team tÃch hợp toà n bá» ACE Avatar Chat Engine, dá»ch vụ giá»ng nói, suy luáºn TensorRT-LLM và Äiá»u phá»i Omniverse trên AWS EKS vá»i Triton và Helm.",stack:["NVIDIA Triton","NIM","ACE","Audio2Face-3D","Riva","TensorRT-LLM","Llama 3.1 70B","EKS","Helm","Omniverse","PyTorch"],metrics:[{label:"Mô hình ná»n tảng",value:"Llama 3.1",detail:"8B + 70B + NEVA-22B",accent:"emerald"},{label:"Triá»n khai",value:"EKS",detail:"MÅ© lái ⢠Triton",accent:"amber"}],theme:"teal",pattern:"orbits",logoSrc:"/images/client-logos/DebitMyData.png",logoAlt:"Logo DebitMyData",logoClassName:"max-h-[3.6rem] sm:max-h-[3.8rem]"}]},stack:{rows:[{layer:"Äiá»u phá»i tác nhân",tools:["LangGraph","CrewAI","OpenAI Agents SDK"]},{layer:"Lá»p mô hình",tools:["Claude (Anthropic)","OpenAI GPT-4o"]},{layer:"Bá» nhá» và trạng thái",tools:["PostgreSQL","BigQuery","Redis","MemorySaver"]},{layer:"Truy xuất vectÆ¡",tools:["pgvector","ChromaDB","Pinecone"]},{layer:"Lá»p tÃch hợp",tools:["FastAPI","REST API","Webhook","Kafka","Airflow"]},{layer:"CÆ¡ sá» hạ tầng dữ liá»u",tools:["BigQuery","dbt","Airflow"]},{layer:"Triá»n khai",tools:["AWS","GCP","Docker","Cloud Run"]},{layer:"Khả nÄng quan sát",tools:["LangSmith","Ghi log có cấu trúc","Bảng Äiá»u khiá»n chi phÃ"]},{layer:"Quét & Tá»± Äá»ng hóa",tools:["Playwright","Selenium","Scrapy"]}]}}},"agentic-bi-reporting":{faq:[{question:"Chi phà Äiá»n hình Äá» xây dá»±ng tác nhân báo cáo AI tùy chá»nh là bao nhiêu?",answer:"Há» thá»ng 4 Äến 6 tác nhân cho doanh nghiá»p tầm trung thÆ°á»ng có giá 25.000 Äến 80.000 USD vá»i Van Data Team, hoặc 150.000 Äến 400.000 USD vá»i công ty tÆ° vấn doanh nghiá»p tại Mỹ. Chi phà LLM, hạ tầng cloud và bảo trì khoảng 2.000 Äến 8.000 USD má»i tháng. Yếu tỠảnh hÆ°á»ng lá»n nhất là phạm vi: má»t kho dữ liá»u và má»t kênh phân phá»i á» mức thấp; nhiá»u kho cùng yêu cầu HIPAA hoặc SOC2 sẽ á» mức cao hÆ¡n."},{question:"Triá»n khai má»t há» thá»ng Agent BI từ Äầu mất bao lâu?",answer:"Há» thá»ng 4 Äến 6 tác nhân thÆ°á»ng cần 8 Äến 14 tuần từ khảo sát Äến production, sau Äó 4 Äến 6 tuần Äá» á»n Äá»nh. PoC nhanh có thá» hoà n thà nh trong khoảng 3 tuần, nhÆ°ng bản production Äạt chuẩn cho CFO cần Äầy Äủ thá»i gian kiá»m thá»."},{question:"Tác nhân BI có thá» hoạt Äá»ng vá»i Tableau, Power BI hoặc Looker hiá»n tại của tôi không?",answer:"Có. Dá»ch vụ Agentic BI của chúng tôi bá» sung cho công cụ BI hiá»n có, không buá»c bạn thay thế ngay.
1Chúng tôi kết ná»i tác nhân và o Slack, web chat hoặc giao diá»n sản phẩm, Äá»ng thá»i dùng semantic layer hiá»n tại là m nguá»n dữ liá»u chuẩn. Vá»i Tableau, chúng tôi thÆ°á»ng khuyên nên tÃch hợp thêm trÆ°á»c khi thay thế."},{question:"Là m thế nà o Äá» bạn ngÄn chặn ảo giác AI trong báo cáo tà i chÃnh?",answer:"Ba lá»p kiá»m soát phá»i hợp vá»i nhau: semantic layer Äược quản trá» Äá» tác nhân chá»n Äúng metric, tác nhân xác thá»±c kiá»m tra schema và ưá»c tÃnh cardinality của phép join bằng EXPLAIN trÆ°á»c khi chạy SQL, cùng Äiá»m duyá»t của con ngÆ°á»i cho các chá» sá» nhạy cảm."},{question:"Sá»± khác biá»t giữa Snowflake Cortex và tác nhân LangGraph tùy chá»nh là gì?",answer:"Snowflake Cortex Analyst là má»t dá»ch vụ chuyá»n vÄn bản sang SQL Äược quản lý nằm trong Snowflake và hoạt Äá»ng tá»t khi dữ liá»u của bạn hoà n toà n có trong Snowflake, logic rất ÄÆ¡n giản và ngÆ°á»i dùng sá»ng trong Snowsight. Tác nhân LangGraph BI tùy chá»nh trải rá»ng trên nhiá»u kho, tÃch hợp lá»p ngữ nghÄ©a tùy chá»nh, há» trợ má»i LLM và cung cấp toà n quyá»n kiá»m soát trình xác thá»±c, quy trình kiá»m tra và UX."},{question:"Viá»c phát triá»n BI agent á» nÆ°á»c ngoà i có an toà n cho các ngà nh Äược quản lý không?",answer:"Có, nếu quy trình Äược thiết kế Äúng. Các kiá»m soát quan trá»ng gá»m quyá»n tá»i thiá»u, OAuth và RLS á» kho dữ liá»u, không ÄÆ°a PII ra khá»i cloud của bạn, audit log Äầy Äủ cho má»i lần gá»i công cụ và DPA hoặc BAA phù hợp. Dữ liá»u PHI thuá»c HIPAA có thá» cần nhà cung cấp tại Mỹ Äá» Äáp ứng chuá»i BAA."},{question:"Gánh nặng bảo trì sau khi triá»n khai là gì?",answer:"Ngân sách thÆ°á»ng á» mức 2.000 Äến 6.000 USD má»i tháng cho gói Äá»ng hà nh của Van Data Team, hoặc 8.000 Äến 25.000 USD vá»i agency tại Mỹ. Phạm vi gá»m má» rá»ng bá» eval, tinh chá»nh prompt, bá» sung semantic layer, duy trì khả nÄng quan sát và xá» lý sá»± cá»."},{question:"Bạn có thá» tÃch hợp vá»i ngÄn xếp dbt, Airflow hoặc Fivetran hiá»n có của chúng tôi không?",answer:"Có. Metric dbt hoặc MetricFlow hiá»n tại có thá» trá» thà nh semantic layer của tác nhân. Airflow và Fivetran tiếp tục xá» lý luá»ng nạp dữ liá»u; chúng tôi bá» sung MCP server, runtime LangGraph và bá» eval."},{question:"Sá»± khác biá»t giữa thuê freelancer và tÆ° vấn Agentic BI chuyên ngà nh là gì?",answer:"Freelancer có thá» hoà n thà nh PoC trong hai tuần. ÄÆ¡n vá» chuyên vá» Agentic BI chá»u trách nhiá»m cho há» thá»ng production có semantic layer Äược quản trá», tác nhân xác thá»±c, bá» eval, khả nÄng quan sát, kiá»m soát drift và Äầu má»i xá» lý ngay khi câu trả lá»i sai trÆ°á»c cuá»c há»p quan trá»ng."}],renderer:{delivery:{deliverables:[{title:"Äánh giá và má» rá»ng semantic layer",description:"Äánh giá và má» rá»ng semantic layer trên metric dbt, MetricFlow, Cube hoặc LookML, kèm danh mục metric Äầy Äủ và báo cáo khoảng cách so vá»i 25 câu há»i thÆ°á»ng gặp nhất."},{title:"Runtime nhiá»u tác nhân vá»i LangGraph",description:"Runtime nhiá»u tác nhân gá»m planner, SQL generator, validator, executor, visualizer và narrator, kết ná»i qua LangGraph vá»i trạng thái bá»n vững. Con ngÆ°á»i có thá» duyá»t á» nÆ¡i rủi ro tà i chÃnh cao nhất."},{title:"TÃch hợp MCP vá»i kho dữ liá»u",description:"TÃch hợp MCP vá»i kho dữ liá»u BigQuery, Snowflake hoặc Postgres Äá» tác nhân không giữ credential thô và má»i lần gá»i công cụ Äá»u có audit trail."},{title:"Bá» eval vá»i ngưỡng Äá» chÃnh xác mục tiêu",description:"Bá» eval gá»m 80 Äến 150 câu há»i baseline vá»i ngưỡng Äá» chÃnh xác mục tiêu. Äây là bằng chứng Äá» bạn có thá» nói vá»i CFO rằng há» thá»ng Äã vượt qua má»t bà i kiá»m thá» thá»±c tế."}
1,{title:"Kênh phân phá»i nÆ¡i quyết Äá»nh diá»
n ra",description:"Kết quả xuất hiá»n ngay nÆ¡i quyết Äá»nh diá»
n ra: Slack bot, web chat, panel nhúng trong sản phẩm hoặc bản tóm tắt Äiá»u hà nh theo lá»ch."},{title:"Khả nÄng quan sát",description:"Log hà nh Äá»ng, telemetry Äá» trá»
, telemetry chi phà theo truy vấn và dashboard drift Äá» phát hiá»n suy giảm Äá» chÃnh xác."},{title:"Gói bà n giao",description:"Runbook, versioning prompt, quy trình thay Äá»i semantic layer và 30 ngà y tá»i Æ°u sau khi ra mắt."}],engagementSteps:[{step:"1",title:"TÆ° vấn miá»
n phà 30 phút",description:"Má»t cuá»c trao Äá»i 30 phút vá»i founder, không phải buá»i chà o hà ng. Chúng tôi xem xét quy trình báo cáo, cấu hình kho dữ liá»u và semantic layer, các câu há»i khiến Äá»i ngÅ© phân tÃch mất nhiá»u thá»i gian và kết quả bạn muá»n Äạt Äược.",bullets:["Bạn rá»i cuá»c gá»i vá»i câu trả lá»i rõ rà ng: Agentic BI có phù hợp không, Snowflake Cortex hoặc Power BI Copilot có hợp hÆ¡n không, hay hiá»n tại bạn chÆ°a cần giải pháp nà y.","Nếu phù hợp, bÆ°á»c tiếp theo là Sprint xác Äá»nh phạm vi có phÃ, gá»m Äánh giá kiến trúc, semantic layer và ngân sách theo giai Äoạn.","Nếu chÆ°a phù hợp, chúng tôi sẽ nói thẳng và gợi ý lá»±a chá»n khác."]},{step:"2",title:"Bản dá»±ng production, từ $25K",description:"Há» thá»ng nhiá»u tác nhân Äầy Äủ gá»m khảo sát, kiến trúc, phát triá»n tác nhân, tÃch hợp MCP, bá» eval, triá»n khai và 30 ngà y tá»i Æ°u sau khi ra mắt. Báo cáo bà n giao hằng tuần. Phần lá»n dá»± án hoà n thà nh trong 8 Äến 14 tuần.",bullets:["Äánh giá kiến trúc và semantic layer có phÃ, xác Äá»nh phạm vi sau buá»i tÆ° vấn. Phạm vi và mức phà cá» Äá»nh, thÆ°á»ng $3K Äến $6K tùy Äá» phức tạp stack dữ liá»u.","Bạn nháºn Äược danh mục metric, báo cáo khoảng cách so vá»i 25 câu há»i thÆ°á»ng gặp, topology nhiá»u tác nhân mục tiêu và ngân sách theo giai Äoạn.","Khoản phà Äược trừ 100% và o Giai Äoạn 1 nếu bạn tiếp tục bản dá»±ng production."]},{step:"3",title:"Äá»i tác Äá»ng hà nh, $50/giá», theo nhu cầu",description:"Gói Äá»ng hà nh sau khi ra mắt Äá» má» rá»ng eval, tinh chá»nh prompt, phát triá»n semantic layer và xá» lý sá»± cá». Äây là lá»p há» trợ giúp há» thá»ng giữ Äá» chÃnh xác trên 90% sau sáu tháng. Nếu bá» qua, nhiá»u Äá»i ngÅ© thấy Äá» lá»ch giảm xuá»ng dÆ°á»i 80% trong bá»n tháng.",bullets:["Má»t ngÆ°á»i phụ trách cấp cao xuyên suá»t cả ba giai Äoạn. Không Äá»i Äầu má»i, không Äẩy viá»c cho Äá»i ngÅ© junior và không có account manager Äứng giữa bạn vá»i kỹ sÆ° viết mã."]}]},comparison:{rows:[{factor:"ÄÆ¡n giá theo giá»",big4:"$250 Äến $500",boutique:"$180 Äến $300",vdt:"$30 Äến $60",freelancer:"$40 Äến $120"},{factor:"Chuyên môn",big4:"Tá»ng quát, AI bá» trợ cho mảng báo cáo",boutique:"Chuyên sâu (AI và dữ liá»u)",vdt:"Chuyên sâu (LangGraph + MCP + dữ liá»u cloud)",freelancer:"Không á»n Äá»nh"},{factor:"Quyá»n sá» hữu dá»± án",big4:"Äá»i tác bán hà ng, cấp dÆ°á»i giao hà ng",boutique:"Cấp cao xuyên suá»t",vdt:"NgÆ°á»i sáng láºp + 2 Äến 4 kỹ sÆ° cao cấp",freelancer:"Má»t ngÆ°á»i"},{factor:"Chi phà phá»i hợp",big4:"Cao; nhiá»u PM",boutique:"Trung bình",vdt:"Thấp, trao Äá»i trá»±c tiếp vá»i kỹ sÆ°",freelancer:"Thấp nhất nhÆ°ng không có ngÆ°á»i dá»± phòng"},{factor:"Múi giá» trùng lặp vá»i Hoa Kỳ",big4:"Äầy",boutique:"Äầy",vdt:"Trùng 4 Äến 6 giá», phá»i hợp async tá»t",freelancer:"Khác nhau"},{factor:"IP & bảo máºt",big4:"TrÆ°á»ng thà nh, Äã Äược kiá»m toán",boutique:"TrÆ°á»ng thà nh",vdt:"NDA, SOC2 phù hợp, không có nhân sá»± của bên thứ ba",freelancer:"Không nhất quán"},{factor:"Sản xuất AI",big4:"Tuân thủ mạnh, yếu hÆ¡n trên AI hiá»n Äại",boutique:"Mạnh",vdt:"Äặc biá»t mạnh vá» AI sản xuất",freelancer:"Cấp PoC"},{factor:"Gói Äá»ng hà nh sau khi ra mắt",big4:"Äắt",boutique:"Có sẵn",vdt:"$2K Äến $6K má»i tháng",freelancer:"Không nhất quán"},{factor:"Phù hợp nhất vá»i",big4:"F500 vá»i mua sắm khó khÄn",boutique:"Công viá»c Äược yêu cầu trên bá»",vdt:"Doanh thu từ 5 triá»u USD Äến 200 triá»u USD, thá» trÆ°á»ng tầm trung",freelancer:"PoC 2 tuần"}],guidance:["Big 4 phù hợp khi bên mua là F500, có quy trình mua sắm phức tạp, yêu
1cầu tuân thủ Äa quá»c gia và chá» là m viá»c vá»i nhà cung cấp trong danh sách duyá»t. ThÆ°á»ng không phù hợp vá»i Äá»i SaaS 200 ngÆ°á»i cần há» thá»ng chạy trong 10 tuần.","Boutique tại Mỹ phù hợp khi bắt buá»c có Äá»i ngÅ© onshore, chẳng hạn má»t sá» dá»± án liên bang hoặc y tế. Chất lượng kỹ thuáºt thÆ°á»ng tÆ°Æ¡ng ÄÆ°Æ¡ng; mức giá phản ánh chi phà váºn hà nh tại Mỹ.","Van Data Team phù hợp vá»i doanh nghiá»p doanh thu 5 Äến 200 triá»u USD cần kỹ sÆ° senior, chuyên môn sâu, ká»· luáºt production và chi phà hợp lý. Chúng tôi là m viá»c theo GMT+7, có khung giá» trùng Mỹ từ 20:00 Äến 23:00 Hà Ná»i, tÆ°Æ¡ng ÄÆ°Æ¡ng 09:00 Äến 12:00 EST, và founder tham gia xuyên suá»t.","Freelancer phù hợp vá»i PoC 2 tuần, tinh chá»nh prompt má»t lần hoặc dá»± án nhá». Khi há» thá»ng cần bá» eval, khả nÄng quan sát hoặc xá» lý sá»± cá» gấp trÆ°á»c cuá»c há»p, mô hình nà y thÆ°á»ng thiếu ngÆ°á»i dá»± phòng.","Chúng tôi từ chá»i khoảng 30% yêu cầu Äầu và o, thÆ°á»ng vì Cortex Äã Äủ dùng, Big 4 phù hợp hÆ¡n vá»i yêu cầu tuân thủ hoặc phạm vi quá nhá» và freelancer là lá»±a chá»n hợp lý. Äó là cách so sánh minh bạch nên hoạt Äá»ng."]},warning:{items:[{title:"Biá»u Äá» không phù hợp",problem:"LLM chạy má»t lần có thá» chá»n sai dạng biá»u Äá»: ÄÆ°a chuá»i thá»i gian và o biá»u Äá» tròn, dùng biá»u Äá» phân tán cho dữ liá»u phân loại hoặc tạo nhãn khó Äá»c.",solution:"Tác nhân trá»±c quan hóa chuyên dụng nháºn schema kết quả Äã Äá»nh kiá»u rá»i chá»n biá»u Äá» từ bá» quy tắc giá»i hạn, kết hợp heuristic xác Äá»nh và LLM Äá» phân xá» khi cần."},{title:"Semantic layer bá» lá»ch",problem:"Tác nhân chuyá»n vÄn bản thô thà nh SQL phải tá»± Äoán bảng, cá»t ngà y, tá»ng hay ròng và logic hoà n tiá»n. Hai nhà phân tÃch có thá» há»i cùng má»t câu nhÆ°ng nháºn hai con sá» Äá»u có vẻ hợp lý.",solution:"Semantic layer Äược quản trá» Äá» tác nhân chá»n metric thay vì cá»t thô. Hợp Äá»ng ngữ nghÄ©a trá» thà nh nguá»n dữ liá»u chuẩn duy nhất."},{title:"SQL sai nhÆ°ng không báo lá»i",problem:"Lá»i nguy hiá»m là SQL vẫn chạy và trả vá» dữ liá»u dù logic sai: join sai có thá» nhân doanh thu, còn thiếu WHERE có thá» loại cả má»t khu vá»±c.",solution:"Tác nhân xác thá»±c kiá»m tra schema, Æ°á»c tÃnh cardinality của join bằng EXPLAIN, Äá»i chiếu Äá»nh nghÄ©a metric và chạy thá» mẫu nhá» trÆ°á»c khi thá»±c thi."}]},caseStudies:{items:[{title:"Credit Club",years:"2025",category:"Công nghá» tà i chÃnh / BI bán hà ng",bannerTitle:"Credit Club",bannerSubtitle:"Credit Club ⢠Papur",description:"Credit Club là Äá»i ngÅ© bán hà ng hiá»u suất cao tại Anh, nÆ¡i trÆ°á»ng nhóm phải theo dõi KPI hằng ngà y trên nhiá»u bảng tÃnh. Van Data Team xây dá»±ng ná»n tảng theo dõi KPI qua Slack: Claude 3.5 Haiku trÃch xuất KPI có cấu trúc từ tin nhắn tá»± do, Pydantic v2 xác thá»±c từng bản ghi, BigQuery lÆ°u dữ liá»u phân vùng và dashboard Plotly Dash nhiá»u tab vá»i quyá»n theo vai trò thay thế quy trình bảng tÃnh.",metrics:[{label:"Tiết kiá»m chi phà LLM",value:"92%",detail:"",tone:"blue"},{label:"Chi phà váºn hà nh",value:"~$20",detail:"/year",tone:"red"}],theme:"emerald",pattern:"bars",logoSrc:"/images/agentic-bi/logos/credit-club.png",logoAlt:"Logo câu lạc bá» tÃn dụng"},{title:"API phân tÃch sao",years:"2024 - 2025",category:"ChÄm sóc sức khá»e",bannerTitle:"Pareto",bannerSubtitle:"Intelligence",description:"Pareto Intelligence giúp tá» chức y tế dá»± báo kết quả xếp hạng Stars cho hợp Äá»ng Medicare Advantage. Van Data Team xây dá»±ng ná»n tảng SaaS doanh nghiá»p vá»i láºp kế hoạch ká»ch bản trên baseline JSONB, há» thá»ng query template có tham sá» và phân quyá»n, connector cho Postgres, SQL Server, Redshift và Pinot, cảnh báo có cooldown và xuất PDF, Excel, PowerPoint. Há» thá»ng chạy trên AWS ECS Fargate qua Terraform vá»i Okta SSO.",metrics:[{label:"Trình kết ná»i cÆ¡ sá» dữ liá»u",value:"4",detail:"",tone:"blue"}
1,{label:"Kiá»m tra ÄÆ¡n vá»",value:"255+",detail:"",tone:"red"}],theme:"teal",pattern:"grid",logoSrc:"/images/agentic-bi/logos/pareto-intelligence.webp",logoAlt:"Logo Pareto Intelligence"},{title:"Access KPI Analytics Warehouse",years:"2024 - 2025",category:"Bán lẻ / Lòng trung thà nh",bannerTitle:"LR",bannerSubtitle:"KPI khách hà ng trung thà nh cao cấp",description:"Má»t thÆ°Æ¡ng hiá»u bán lẻ cao cấp có chÆ°Æ¡ng trình khách hà ng thân thiết theo cấp Insider, Prestige và Elite cần báo cáo Äầy Äủ vá» tÆ°Æ¡ng tác và mua hà ng. Van Data Team xây dá»±ng pipeline ETL từ SFTP qua Cloud Storage Äến BigQuery cho bá»n miá»n dữ liá»u, cùng bá» tÃnh KPI MTD, YTD và YoY có xá» lý nÄm nhuáºn, phân phá»i qua Excel, Google Sheets và dashboard Streamlit trên Cloud Run.",metrics:[{label:"Nhóm báo cáo",value:"4",detail:"",tone:"blue"},{label:"So sánh thá»i gian",value:"5",detail:"chiá»u dữ liá»u",tone:"red"}],theme:"copper",pattern:"grid",initials:"LR"},{title:"Pipeline Äiá»u phá»i thá»i gian thá»±c",years:"2024",category:"NÄng lượng / Thá» trÆ°á»ng",bannerTitle:"EM",bannerSubtitle:"NEMWeb Dispatch",description:"Äá»i ngÅ© phân tÃch thá» trÆ°á»ng nÄng lượng cần nạp gần nhÆ° theo thá»i gian thá»±c báo cáo Äiá»u phá»i Äiá»n của Australia từ NEMWeb. Van Data Team xây dá»±ng job AWS Lambda theo lá»ch Äá» lấy file zip má»i nhất má»i 5 phút, lÆ°u kép và o S3 raw và bản ghi có cấu trúc trong DynamoDB vá»i composite ID, cùng app Plotly Dash Äá» so sánh 19 metric tại NSW, QLD, SA, TAS và VIC.",metrics:[{label:"Tần suất nạp dữ liá»u",value:"Má»i 5",detail:"phút",tone:"blue"},{label:"Äá» phủ thá» trÆ°á»ng",value:"5 vùng",detail:"/ 19 metrics",tone:"red"}],theme:"gold",pattern:"peaks",logoSrc:"/images/agentic-bi/logos/namweb-dispatch.png",logoAlt:"Logo công vÄn NEMWeb"},{title:"Bảng Äiá»u khiá»n phụ nữ muá»n gì",years:"2023 - 2024",category:"NGO / Váºn Äá»ng Y tế",bannerTitle:"White Ribbon",bannerSubtitle:"Alliance",description:"White Ribbon Alliance thu tháºp hà ng triá»u phản há»i khảo sát toà n cầu qua bot WhatsApp và SMS trên RapidPro và TextIt. Van Data Team triá»n khai ETL Python hằng Äêm Äá»ng bá» và o BigQuery, há» trợ schema evolution, quy trình xóa liên há» tuân thủ GDPR và app Plotly Dash công khai cho nhiá»u chiến dá»ch. App chạy qua Äá»nh tuyến subdomain của App Engine tại whatwomenwant.whiteribbonalliance.org và midwivesvoices.whiteribbonalliance.org, vá»i bản dá»ch và word cloud Äược cache trÆ°á»c.",metrics:[{label:"Trang tá»ng quan công khai",value:"Nhiá»u chiến dá»ch",detail
1:"",tone:"blue"},{label:"Bản Äá»a hóa",value:"Äa ngôn ngữ",detail:"",tone:"red"}],theme:"rose",pattern:"logoPlate",logoSrc:"/images/agentic-bi/logos/white-ribbon-alliance.png",logoAlt:"Logo White Ribbon Alliance"},{title:"Marketo + JIRA Health Analyzer",years:"2024",category:"Hoạt Äá»ng tiếp thá»",bannerTitle:"envoy",bannerSubtitle:"Envoy",description:"Envoy cần hợp nhất dữ liá»u lead từ Marketo vá»i metric thá»±c thi của Äá»i ngÅ© từ Atlassian JIRA. Van Data Team xây dá»±ng bá» công cụ Python gá»m extractor Marketo có OAuth 2.0 refresh và 18 mapping trÆ°á»ng tùy chá»nh, cùng bá» phân tÃch JIRA chạy song song bằng ThreadPoolExecutor, session theo luá»ng, parser ADF, phát hiá»n thiếu thông tin và nÄm nhóm ticket loại trừ lẫn nhau. Äầu ra khoảng 49K token Äá» API Claude xá» lý tiếp.",metrics:[{label:"Vé Äã Äược xá» lý",value:"90+",detail:"trong ~9 giây",tone:"blue"},{label:"DÆ°Æ¡ng tÃnh giả",value:"100%",detail:"Äến ~20%",tone:"red"}],theme:"magenta",pattern:"logoPlate",logoSrc:"/images/agentic-bi/logos/envoy-logo.png",logoAlt:"Logo Envoy",logoFit:"cover"},{title:"Phân tÃch chứng khoán Ấn Äá»",years:"2024",category:"Công nghá» tà i chÃnh / Thá» trÆ°á»ng",bannerTitle:"Stage 2 Stocks",bannerSubtitle:"Stage 2 Stocks",description:"Stage2Stocks há» trợ ứng dụng cho nhà Äầu tÆ° cá nhân tìm các cá» phiếu Äang bÆ°á»c và o xu hÆ°á»ng tÄng Giai Äoạn 2. Van Data Team xây dá»±ng mô hình dữ liá»u PostgreSQL phân vùng, tÃch hợp investpy cho OHLCV, vá»n hóa, P/E và beta, triá»n khai bá» phân loại Weinstein dùng Äá» dá»c SMA-200, tÃnh chá» sá» ngà nh theo vá»n hóa và scraper thông báo doanh nghiá»p BSE chạy má»i 5 phút, gá»i kết quả qua Telegram bot. Updater trên Heroku Äá»ng bá» vá»i Supabase.",metrics:[{label:"Mã NSE Äược theo dõi",value:"100+",detail:"",tone:"blue"},{label:"Tần suất quét BSE",value:"Má»i 5",detail:"phút",tone:"red"}],theme:"indigo",pattern:"logoPlate",initials:"S2"},{title:"Há» dữ liá»u Polygon.io & Bảng Äiá»u khiá»n TA",years:"2024",category:"Công nghá» tà i chÃnh / Äá»nh lượng",bannerTitle:"Polygon",bannerSubtitle:"Há» dữ liá»u Polygon.io",description:"Má»t khách hà ng phân tÃch Äá»nh lượng muá»n có data lake thá» trÆ°á»ng cấp tá» chức trên Polygon.io thay vì phụ thuá»c dashboard bên thứ ba. Van Data Team triá»n khai dữ liá»u S3 phân vùng Hive cho báo giá, tin tức, cá» tức và báo cáo tà i chÃnh, dá»± án dbt-Athena, engine chá» báo pandas thuần cho MACD, Bollinger, RSI, stochastic, MFI và OBV vá»i coverage pytest Äầy Äủ, cùng dashboard Plotly Dash có chú thÃch mẫu ngay trên biá»u Äá».",metrics:[{label:"Äã nháºp Äiá»m cuá»i API",value:"15+",detail:"",tone:"blue"},{label:"Chá» báo + mẫu",value:"13+",detail:"/ 25+",tone:"red"}],theme:"navy",pattern:"wave",logoSrc:"/images/agentic-bi/logos/polygon-io.png",logoAlt:"Logo Polygon.io"},{title:"Công cụ di chuyá»n BI dá»±a trên AI",years:"2024",category:"Di chuyá»n BI",bannerTitle:"T>P",bannerSubtitle:"Tableau tá»i Power BI",description:"Má»t khách hà ng cần chuyá»n môi trÆ°á»ng báo cáo Tableau hiá»n có sang Microsoft Power BI mà không phải tạo lại dashboard thủ công. Van Data Team xây dá»±ng tiá»n Ãch Python xác thá»±c qua PAT, tải workbook bằng REST API, giải nén gói TWBX, Äá»c Hyper extract qua tableauhyperapi và dùng OpenAI chuyá»n XML của dashboard cùng data source thà nh JSON tÆ°Æ¡ng thÃch Power BI, kèm kiá»m tra schema nghiêm ngặt và mapping kiá»u dữ liá»u.",metrics:[{label:"Công cụ dá»ch thuáºt",value:"OpenAI",detail:"XML sang JSON",tone:"blue"},{label:"Kiá»m tra Äầu ra",value:"JSON",detail:"Lược Äá»",tone
1:"red"}],theme:"blue",pattern:"migration",initials:"T>P"},{title:"Tiếp thá» Äa ná»n tảng ETL",years:"2023 - 2024",category:"Phân tÃch tiếp thá»",bannerTitle:"Snowflake",bannerSubtitle:"Tiếp thá» ETL",description:"Äá»i ngÅ© phân tÃch thÆ°Æ¡ng mại bán lẻ cần nạp dữ liá»u quảng cáo Äáng tin cáºy, theo lá»ch và o Snowflake Äá» cấp cho dashboard KPI Äa kênh. Van Data Team dá»±ng Airflow 2.3.1 chạy trong Docker vá»i DAG riêng cho Google Ads, Twitter Ads, Snapchat Ads, TikTok Ads và Salesforce, cùng extractor Criteo Retail Media trên máy chủ Azure chạy MS SQL Server. Má»i nguá»n dùng staging table và MERGE Äá» bảo Äảm xá» lý Äúng má»t lần.",metrics:[{label:"Ná»n tảng quảng cáo tÃch hợp",value:"5+",detail:"nguá»n dữ liá»u",tone:"blue"},{label:"Tải mẫu",value:"bình thÆ°á»ng",detail:"MERGE",tone:"red"}],theme:"sky",pattern:"arrows",logoSrc:"/images/agentic-bi/logos/snowflake.png",logoAlt:"Logo Snowflake"},{title:"Dashboard cảm xúc thÆ°Æ¡ng hiá»u",years:"2024",category:"Quan há» công chúng/ThÆ°Æ¡ng hiá»u",bannerTitle:"BR",bannerSubtitle:"Tình cảm thÆ°Æ¡ng hiá»u",description:"Äá»i ngÅ© marketing và PR sá» cần công cụ quản lý danh tiếng online, phân loại URL theo cảm xúc thÆ°Æ¡ng hiá»u mà không tá»n token cho trang không liên quan. Van Data Team xây dá»±ng dashboard Streamlit nháºn workbook Excel nhiá»u sheet, scrape song song bằng ThreadPoolExecutor vá»i 10 worker và tái sá» dụng session, lá»c theo từ khóa thÆ°Æ¡ng hiá»u rá»i chá» gá»i URL phù hợp Äến GPT-4o Äá» phân loại TÃch cá»±c, Trung láºp hoặc Tiêu cá»±c. Kết quả là workbook Excel hai sheet, xếp từ tiêu cá»±c nhất Äến tÃch cá»±c nhất.",metrics:[{label:"Tá»i Æ°u hóa chi phÃ",value:"Từ khóa",detail:"lá»c trÆ°á»c",tone:"blue"},{label:"Thiết kế Äá»ng thá»i",value:"10",detail:"+ 5 công nhân",tone:"red"}],theme:"rose",pattern:"chats",initials:"BR"}]},stack:{rows:[{layer:"Äiá»u phá»i tác nhân",tools:["LangGraph","Planner","SQL generator","Validator","Executor","Visualizer","Narrator"]},{layer:"Kho dữ liá»u và semantic layer",tools:["BigQuery","Snowflake","Postgres","dbt Metrics","MetricFlow","LookML","Cube"]},{layer:"Lá»p tÃch hợp",tools:["MCP","FastAPI","Slack","Web chat","Panel nhúng","Bản tóm tá
1º¯t theo lá»ch"]},{layer:"Äá» tin cáºy",tools:["Pydantic","Kiá»m tra EXPLAIN","Eval harness","OpenTelemetry","Dashboard drift"]},{layer:"Triá»n khai",tools:["AWS ECS Fargate","Cloud Run","Docker","Terraform","CI/CD"]}]}}},"data-pipeline-development":{faq:[{question:"Chi phà xây dá»±ng ÄÆ°á»ng dẫn dữ liá»u vá»i Van Data Team là bao nhiêu?",answer:"Chi phà trung bình Äá» phát triá»n ÄÆ°á»ng dẫn dữ liá»u tại Van Data Team thÆ°á»ng dao Äá»ng từ 500 USD Äến 2.000 USD cho viá»c triá»n khai tiêu chuẩn. Äá»i vá»i các dá»± án doanh nghiá»p quy mô lá»n có kiến ââtrúc phức tạp, chúng tôi cung cấp các gói tùy chá»nh có giá khá»i Äiá»m từ 4.000 USD. Khoản Äầu tÆ° cuá»i cùng thay Äá»i tùy theo nguá»n dữ liá»u, Äá» phức tạp của quá trình chuyá»n Äá»i và Äá» trá»
cần thiết."},{question:"ÄÆ°á»ng á»ng dữ liá»u cấp sản xuất là gì?",answer:"ÄÆ°á»ng dẫn dữ liá»u á» cấp Äá» sản xuất khi má»t kỹ sÆ° má»i có thá» phân trang và o lúc 3 giá» sáng, má» sá» quản lý và khắc phục sá»± cá» mà không cần gá»i cho ngÆ°á»i Äã xây dá»±ng nó ban Äầu. Cụ thá», Äiá»u Äó có nghÄ©a là thiết kế DAG bình thÆ°á»ng, thá»±c thi hợp Äá»ng lược Äá», cảnh báo SLA, thá» lại các chÃnh sách vá»i thá»i gian chá» theo cấp sá» nhân và tà i liá»u dòng dõi Äầy Äủ."},{question:"Mất bao lâu Äá» xây dá»±ng má»t ÄÆ°á»ng á»ng dữ liá»u sản xuất?",answer:"Hầu hết các quy trình Äá»u mất từ ââ2 Äến 6 tuần ká» từ khi bắt Äầu Äi và o hoạt Äá»ng. Quá trình xây dá»±ng ÄÆ¡n giản trên cÆ¡ sá» hạ tầng hiá»n có sẽ hoà n tất sau 2 Äến 3 tuần. Các ÄÆ°á»ng á»ng Äa nguá»n Äầy Äủ vá»i dbt, Airflow và giám sát mất từ ââ4 Äến 6 tuần. Triá»n khai phát trá»±c tuyến hoặc Äa khu vá»±c thÆ°á»ng kéo dà i từ 6 Äến 12 tuần."},{question:"Van Data Team sá» dụng những công cụ và công nghá» nà o?",answer:"NgÄn xếp mặc Äá»nh của chúng tôi: Apache Airflow Äá» Äiá»u phá»i, dbt Äá» chuyá»n Äá»i SQL, Airbyte Äá» nháºp nguá»n thông thÆ°á»ng, Python tùy chá»nh cho các API hiếm, BigQuery hoặc Snowflake là m kho, Great Expectations vá» chất lượng dữ liá»u và Datadog hoặc Grafana Äá» giám sát. Äá» phát trá»±c tuyến, chúng tôi sá» dụng Apache Kafka hoặc Google Pub/Sub. Chúng tôi váºn chuyá»n trên GCP, AWS và Azure."},{question:"Tôi có cần cÆ¡ sá» hạ tầng dữ liá»u hiá»n có trÆ°á»c khi là m viá»c vá»i Van Data Team không?",answer:"Không, khoảng 35% sá» lần tÆ°Æ¡ng tác của chúng tôi bắt Äầu từ Äầu. Van Data Team quản lý viá»c thiết láºp ngÄn xếp Äầy Äủ bao gá»m cấu hình Äám mây, cung cấp kho và lá»±a chá»n công cụ chuyên gia. Äá»i vá»i cÆ¡ sá» hạ tầng Äã Äược thiết láºp, chúng tôi tÃch hợp và o môi trÆ°á»ng của bạn Äá» tá»i Æ°u hóa và má» rá»ng quy mô hoạt Äá»ng dữ liá»u hiá»n có của bạn."},{question:"Van Data Team có thá» duy trì ÄÆ°á»ng á»ng sau khi bà n giao không?",answer:"Äúng. Äó là mục tiêu. Má»i quy trình Äá»u có má»t sá» tay chạy bao gá»m các lá»i thÆ°á»ng gặp, README trên má»i kho lÆ°u trữ, tà i liá»u dbt Äược xuất bản tá»i URL, sÆ¡ Äá» kiến ââtrúc và phiên chuyá»n giao 90 phút Äược ghi lại. Nếu nhóm của bạn có các kỹ nÄng Python và SQL cÆ¡ bản, há» có thá» duy trì quy trình má»t cách Äá»c láºp."},{question:"Van Data Team có thá» bắt Äầu phát triá»n nhanh nhÆ° thế nà o sau khi chúng tôi ký hợp Äá»ng?",answer:"Chu kỳ bán hà ng của chúng tôi cá» tình ngắn lại. Sau 30 phút xem xét kiến ââtrúc ban Äầu, chúng tôi sẽ cung cấp phạm vi bằng vÄn bản và báo giá trong vòng 24 Äến 48 giá». Sau khi Äược phê duyá»t, quá trình phát triá»n sẽ bắt Äầu trong vòng 3 Äến 5 ngà y là m viá»c. Quy trình ÄÆ¡n giản sẽ Äi và o hoạt Äá»ng sau 2 Äến 3 tuần."},{question:"Äiá»u gì xảy ra nếu ÄÆ°á»ng á»ng bá» há»ng sau khi khá»i Äá»ng?",answer:"Má»i dá»± án Äá»u bao gá»m 30 ngà y há» trợ miá»
n phà sau khi ra mắt. Sau Äó, bá
1º¡n có ba lá»±a chá»n: duy trì ná»i bá» bằng cách sá» dụng tà i liá»u, liên há» vá»i chúng tôi hà ng giá» Äá» sá»a lá»i má»t lần hoặc chuyá»n sang dá»ch vụ trả trÆ°á»c hà ng tháng. Hầu hết khách hà ng Äá»u xá» lý viá»c bảo trì tại nhà sau tháng thứ hai."},{question:"Van Data Team có là m viá»c vá»i các công ty bên ngoà i nÆ°á»c Mỹ không?",answer:"Äúng. Cho Äến nay, chúng tôi phục vụ khách hà ng chủ yếu á» Hoa Kỳ, Anh, EU và Ãc, trải dà i trên 15 quá»c gia. Các hoạt Äá»ng tÆ°Æ¡ng tác hoà n toà n từ xa, vá»i sá»± chá»ng chéo múi giá» Äược xá» lý thông qua Slack và Linear không Äá»ng bá» cùng vá»i các cuá»c gá»i Äá»ng bá» hóa hà ng tuần trong giá» là m viá»c của khách hà ng."},{question:"Van Data Team có thá» tÃch hợp vá»i ngÄn xếp dữ liá»u hiá»n có của chúng tôi hay bạn buá»c phải thay Äá»i công cụ?",answer:"Nhóm Van Data hoà n toà n không tin tÆ°á»ng và o công cụ. Cho dù bạn chạy Prefect thay vì Airflow hay Redshift thay vì BigQuery, chúng tôi Äá»u xây dá»±ng theo thông sá» kỹ thuáºt của bạn. Chúng tôi chá» Äá» xuất thay Äá»i công cụ khi chúng tôi có thá» chứng minh má»t cách toán há»c rằng chi phà Äã giảm hoặc Äá» tin cáºy Äược cải thiá»n trong nháºt ký quyết Äá»nh vá» kiến ââtrúc."}],renderer:{delivery:{steps:[{step:"BÆ°á»c 1",title:"Khám phá",description:"Cuá»c gá»i kỹ thuáºt kéo dà i 60 phút Äá» láºp bản Äá» nguá»n, Äiá»m Äến và SLA. Chúng tôi láºp há» sÆ¡ dữ liá»u thá»±c trong kho dà nh cho nhà phát triá»n trong 3 Äến 5 ngà y, sau Äó gá»i tà i liá»u phạm vi bằng vÄn bản bao gá»m các ná»i dung, dòng thá»i gian và rủi ro.",bullets:["Bản Äá» há» thá»ng nguá»n, ÄÃch và SLA dữ liá»u","Láºp há» sÆ¡ dữ liá»u thá»±c trong kho nhà phát triá»n trong 3 Äến 5 ngà y","Cung cấp tà i liá»u phạm vi bằng vÄn bản bao gá»m các ná»i dung, dòng thá»i gian và rủi ro"]},{step:"BÆ°á»c 2",title:"Thiết kế kiến trúc",description:"SÆ¡ Äá» kiến ââtrúc má»t trang cá»ng vá»i nháºt ký quyết Äá»nh giải thÃch má»i lá»±a chá»n công cụ. Tại sao luá»ng không khà Apache lại vượt qua Prefect. Tại sao BigQuery lại thay thế Snowflake. Bạn ÄÄng xuất trÆ°á»c khi bất kỳ cÆ¡ sá» hạ tầng nà o hoạt Äá»ng.",bullets:["SÆ¡ Äá» kiến ââtrúc vá»i nháºt ký quyết Äá»nh công cụ","CÆ¡ sá» lý luáºn rõ rà ng cho má»i lá»±a chá»n công nghá»","Khách hà ng ÄÄng xuất trÆ°á»c khi bất kỳ cÆ¡ sá» hạ tầng nà o hoạt Äá»ng"]},{step:"BÆ°á»c 3",title:"Nguyên mẫu và khung dây",description:"Tuần má»t váºn chuyá»n má»t bá» xÆ°Æ¡ng Äang hoạt Äá»ng. Chúng tôi xây dá»±ng DAG, mô hình dbt mẫu và cÆ¡ sá» hạ tầng dÆ°á»i dạng mã trong môi trÆ°á»ng nhà phát triá»n. Äến thứ Sáu, má»t quy trình sẽ chạy từ Äầu Äến cuá»i, giải quyết các vấn Äá» vá» IAM và mạng trong khi chi phà sá»a chữa vẫn rẻ.",bullets:["DAG già n giáo, mô hình dbt mẫu và IaC trong nhà phát triá»n","Má»t ÄÆ°á»ng á»ng chạy từ Äầu Äến cuá»i và o cuá»i tuần thứ nhất","Surface IAM và các sá»± cá» mạng trong khi bản sá»a lá»i vẫn còn rẻ"]},{step:"BÆ°á»c 4",title:"Phát triá»n",description:"Chạy nÆ°á»c rút hà ng tuần vá»i các bản demo thứ Hai. Tất cả mã sẽ Äược Äẩy tá»i kho lÆ°u trữ GitHub mà bạn sá» hữu hoà n toà n. Phản há»i Äược theo dõi trong các vấn Äá» tuyến tÃnh hoặc GitHub. Không có sá»± cá» ngừng hoạt Äá»ng của nhà cung cấp, không có yêu cầu kéo bất ngá» á» lần giao hà ng cuá»i cùng.",bullets:["Chạy nÆ°á»c rút hà ng tuần vá»i bản demo thứ Hai","Tất cả mã trong kho GitHub của bạn","Phản há»i Äược theo dõi trong các vấn Äá» tuyến tÃnh hoặc GitHub"]},{step:"BÆ°á»c 5",title:"Kiá»m thá» và xác thá»±c",description:"Chèn lấp Äầy Äủ vá»i sá»± Äá»i chiếu từng hà ng vá»i há» thá»ng nguá»n. kiá»m tra dbt bao gá»m giá trá» rá»ng, tÃnh duy nhất và tÃnh toà n vẹn tham
1chiếu. Great Expectations thá»±c thi các hợp Äá»ng lược Äá» khi nháºp. Bạn nháºn Äược má»t báo cáo xác nháºn bằng vÄn bản trÆ°á»c khi ra mắt.",bullets:["Chèn lấp Äầy Äủ vá»i Äiá»u chá»nh theo hà ng","kiá»m tra dbt vá» giá trá» rá»ng, tÃnh duy nhất và tÃnh toà n vẹn tham chiếu","Thá»±c thi hợp Äá»ng lược Äá» Great Expectations","Báo cáo xác nháºn bằng vÄn bản Äược gá»i trÆ°á»c khi ra mắt"]},{step:"BÆ°á»c 6",title:"Khá»i Äá»ng và bà n giao",description:"Chạy song song vá»i các há» thá»ng cÅ© trong 5 Äến 10 ngà y là m viá»c, sau Äó chuyá»n Äá»i trong giá» là m viá»c. Bà n giao bao gá»m má»t sá» tay, tà i liá»u dbt, sÆ¡ Äá» kiến ââtrúc và hÆ°á»ng dẫn Äược ghi lại trong 90 phút. Cá»ng thêm 30 ngà y há» trợ miá»
n phà sau khi ra mắt.",bullets:["Chạy song song vá»i các há» thá»ng cÅ© trong 5 Äến 10 ngà y là m viá»c","Runbook, tà i liá»u dbt, sÆ¡ Äá» kiến ââtrúc và hÆ°á»ng dẫn Äược ghi lại","Bao gá»m 30 ngà y há» trợ miá»
n phà sau khi ra mắt"]}]},pillars:{items:[{number:"01",title:"Kiến trúc sạch & Thiết kế DAG",description:"DAG luá»ng không khà mô-Äun, nhóm nhiá»m vụ hợp lý và các toán tá» có thá» trì hoãn á» những nÆ¡i chúng thá»±c sá»± quan trá»ng. Mã mà má»t kỹ sÆ° má»i có thá» Äá»c trong má»t buá»i chiá»u.",icon:"Blocks"},{number:"02",title:"Mô hình cụ thá» của ngà nh",description:"cấu trúc dbt Äược Äiá»u chá»nh phù hợp vá»i cách doanh nghiá»p của bạn thá»±c sá»± nghÄ© vá» khách hà ng, doanh thu và sá»± kiá»n. Chúng tôi gá»i logic tùy chá»nh thay vì các mẫu thÆ°Æ¡ng mại Äiá»n tá» chung chung.",icon:"BarChart3"},{number:"03",title:"Äá» tin cáºy & Bảo máºt",description:"Bà máºt Äược lÆ°u trữ trong Trình quản lý bà máºt hoặc KMS, IAM có Äặc quyá»n tá»i thiá»u, mã hóa khi lÆ°u trữ và Äang truyá»n. Kiá»m toán sẵn sà ng ngay từ ngà y Äầu tiên.",icon:"ShieldCheck"},{number:"04",title:"Cấu trúc tá»i Æ°u & thiết láºp kỹ thuáºt",description:"Chiến lược hiá»n thá»±c hóa phù hợp, cá»ng vá»i viá»c phân vùng và phân cụm cẩn tháºn. Hiá»u suất truy vấn Äược Äiá»u chá»nh từ lâu trÆ°á»c khi bạn nhìn thấy má»t trang tá»ng quan duy nhất.",icon:"Settings"},{number:"05",title:"TÃch hợp CRM, ERP & SaaS",description:"Nháºp dữ liá»u từ Salesforce, HubSpot, NetSuite, Stripe, Shopify và Segment. Cá»ng vá»i các trình kết ná»i tùy chá»nh cho các API hiếm.",icon:"Plug"},{number:"06",title:"Kiá»m tra chất lượng dữ liá»u theo mặc Äá»nh",description:"Great Expectations vá» viá»c nháºp, kiá»m tra dbt vá» chuyá»n Äá»i, thá»±c thi hợp Äá»ng lược Äá» á» ranh giá»i nguá»n.",icon:"CheckCircle"}]},comparison:{rows:[{criterion:"Dòng thá»i gian bắt Äầu",vdt:"2 Äến 6 tuần",freelancer:"4 Äến 12 tuần",agency:"8 Äến 16 tuần"},{criterion:"Danh sách kiá»m tra Äá» tin cáºy sản xuất",vdt:"40 Äiá»m Äá»c quyá»n",freelancer:"Äặc biá»t",agency:"Khác nhau"},{criterion:"Thiết kế DAG bình thÆ°á»ng",vdt:"âï¸",freelancer:"Thá»nh thoảng",agency:"âï¸"},{criterion:"Thá»±c thi hợp Äá»ng lược Äá»",vdt:"Great Expectations + dbt",freelancer:"â",agency:"âï¸"},{criterion:"Cảnh báo SLA tá»i PagerDuty hoặc Opsgenie",vdt:"âï¸",freelancer:"Hiếm",agency:"âï¸"},{criterion:"Runbook và bà n giao Äược ghi lại",vdt:"âï¸",freelancer:"â",agency:"âï¸"},{criterion:"Truy cáºp trá»±c tiếp và o các nhà xây dá»±ng",vdt:"Má»i cuá»c há»p",freelancer:"âï¸",agency:"Tráºn khá»i Äầu hiếm hoi trong quá khứ"},{criterion:"Bạn sá» hữu kho lÆ°u trữ GitHub",vdt:"âï¸",freelancer:"Khác nhau",agency:"âï¸"},{criterion:"Trải nghiá»m ngÄn xếp Äa nguá»n",vdt:"HÆ¡n 150 dá»± án",freelancer:"Khác nhau",agency:"âï¸"},{criterion:"Há» trợ miá»
n phà 30 ngà y sau khi ra mắt",vdt:"âï¸",freelancer:"â",agency:"Khác nhau"},{criterion:"Airflow + dbt + chuyên môn phát trá»±c tuyến trong má»t nhóm",vdt:"âï¸",freelancer:"Hiếm",agency:"âï¸ vá»i chi phà gấp 3 Äến 5 lần"}]},warning:{items:[{title:"ÄÆ°á»ng á»ng âm thầm phá vỡ",description:"Viá»c tìm ra ÄÆ°á»ng dẫn chá» thất bại khi Giám Äá»c Äiá»u hà nh ÄÆ°a cho bạn má»t bảng Äiá»u khiá»n cÅ© và o lúc 8 giá» sáng.",icon:"AlertTriangle"},{title:"Táºp lá»nh kế thừa mong manh",description:"Má»t Python bá»n tuá»i và cron stack không ai trong nhóm hiá»n tại dám chạm và o.",icon:"FileCode"},{title:"Mẫu có sẵn",description:"NgÄn xếp dữ liá»u chung không khá»p vá»i cách doanh nghiá»p của bạn thá»±c sá»± láºp mô hình doanh thu, ngÆ°á»i dùng hoặc sá»± kiá»n.",icon:"LayoutTemplate"},{title:"Không phải lá»p sản xuất",description:"Các quy trình hoạt Äá»ng tá»t trong quá trình chạy thá» nhÆ°ng bá» lỡ SLA, bá» qua các lần thá» lại và gá»i mà không có sá» chạy.",icon:"ShieldAlert"},{title:"Phức tạp Äá» duy trì",description:"NÄm trÄm táºp lá»nh SQL dòng, DAG luá»ng khà rá»i rắm và các phép biến Äá»i không có giấy tá». Má»i thay Äá»i Äá»u là má»t canh bạc.",icon:"Wrench"},{title:"Silo dữ liá»u á» má»i nÆ¡i",description:'Salesforce, Stripe, Mixpanel và NetSuite. Sáu công cụ cá»ng vá»i sáu phiên bản "khách hà ng tÃch cá»±c".',icon:"Database"}]},stack:{rows:[{layer:"Hòa âm",tools:["Airflow","Snowflake","dbt"]}
1,{layer:"Chuyá»n Äá»i",tools:["dbt","SQL","Python","Spark"]},{layer:"Nháºp",tools:["Airbyte","Fivetran","Python tùy chá»nh"]},{layer:"Kho",tools:["BigQuery","Snowflake","Redshift","Databricks"]},{layer:"Truyá»n phát",tools:["Apache Kafka","Google Pub/Sub","AWS Kinesis"]},{layer:"Chất lượng dữ liá»u",tools:["Great Expectations","Kiá»m tra dbt","Soda"]},{layer:"Giám sát",tools:["Datadog","Grafana","PagerDuty","Opsgenie"]},{layer:"CÆ¡ sá» hạ tầng",tools:["Terraform","GCP","AWS","Azure"]},{layer:"Trình kết ná»i CRM & SaaS",tools:["Salesforce","HubSpot","Stripe","Shopify","Segment"]}]}}},"data-platform-modernization":{faq:[{question:"Dá»ch vụ hiá»n Äại hóa ná»n tảng dữ liá»u có giá bao nhiêu?",answer:"Các hoạt Äá»ng tÆ°Æ¡ng tác bắt Äầu từ 500 USD, vá»i báo giá giá thầu cá» Äá»nh cuá»i cùng Äược Äá»nh hình phù hợp vá»i quy mô ná»n tảng của bạn và phần quy trình là m viá»c mà bạn muá»n gá»i trÆ°á»c tiên. Chúng tôi Äá»ng ý vá» phạm vi và mức Äầu tÆ° Äầy Äủ cho cuá»c gá»i khám phá miá»
n phà trÆ°á»c khi bất kỳ công viá»c nà o bắt Äầu, không có bất ngá» vá» thá»i gian và váºt liá»u cÅ©ng nhÆ° không có phà ẩn. Quá trình di chuyá»n Äa miá»n hoặc toà n bá» kho lá»n hÆ¡n và ngÆ°á»i lÆ°u giữ Äá»i tác Äược nhúng Äá»u nằm trong phạm vi của cùng má»t cuá»c trò chuyá»n. Äá»i vá»i bá»i cảnh thá» trÆ°á»ng, phạm vi Äá»i tác tÆ°Æ¡ng ÄÆ°Æ¡ng của Hoa Kỳ có giá từ 300.000 USD Äến 3 triá»u USD má»t lần và 10.000 USD Äến 40.000 USD má»i tháng; dữ liá»u ngà nh cho thấy mức di chuyá»n ná»n tảng dữ liá»u trung bình dao Äá»ng từ 450 nghìn Äô la Äến 2,3 triá»u Äô la, vá»i các lần di chuyá»n kho ÄÆ¡n lẻ nhÆ° Redshift sang Snowflake hoặc BigQuery thÆ°á»ng là 400 nghìn Äô la Äến 800 nghìn Äô la."},{question:"Chúng ta sẽ thấy giá trá» nhanh Äến mức nà o?",answer:"Lô hà ng Äầu tiên sẽ Äược giao sau 6 Äến 10 tuần. Quy trình má»i chạy song song vá»i kế thừa từ tuần thứ 5 trá» Äi, do Äó, viá»c hòa giải và xây dá»±ng lòng tin bắt Äầu trÆ°á»c khi chuyá»n Äá»i. Quá trình hiá»n Äại hóa Äa miá»n hoà n toà n diá»
n ra từ 3 Äến 9 tháng, vá»i má»i phần giá trá» váºn chuyá»n Äá»c láºp. Phân phá»i theo giai Äoạn có nghÄ©a là doanh nghiá»p nhìn thấy kết quả á» cuá»i má»i phần chứ không phải á» cuá»i chÆ°Æ¡ng trình."},{question:"Bạn có thá» hiá»n Äại hóa mà không phá vỡ báo cáo hiá»n có không?",answer:"Äúng, Äây là toà n bá» quan Äiá»m của quá trình hiá»n Äại hóa theo giai Äoạn. Quy trình cÅ© chạy song song vá»i quy trình má»i cho Äến khi quá trình Äá»i chiếu khá»p vá»i khoảng thá»i gian Äã thá»ng nhất, Äược nhóm sá» hữu các con sá» giám sát và tin cáºy. Viá»c chuyá»n Äá»i chá» xảy ra sau khi các sá» khá»p nhau chứ không phải và o ngà y dÆ°Æ¡ng lá»ch."},{question:"Nhóm Van Data thÃch loại ngÄn xếp nà o Äá» hiá»n Äại hóa?",answer:"Mặc Äá»nh là dbt cá»ng vá»i BigQuery cá»ng vá»i Airflow trên GKE dà nh cho kho và Äiá»u phá»i, vá»i Cloud Run, Lambda hoặc dlt Äá» nháºp nhẹ. Snowflake, PostgreSQL, Redshift, Databricks và Prefect Äá»u nằm trong phạm vi khi chúng phù hợp vá»i quy trình là m viá»c. Stack Äược chá»n bá»i áp lá»±c công viá»c chứ không phải bá»i lòng trung thà nh."},{question:'"AI Äã sẵn sà ng" có phải là má»t cam kết riêng biá»t không?',answer:"ThÆ°á»ng thì không. Hợp Äá»ng rõ rà ng, dòng dõi, sá» liá»u Äược quản lý và quy trình có thá» quan sát Äược là những yếu tá» tạo nên má»t ná»n tảng sẵn sà ng cho AI. Nếu quá trình hiá»n Äại hóa Äược thá»±c hiá»n tá»t, lá»p tác nhân AI sẽ trá» thà nh má»t sá»± tham gia bá» sung nhá» (thÆ°á»ng là AI kết hợp vá»i phạm vi dữ liá»u) thay vì má»t quyết Äá»nh ná»n tảng má»i."},{question:"Bạn có là m viá»c vá»i AWS, GCP và Azure không?",answer:"Cả ba. GCP mạnh nhất (BigQuery, GKE, Cloud Run, Cloud Composer), AWS mạnh (Redshift, EKS, MWAA, Lambda), có khả nÄng Azure (Synapse, AKS, Databricks). Khung nà y giá»ng há»t nhau trên các Äám mây: kiá»m tra ánh xạ quy trình là m viá»c, di chuyá»n theo giai Äoạn, láºp mô hình dbt, chuyá»n Äá»i chạy song song, lan can. Äá» sâu cụ thá» của Äám mây Äược tiết lá» má
1»t cách trung thá»±c trong cuá»c gá»i khám phá."},{question:"Hiá»n Äại hóa ná»n tảng dữ liá»u ra nÆ°á»c ngoà i có an toà n cho các ngà nh Äược quản lý không?",answer:"Có, khi Äược cấu trúc Äúng cách. Chúng tôi chá» thá»±c hiá»n quyá»n truy cáºp Äá»c Äá»i vá»i dữ liá»u sản xuất nếu có thá», không có dữ liá»u sản xuất nà o rá»i khá»i Äám mây của bạn, nháºt ký kiá»m tra Äầy Äủ của má»i hà nh Äá»ng, BAA hoặc DPA Äã ký nếu có và các Äiá»u khoản vá» quyá»n kiá»m tra. Chúng tôi Äã váºn chuyá»n theo các biá»n pháp kiá»m soát phù hợp vá»i SOC2 và GDPR vá»i các khách hà ng lân cáºn trong lÄ©nh vá»±c chÄm sóc sức khá»e của Liên minh Châu Ãu và Hoa Kỳ. PHI Äược HIPAA bảo hiá»m thÆ°á»ng yêu cầu má»t nhà cung cấp Äá»ng thá»i có trụ sá» tại Hoa Kỳ vì lý do chuá»i BAA; chúng tôi hợp tác phù hợp."},{question:"Cấu trúc hợp Äá»ng của bạn là gì?",answer:"Xây dá»±ng sản xuất là giá thầu cá» Äá»nh, Äược xác Äá»nh phạm vi trÆ°á»c khi ký và o lá»nh gá»i khám phá; các cam kết bắt Äầu từ $500, vá»i con sá» cuá»i cùng Äược Äặt má»t cách minh bạch trÆ°á»c khi công viá»c bắt Äầu. Äá»i tác nhúng có phạm vi cá» Äá»nh hà ng tháng và không tÃnh phà theo giá», Äiá»u nà y cÅ©ng Äã Äược thá»a thuáºn trong cuá»c gá»i. Hầu hết khách hà ng ÄÄng nháºp thông qua Upwork (Äánh giá Äã Äược xác minh, thiết láºp hợp Äá»ng, bảo vá» thanh toán) hoặc hợp Äá»ng trá»±c tiếp. Chúng tôi có thá» ký MSA hoặc SOW cho các cam kết do mua sắm dẫn Äầu. Chúng tôi không thá»±c hiá»n phần trÄm thanh toán tiết kiá»m vì nó tạo ra Äá»ng lá»±c Äá» cắt giảm phạm vi quá mức."},{question:"Là m thế nà o Äá» bạn ngÄn chặn quá trình hiá»n Äại hóa quay trá» lại các khuôn mẫu cÅ©?",answer:"Ba biá»n pháp bảo vá» Äược cung cấp nhÆ° má»t phần của má»i Bản dá»±ng sản xuất: hợp Äá»ng lược Äá» giữa nhà sản xuất và ngÆ°á»i tiêu dùng (Äá» các thay Äá»i Äược phá»i hợp, không gây ngạc nhiên), SLA má»i vá»i cảnh báo Äược chuyá»n Äến nhóm sá» hữu dữ liá»u và lá»p sá» liá»u Äược phiên bản Äá» các Äá»nh nghÄ©a KPI không bá» sai lá»ch. Nếu không có những Äiá»u nà y, những thà nh tá»±u hiá»n Äại hóa sẽ giảm sút trong vòng 12 Äến 18 tháng. Vá»i há», ná»n tảng vẫn có thá» duy trì Äược. Trình lÆ°u giữ Äá»i tác nhúng giữ cho chÆ°Æ¡ng trình chạy trên nhiá»u lát."},{question:"Chúng tôi có thá» tiếp tục sá» dụng Fivetran, Stitch hoặc Airbyte cùng vá»i sá»± tham gia của bạn không?",answer:"Äúng. Chúng tôi là ngÆ°á»i bất khả tri vá» công cụ. Khoảng 40% ngÆ°á»i mua của chúng tôi giữ SaaS nháºp Äược quản lý cho các nguá»n dá»
dà ng trong khi chúng tôi cung cấp công viá»c nháºp, láºp mô hình và Äiá»u phá»i khó hÆ¡n. Cả hai kết hợp tá»t: các Äầu ná»i Äược quản lý xá» lý luá»ng hà ng hóa, chúng tôi xá» lý các ÄÆ°á»ng dẫn quan trá»ng của quy trình là m viá»c. Chúng tôi sẽ không Äá» xuất những công cụ mà bạn không cần."}],renderer:{delivery:{stages:[{step:"Tuần 1 Äến 2",title:"Kiá»m tra ánh xạ quy trình là m viá»c, chuá»i phụ thuá»c, xác Äá»nh nút thắt cá» chai",description:"NgÆ°á»i sáng láºp cá»ng vá»i ngÆ°á»i dẫn Äầu ná»n tảng của bạn. Ãnh xạ má»i quy trình, mô hình và hoạt Äá»ng tÃch hợp và o quy trình kinh doanh mà nó phục vụ."},{step:"Tuần 3 Äến 4",title:'Kế hoạch di chuyá»n theo giai Äoạn, trình tá»± lát cắt, danh sách "những gì còn lại"',description:"Các lát Äược Äặt tên vá»i tiêu chà cắt chạy song song. Phê duyá»t phạm vi trÆ°á»c khi bắt Äầu triá»n khai."},{step:"Tuần 5 Äến 8",title:"Phần Äầu tiên: hiá»n Äại hóa quá trình nháºp, láºp mô hình dbt, di chuyá»n Äiá»u phá»i",description:"ÄÆ°á»ng á»ng má»i chạy dá»c theo di sản. Hợp Äá»ng, thá» nghiá»m và dòng dõi Äược coi là má»t phần của công trình."},{step:"Tuần 9 Äến 12",title:"Xác minh chạy song song, Äá»i chiếu, cắt lát Äầu tiên",description:"Sá» khá»p trÆ°á»c khi cắt. Các biá»n pháp bảo vá»: SLA má»i, phát hiá»n sai lá»ch, giám sát chi phà truy vấn."},{step:"Tuần 13 Äến 16",title:"Bà n giao: sá» tay, biá»u Äá» dòng, tá»i Æ°u hóa 30 ngà y sau khi ra mắt",description:"Mẫu Äánh giá hà ng tháng Tùy chá»n: xác Äá»nh phạm vi cho phần tiếp theo hoặc ngÆ°á»i lÆ°u giữ Äá»i tác Äược nhúng."}],timelineShift:[{scope:"Má»t lát cắt quy trình công viá»c",timeline:"ThÆ°á»ng kết thúc và o tuần thứ 8."},{scope:"Thá» trÆ°á»ng tầm trung, Äám mây ÄÆ¡n",timeline:"Khoảng 10 Äến 14 tuần."},{scope:"Hiá»n Äại hóa Äa miá»n",timeline:"14 Äến 20 tuần trên nhiá»u lát."},{scope:"HIPAA, SOC2 hoặc dữ liá»u Äược quản lý",timeline:"14 Äến 20 tuần vá»i công viá»c bá» sung tà i liá»u và kiá»m soát truy cáºp."}]},pillars:{items:[{number:"01",title:"Tại sao viá»c viết lại toà n bá» quá trình hiá»n Äại hóa lại bá» Äình trá»",body:["Các nhà cung cấp hiá»n Äại hóa tiêu chuẩn Äá» xuất xây dá»±ng lại trong 9 tháng: bản khám phá trong tháng 1 Äến tháng 4, kiến ââtrúc trong tháng 4 Äến tháng 6, triá»n khai trong tháng 6 Äến tháng 9. Äến tháng thứ sáu, doanh nghiá»p Äã thay Äá»i Äến mức thông sá» kỹ thuáºt ban Äầu không còn phù hợp nữa. NgÄn xếp kế thừa chạy song song, chi phà tÄng gấp Äôi và niá»m tin và o chÆ°Æ¡ng trình bá» xói mòn. Dữ liá»u ngà nh ủng há» Äiá»u nà y: hầu hết các quá trình di chuyá»n ná»n tảng dữ liá»u Äầy Äủ Äá»u tiêu tá»n từ 300 nghìn Äô la Äến 3 triá»u Äô la và 70 Äến 80% ngân sách CNTT cÅ© sẽ Äược sá» dụng cho viá»c bảo trì và sau Äó viá»c viết lại thÆ°á»ng không thá» gỡ bá» há» thá»ng cÅ©."],image:"/images/dpm-why-full-rewrite-modernizations-stall.webp"},{number:"02",title:"Hiá»n Äại hóa xung quanh quy trình là m viá»c thắt cá» chai",body:["Chúng tôi xác Äá»nh má»t quy trình là m viá»c Äã phải trả thuế kế thừa - Äóng tà i chÃnh cháºm, sáng kiến ââAI bá» Äình trá», bảng Äiá»u khiá»n không Äáng tin cáºy, quy trình dá»
vỡ là m há»ng má»i bản phát hà nh - và hiá»n Äại hóa phần Äó từ Äầu Äến cuá»i. Má»i lát Äá»u có hợp Äá»ng, giám sát và khôi phục riêng. NgÄn xếp kế thừa thu nhá» từng quy trình là m viá»c thay vì Äược thay thế trong má»t lần chuyá»n Äá»i có rủi ro cao.","Viá»c Äiá»u chá»nh lại khung ÄÆ¡n lẻ Äó mang lại 60 Äến 80% giÃ
1¡ trá» trong phần Äầu tiên, tháºm chà trÆ°á»c khi chúng tôi chạm và o phần còn lại của ná»n tảng. Sau khi quy trình là m viá»c Äầu tiên nằm trên ngÄn xếp má»i và Äược tin cáºy, phần còn lại của tá» chức sẽ bắt Äầu yêu cầu khá»i lượng công viá»c của há» trên Äó, Äây chÃnh xác là cách phù hợp Äá» hiá»n Äại hóa lan rá»ng."],image:"/images/dpm-modernizing-around-the-bottleneck-workflow.webp"},{number:"03",title:"Những gì chúng tôi sẽ không phá vỡ: các rà o cản di cÆ°",body:["Má»i lát cắt di chuyá»n Äá»u Äi kèm vá»i xác minh chạy song song. TrÆ°á»c khi cắt bá» bất cứ thứ gì, chúng tôi Äặt tên cho những gì Äược bảo vá»:","Báo cáo hiá»n tại mà ngÆ°á»i Äánh giá tà i chÃnh, hoạt Äá»ng hoặc há»i Äá»ng quản trá» phụ thuá»c và o hà ng tuần","ÄÆ°á»ng á»ng cung cấp sản phẩm cho khách hà ng hoặc SLA bên ngoà i","Các luá»ng dữ liá»u bá» rà ng buá»c tuân thủ (SOC2, GDPR, các ÄÆ°á»ng dẫn kiá»m tra liá»n ká» của HIPAA)","Bất cứ Äiá»u gì mà viá»c bá» sót phần cắt sẽ buá»c nhóm phải giải thÃch lại các con sá» cho giám Äá»c Äiá»u hà nh","Trần chi phà trên ná»n tảng má»i - Viá»c lạm dụng vá» trà BigQuery và tÃn dụng Snowflake Äá»u có các chế Äá» lá»i hiá»n thá» trên hóa ÄÆ¡n","Quy trình má»i chạy song song vá»i công viá»c cÅ© cho Äến khi quá trình Äá»i chiếu Äược thông qua trong khoảng thá»i gian Äã thá»a thuáºn. Viá»c chuyá»n Äá»i chá» xảy ra sau khi các sá» khá»p nhau chứ không phải và o ngà y dÆ°Æ¡ng lá»ch. Ká»· luáºt Äó là sá»± khác biá»t giữa má»t bản hiá»n Äại hóa hoà n thà nh trong 12 tuần và má»t bản viết lại kéo dà i 12 tháng."],image:"/images/dpm-what-we-wont-break-migration-guardrails.webp"}]},caseStudies:{featured:[{engagement:"tÄng tá»c báo cáo tà i chÃnh dbt",engagementHref:"https://vandatateam.com/portfolio/dbt-finance-reporting-acceleration-stack",stack:"BigQuery + dbt",outcome:"Chá»t cuá»i tháng nhanh hÆ¡n 65%, 3 ngà y â dÆ°á»i 1"},{engagement:"Hiá»n Äại hóa luá»ng không khà Äa vùng",engagementHref:"https://vandatateam.com/portfolio/multi-region-airflow-modernization-program",stack:"GCP / GKE",outcome:"Giảm 38% chi phà cÆ¡ sá» hạ tầng nhá» khả nÄng chuyá»n Äá»i dá»± phòng Äược cải thiá»n"},{engagement:"Kho BigQuery Fortune 500",engagementHref:"https://vandatateam.com/portfolio/enterprise-data-warehouse-analytics-platform",stack:"GCP / BigQuery",outcome:"Giảm 95% thá»i gian báo cáo, tá»± Äá»ng hóa hÆ¡n 30 KPI"},{engagement:"Hiá»n Äại hóa ngÄn xếp dữ liá»u AWS",stack:"AWS + dbt",outcome:"Giảm hóa ÄÆ¡n 60%, không há»i quy SLA"}],portfolio:[{caseNumber:"01",title:"Ná»n tảng ETL quảng cáo Äa kênh trên luá»ng không khÃ",platform:"AIRFLOW_SNOWFLAKE",category:"PHÃN TÃCH TIẾP THỠ· ETL ÄA KÃNH · SNOWFLAKE + AZURE SQL",challenge:"Nhóm phân tÃch tiếp thá» cần nháºp dữ liá»u ná»n tảng quảng cáo theo lá»ch trình, Äáng tin cáºy từ Google Ads, Twitter, Snap, TikTok và Criteo Retail Media - má»i phÆ°Æ¡ng tiá»n Äá»u có các Äặc Äiá»m API, quy trình xác thá»±c và hà nh vi giá»i hạn tá»· lá» riêng - sẽ Äược ÄÆ°a và o cả Snowflake và MS SQL Server.",solution:"Xây dá»±ng ngÄn xếp Dockerised Airflow 2.3 (Postgres metastore, CeleryExecutor, PG Admin). Má»i kênh gá»i DAG của riêng mình theo má»t trÃch xuất nhất quán â giai Äoạn â mẫu MERGE thông qua write_pandas và o Snowflake. Trình trÃch xuất Criteo song song Äược lÆ°u trữ trên Azure xác thá»±c thông qua các hà ng chiến dá»ch OAuth và MERGE thông tin xác thá»±c ứng dụng khách và o MS SQL Server bằng cách sá» dụng các truy vấn pyodbc Äược tham sá» hóa.",results:["5 ná»n tảng quảng cáo Äược hợp nhất trong má»t ngÄn xếp Airflow duy nhất","HÆ¡n 7 DAG Äược lên lá»ch chạy trÃch xuất nhất quán â giai Äoạn â logic hợp nhất","Snowflake MERGE nâng cấp Äảm bảo không có hà ng trùng lặp khi thá» lại","OAuth 2.0 Äược xá» lý trên Twitter, Google, Snap, TikTok và Criteo","Các biến thá» dà n dá»±ng S3 Äược cung cấp cho các kênh có khá»i lượng lá»n"],technologies:["Airflow 2.3","Snowflake","Azure SQL","Docker"]}
1,{caseNumber:"02",title:"CRM + ÄÆ°á»ng á»ng bông tuyết mạng quảng cáo",platform:"AIRFLOW_SNOWFLAKE",category:"PHÃN TÃCH TIẾP THá» B2B · DELTA LOAD ETL · PHÃT TRIá»N KPI",challenge:"Nhóm Äiá»u hà nh tiếp thá» B2B SaaS cần má»t ná»n tảng dữ liá»u cấp sản xuất kéo hiá»u suất tiếp thá» hà ng ngà y từ các cÆ¡ há»i TikTok, Twitter, Snapchat và Salesforce và o Snowflake - cùng vá»i các tạo phẩm xây dá»±ng theo dõi quy trình DevOps ná»i bá» trên JFrog Artifactory.",solution:"Dá»± án Multi-DAG Airflow Äược Äóng gói vá»i Máy chủ web + Trình láºp lá»ch biá»u + Cần tây + Redis + Postgres + pgAdmin. Salesforce DAG sá» dụng bá» lá»c LastModifiedDate delta; DAG quảng cáo sá» dụng mẫu MERGE theo giai Äoạn chèn / cáºp nháºt theo giai Äoạn Äược khóa trên CampaignID + AdvertiserID + StatTimeDay cho ngữ nghÄ©a chÃnh xác má»t lần. Má»t etl-artifact-kpis DAG riêng biá»t theo dõi sá» liá»u JFrog thông qua dohq-artifactory.",results:["MERGE bình thÆ°á»ng ngÄn chặn sá»± trùng lặp trong má»i lần thá» lại","TÃnh nÄng chèn lấp lá»ch sá» tá»± Äá»ng bá» qua các cá»a sá» Äã Äược xá» lý","5 há» thá»ng nguá»n trong má»t lần là m má»i tÄng dần hà ng ngà y","JFrog KPI DAG bá» sung khả nÄng quan sát DevOps cùng vá»i dữ liá»u tiếp thá»","Có thá» Äá»nh cấu hình thông qua Biến luá»ng khà + tá»p cấu hình JSON"],technologies:["Airflow","Snowflake","Salesforce API","Redis"]},{caseNumber:"03",title:"Há» hợp nhất dữ liá»u chÄm sóc sức khá»e",platform:"AWS",category:"CHÄM SÃC SỨC KHá»E · MEDALLION LAKE · KIá»M TOÃN CẤP HIPAA",challenge:"Hợp nhất nhân khẩu há»c thà nh viên chÄm sóc sức khá»e không Äá»ng nhất, yêu cầu bảo hiá»m và thÆ° mục nhà cung cấp - Äến dÆ°á»i dạng CSV, TSV, vÄn bản có chiá»u rá»ng cá» Äá»nh và Excel từ nhiá»u há» thá»ng nguá»n - và o má»t kho có thá» truy vấn Athena duy nhất vá»i khả nÄng kiá»m tra dòng dõi Äầy Äủ.",solution:"ÄÆ°á»ng á»ng sản xuất Airflow 2.7 + AWS Glue 4.0 (PySpark 3.4.1). DAG 5 tác vụ chạy detect_new_files â parse_yaml_config â trigger_glue_job â generate_stats â log. Cấu hình YAML cho phép những ngÆ°á»i không phải là kỹ sÆ° thêm nguá»n bằng cách thả tá»p và o S3; Công thức get_glue_capacity() của công viá»c Glue tá»± Äá»ng chia tá»· lá» DPU theo sá» lượng nguá»n. Má»i lần chạy sẽ ÄÆ°a sá» liá»u thá»ng kê trên má»i cá»t và o má»t tảng bÄng trôi PostgreSQL_ingestion_audit_log Äá» truy xuất nguá»n gá»c theo kiá»u HIPAA.",results:["4 Äá»nh dạng tá»p Äược thá»ng nhất thà nh má»t kho Parquet/Athena duy nhất","Dòng cấp HIPAA có % cấp Äá» cá»t null, khác biá»t, tá»i thiá»u/tá»i Äa","Thá» lại nháºn biết Äá»ng thá»i trên ConcurrentRunsExceededException","6 biến thá» phân tÃch cú pháp Äá»nh dạng ngà y (ISO, US, EU)","MinIO + Docker Compose cho toà n bá» Äám mây + tÃnh chẵn lẻ cục bá»"],technologies:["AWS Glue 4.0","Athena","Airflow 2.7","PySpark"]},{caseNumber:"04",title:"Há» dữ liá»u thá» trÆ°á»ng chứng khoán Hoa Kỳ trên Polygon.io",platform:"AWS",category:"FINTECH · THá» TRƯá»NG Vá»N · LAKEHOUSE + PHÃN TÃCH",challenge:"Má»t khách hà ng fintech muá»n có há» dữ liá»u thá» trÆ°á»ng chứng khoán Hoa Kỳ cấp tá» chức bao gá»m các giao dá»ch, báo giá, tin tức, cá» tức, phân chia, tà i chÃnh và dữ liá»u tham khảo - Äược xây dá»±ng dá»±a trên Polygon.io thay vì dá»±a và o bảng Äiá»u khiá»n của bên thứ ba. Ná»n tảng phải sẵn sà ng Äá» sản xuất: Äã Äược thá» nghiá»m, phân trang, bình thÆ°á»ng.",solution:"Má»t mô-Äun Python cho má»i Äiá»m cuá»i Äa giác, phân trang qua next_url tại các trang 50.000 hà ng và ghi JSON/CSV Äược phân vùng Hive và o S3. Dá»± án dbt-Athena mô hình OHLCV cá»ng vá»i bảy há» chá» báo. Công cụ tÃnh toán gấu trúc thuần túy triá»n khai MACD, Bollinger, RSI, ngẫu nhiên, MFI, OBV và Aroon - má»i chá» báo Äược há» trợ bá»i bá» pytest chuyên dụng.",results:["HÆ¡n 15 Äiá»m cuá»i Äa giác Äược nháºp bằng cách ghi S3 bình thÆ°á»ng","HÆ¡n 13 chá» báo kỹ thuáºt + 25+ mẫu TA-Lib trên bảng Äiá»u khiá»n","Phân vùng kiá»u Hive Äiá»u khiá»n viá»c cắt tá»a phân vùng Athena","Bao gá»m phạm vi bảo hiá»m pytest Äầy Äủ cho má»i há» chá» thá». Các biến thá» của Chữ Tháºp Và ng","Tham sá» hóa tÆ°Æ¡ng thÃch vá»i AWS Glue cho các lần chạy theo lá»ch trình"],technologies:["S3","dbt-Athena","Äa giác.io","NgÆ°á»i quản lý bà máºt"]},{caseNumber:"05",title:"Kho KPI mức Äá» trung thà nh theo cấp Äá» trên BigQuery",platform:"GCP",category:"BÃN LẺ CAO CẤP · TRUNG THÃNH · Äá»NG CÆ KPI THEO KỲ",challenge:"Má»t Äiá»m Äến bán lẻ cao cấp Äang chạy chÆ°Æ¡ng trình khách hà ng thân thiết theo cấp Äá» (NgÆ°á»i ná»i bá» / Uy tÃn / Ưu tú) cần báo cáo KPI Äiá»u hà nh hà ng tuần vá»i các so sánh MTD / YTD / NÄm ngoái qua các lượt ÄÄng ký, mua hà ng, hoà n thà nh há» sÆ¡ và tiếp thá» - thay thế cho sá»± tranh cãi thủ công từ SFTP sang bảng tÃnh từ ná»n tảng khách hà ng thân thiết của há».",solution:"SFTP â GCS â BigQuery ETL sá» dụng 4 miá»n khách hà ng thân thiết. Trình tạo SQL Äá»ng phát hiá»n các giá trá» LOCATION_NAME + LOCATION_CATEGORY riêng biá»t và xoay chúng và o các cá»t trên má»i cá»a hà ng. Công cụ KPI tÃnh toán tất cả các sá» liá»u trên 5 chiá»u thá»i gian bằng phép toán nÄm nhuáºn và tháng thay Äá»i, sau Äó xuất bản lên Excel (vá»i Äá»nh dạng có Äiá»u kiá»n), Google Trang tÃnh và trang tá»ng quan Streamlit. Docker Compose vá»i proxy ngược nginx SSL sẵn sà ng cho Cloud Run.",results:["5 khoảng thá»i gian Äược so sánh trên má»i sá» liá»u (MTD, MTD trÆ°á»c, MTD LY, YTD, YTD LY)","Giá trá» vá
1» trà tá»± Äá»ng phát hiá»n trục xoay trên má»i cá»a hà ng","Excel + Google Trang tÃnh + Xuất bản ba Äầu ra hợp lý","Là m má»i 9 giá» sáng hà ng ngà y thông qua cron trong vùng chứa trên Cloud Run","Access-kpi CLI có thá» cà i Äặt theo pip dà nh cho các lần chạy lại Äặc biá»t"],technologies:["BigQuery","Cloud Run","SFTP","Streamlit"]},{caseNumber:"06",title:"Trung tâm dữ liá»u Shopify nhiá»u ngÆ°á»i thuê á» quy mô lá»n",platform:"GCP",category:"SAAS ECOMMERCE · ETL NHIá»U NGƯá»I THUà · Tá»I ƯU HÃA TRẢ LẠI",challenge:"Công viá»c Äá»ng bá» hóa kế thừa của ná»n tảng phân tÃch Shopify nhiá»u bên thuê mất khoảng 10 ngà y Äá» lấp Äầy lá»ch sá» 5 nÄm của má»t ngÆ°á»i bán - không thá» sá» dụng Äược trên quy mô lá»n trên hà ng chục khách hà ng. Há» cần má»t ná»n tảng nháºn biết webhook song song, có thá» nhanh chóng há» trợ những ngÆ°á»i bán má»i và giữ cho các bảng luôn má»i mà không cần trÃch xuất lại má»i thứ hà ng ngà y.",solution:"Kiến trúc Cloud Run bá»n dá»ch vụ: trình nghe API, trình nghe webhook (Äược Äá»nh tuyến Pub/Sub), trình tải GCS-to-BigQuery và trình lên lá»ch cho Äá»i tượng thuê. Firestore Äóng vai trò là cÆ¡ quan ÄÄng ký Äá»i tượng ánh xạ từng customer_id tá»i shopify_store_url + token truy cáºp. TrÃch xuất song song cho má»i Äá»i tượng thuê vá»i viá»c thá» lại nháºn biết giá»i hạn tá»c Äá». Tải bá» khấu trừ Äầy Äủ cho các bảng thay Äá»i cháºm; tải luân phiên hà ng ngà y cho các sá»± kiá»n có sá» lượng lá»n.",results:["Thá»i gian san lấp 5 nÄm giảm từ ~10 ngà y xuá»ng còn và i giá»","4 dá»ch vụ Cloud Run chá»u trách nhiá»m duy nhất","ÄÄng ký ngÆ°á»i thuê Firestore - má»t dá»ch vụ phục vụ má»i thÆ°Æ¡ng gia","Äá»nh tuyến lá»i do Sentry giám sát tá»i trình xá» lý Cloud Run thứ cấp","KÃch hoạt webhook Pub/Sub Äá» cáºp nháºt gia tÄng mà không cần kéo lại toà n bá»"],technologies:["Cloud Run","BigQuery","Firestore","Pub/Sub"]},{caseNumber:"07",title:"Trung tâm dữ liá»u tiếp thá» Äa ná»n tảng",platform:"GCP",category:"ÄẠI Là KỸ THUẬT SỠ· Tá»NG HỢP SAAS · GCS + BIGQUERY",challenge:"Má»t cÆ¡ quan kỹ thuáºt sá» cần má»t kho dữ liá»u thá»ng nhất tá»ng hợp dữ liá»u từ hà ng chục công cụ SaaS Äược khách hà ng sá» dụng - má»i công cụ có API, cÆ¡ chế xác thá»±c và mô hình dữ liá»u riêng - mà không cần má» rá»ng quy mô công viá»c xuất thủ công. Giải pháp phải rẻ Äá» váºn hà nh và dá»
dà ng bá» sung các nguá»n má»i và o.",solution:"Khoảng 30 vi dá»ch vụ Cloud Functions Äá»c láºp, má»i dá»ch vụ nằm trong thÆ° mục con riêng vá»i mẫu main.py + storage_connector.py nhất quán. Tiếp thá» có liên quan (Quảng cáo Facebook, Quảng cáo Amazon, GA4, SEO ranking, BrightLocal), CRM (ActiveCampaign, HubSpot, Calendly, Intuit), thÆ°Æ¡ng mại Äiá»n tá» (Shopify, Recharge) và tà i chÃnh (Stripe, QuickBooks, T-Sheets) - cùng vá»i các dá»± phòng Selenium cho các nguá»n chá» dà nh cho giao diá»n ngÆ°á»i dùng có trình giải hCaptcha tÃch hợp.",results:["HÆ¡n 30 Äầu ná»i SaaS Äá»c láºp Äược ÄÆ°a và o sản xuất","Mô hình chi phà Cloud Functions trả cho má»i lần gá»i","Các biến thá» Selenium-on-GCP cho các nguá»n không phải API","Bá» cục thÆ° mục GCS Äã sẵn sà ng cho các bảng bên ngoà i BigQuery","Thanh trượt cá»a sá» tÄng dần 30 phút cho tải delta"],technologies:["Cloud Functions","GCS","BigQuery","Selenium"]},{caseNumber:"08",title:"Ná»n tảng láºp kế hoạch ká»ch bản Medicare Stars",platform:"AWS",category:"PHÃN TÃCH CHÄM SÃC SỨC KHá»E · Mà HÃNH Ká»CH BẢN · SAAS DOANH NGHIá»P",challenge:"Các nhóm Äiá»u hà nh và CFO chÄm sóc sức khá»e cần láºp mô hình kết quả xếp hạng Medicare Advantage Stars theo các giả Äá»nh cÆ¡ bản khác nhau - vá»i tất cả các mẫu truy vấn có thá» sá» dụng lại, cảnh báo theo lá»ch, xuất PDF/Excel/PPT có thá» tải xuá»ng và SSO cấp doanh nghiá»p Äằng sau tất cả.",solution:"Dá»ch vụ Async FastAPI 0.104 vá»i 8 tá»p Äiá»m cuá»i Äược phiên bản. Má»t nhà máy kết ná»i Äa cÆ¡ sá» dữ liá»u hợp nhất Postgres, SQL Server, Redshift và Apache Pinot Äằng sau má»t giao diá»n exec_query() duy nhất. Các ká»ch bản Äược JSONB há» trợ lÆ°u trữ cả ÄÆ°á»ng cÆ¡ sá» và phần ghi Äè; Cảnh báo dá»±a trên APScheduler bao gá»m thá»i gian há»i chiêu và giá»i hạn tần suất trên má»i mẫu. Okta JWT SSO, các truy vấn Äược tham sá» hóa vá»i các mẫu danh sách Äen và ná»i dung phụ thuá»c nháºn biết JWT-auth.",results:["4 công cụ cÆ¡
1sá» dữ liá»u Äằng sau má»t lá»p truy vấn hợp nhất","HÆ¡n 255 bà i kiá»m tra ÄÆ¡n vá» (pytest + pytest-asyncio) Äã vượt qua","Okta JWT SSO + Bảo vá» danh sách Äen tiêm SQL","ECS Fargate do Terraform quản lý vá»i Trình quản lý bà máºt + xác thá»±c OIDC AWS","Xuất PDF / Excel / PowerPoint từ kết quả ká»ch bản"],technologies:["FastAPI","ECS Fargate","Terraform","Okta SSO"]},{caseNumber:"09",title:"Kho thÆ°Æ¡ng mại Äặc biá»t trên BigQuery",platform:"GCP",category:"BÃN LẺ ÄẶC BIá»T · METAFIELD ETL · ÄA Ná»N TẢNG",challenge:"Má»t nhà bán lẻ thá»±c phẩm Äặc biá»t chạy trên Shopify + Lightspeed POS + Kho hà ng dá»± trữ cần có báo cáo BigQuery thá»ng nhất vá» tà i chÃnh, hà ng hóa và hoạt Äá»ng tại cá»a hà ng - và quan trá»ng nhất là tất cả 29 siêu trÆ°á»ng dữ liá»u sản phẩm Shopify tùy chá»nh Äã sắp xếp má»t hà ng cho má»i SKU thà nh BigQuery.",solution:"Ba vi dá»ch vụ Cloud Run chia sẻ má»t CloudStorageConnector ghi NDJSON và o GCS. Nhân viên Shopify truy vấn Äiá»m cuá»i Äá»nh nghÄ©a siêu trÆ°á»ng GraphQL khi khá»i Äá»ng, sau Äó tá»± Äá»ng trÃch xuất má»i siêu trÆ°á»ng Äã xác Äá»nh - không có danh sách trÆ°á»ng mã hóa cứng. Lightspeed sá» dụng tÃnh nÄng xoay vòng token là m má»i OAuth liên tục cho GCS trong má»i lần chạy. Má»t boolean duy nhất chuyá»n Äá»i chế Äá» lá»ch sá» so vá»i gia tÄng.",results:["29 Äá»nh nghÄ©a siêu trÆ°á»ng tùy chá»nh Äược tá»± Äá»ng phát hiá»n thông qua GraphQL","10 dân cÆ° + 19 sẵn sà ng Äá» sá» dụng trong tÆ°Æ¡ng lai, không thay Äá»i mã","3 ná»n tảng Äược hợp nhất thà nh các bảng bên ngoà i BigQuery","Chế Äá» xem BigQuery SQL Äá» biết tình trạng còn hà ng trong kho + doanh sá» bán má»i sản phẩm trong 30 ngà y","Xoay vòng token là m má»i OAuth vẫn tá»n tại vá»i GCS má»i lần chạy"],technologies:["Cloud Run","BigQuery","Shopify GraphQL","GCS"]},{caseNumber:"10",title:"Quy trình KPI bán hà ng dá»±a trên AI trên Cloud Run",platform:"GCP",category:"BI BÃN HÃNG · CHIẾT XUẤT LLM · ÄÃM MÃY Tá»I ƯU HÃA CHI PHÃ",challenge:"Má»t nhóm bán hà ng tÃn dụng hiá»u suất cao á» VÆ°Æ¡ng quá»c Anh Äã ÄÄng các bản cáºp nháºt KPI hà ng ngà y dÆ°á»i dạng thông báo Slack không có cấu trúc - các trÆ°á»ng nhóm Äang theo dõi bảng tÃnh, dán sá» bằng tay và không tạo ra há» sÆ¡ lá»ch sá» Äáng tin cáºy nà o vá» Tiá»n mặt khi gá»i lần Äầu, Tiá»n mặt phục há»i, Tá»ng tiá»n mặt hoặc doanh thu tiá»m nÄng.",solution:"Nháºp Slack qua Slack-sdk â Claude 3.5 Haiku Äá» trÃch xuất có cấu trúc â Xác thá»±c Pydantic v2 â BigQuery sink, Äược phân vùng hà ng ngà y theo kpi_date và Äược nhóm trên team_member. Cloud Run Job Äược kÃch hoạt hà ng giá» bá»i Cloud Scheduler. Bảng Äiá»u khiá»n Plotly Dash vá»i BasicAuth dá»±a trên vai trò sẽ thay thế hoà n toà n các bảng tÃnh.",results:["~$20/nÄm tá»ng chi phà váºn hà nh Äám mây trong sản xuất","Giảm 92% chi phà LLM bằng cách chá»n Haiku thay vì Sonnet","100% bản ghi KPI Äược xác thá»±c bằng Pydantic - không có hà ng nà o không Äúng Äá»nh dạng","Chạy lại bình thÆ°á»ng thông qua ngÄn chặn trùng lặp Slack_message_ts","£107.600 doanh thu hà ng tháng Äược theo dõi từ Äầu Äến cuá»i trong quá trình sản xuất"],technologies:["Công viá»c chạy trên ná»n tảng Äám mây","BigQuery","Claude Haiku","Dấu gạch ngang"]},{caseNumber:"11",title:"ÄÆ°á»ng á»ng thá» trÆ°á»ng Äiá»n thá»i gian thá»±c",platform:"AWS",category:"THá» TRƯá»NG NÄNG LƯỢNG · ETL GẦN THá»I GIAN THá»°C · KHO DÃNG THá»I GIAN",challenge:"AEMO xuất bản các báo cáo Äiá»u phá»i Äiá»n má»i dÆ°á»i dạng CSV nén cứ sau 5 phút - Các nhà phân tÃch thá» trÆ°á»ng nÄng lượng Ãc cần má»t kho có thá» truy vấn, gần nhÆ° theo thá»i gian thá»±c, bao gá»m tất cả 5 khu vá»±c thá» trÆ°á»ng (NSW, QLD, SA, TAS, VIC) vá»i khả nÄng lÆ°u trữ Äáng tin cáºy của má»i tá»p thô.",solution:"AWS Lambda Äược CloudWatch kÃch hoạt 5 phút má»t lần sẽ tìm nạp zip công vÄn NEMWeb má»i nhất, giải nén và o /tmp, lá»c các hà ng trong Äó cá»t 2 bằng DREGION, trÃch xuất 19 trÆ°á»ng Äã Äá»nh cấu hình, lÆ°u trữ CSV có cấu trúc sang S3 và truyá»n trá»±c tuyến từng bản ghi tá»i DynamoDB bằng ID tá»ng hợp Äược lấy từ SETTLEMENTDATE + REGIONID. Ứng dụng Plotly Dash hiá»n thá» lá»±a chá»n nhiá»u vùng, bá» chá»n sá» liá»u, duyá»t tá»p và xuất CSV.",results:["Nhá»p Äá» nháºp 5 phút trên 5 khu vá»±c thá» trÆ°á»ng Ãc","19 sá» liá»u Äiá»u phá»i Äược theo dõi (RRP, TOTALDEMAND, NETINTERCHANGE, v.v.)","DynamoDB ID tá»ng hợp ghi Äá» tra cứu chuá»i thá»i gian theo vùng nhanh chóng","Kho lÆ°u trữ S3 bá» qua nếu tá»
1n tại bình thÆ°á»ng ngÄn chặn viá»c xá» lý trùng lặp","Mẫu lÆ°u trữ kép: CSV thô trong S3 + hà ng có cấu trúc trong DynamoDB"],technologies:["AWS Lambda","DynamoDB","S3","CloudWatch"]},{caseNumber:"12",title:"Tableau â Công cụ di chuyá»n Power BI",platform:"MULTI-CLOUD",category:"BI RE-PLATFORMING · Phân tÃch cú pháp TWBX · XÃC MINH Lược Äá» JSON",challenge:"Má»t nhóm doanh nghiá»p cần di chuyá»n môi trÆ°á»ng báo cáo Tableau lá»n sang Microsoft Power BI. Viá»c tạo lại má»i bảng thông tin và nguá»n dữ liá»u theo cách thủ công rất tá»n kém và dá»
xảy ra lá»i, Äá»ng thá»i các Äá»nh dạng trÃch xuất XML / Hyper của sá» là m viá»c có nghÄ©a là không có bá» chuyá»n Äá»i sẵn có nà o xá» lý công viá»c má»t cách rõ rà ng.",solution:"Tiá»n Ãch Python hai Äiá»m và o. Dashboard_parse.py xác thá»±c vá»i Tableau thông qua REST (PAT auth), Äá»nh vá» sá» là m viá»c ÄÃch theo tên và tải xuá»ng TWBX. datasource_parse.py giải nén gói, phân tÃch cú pháp XML .twb Äược nhúng, Äá»c bản trÃch xuất .hyper thông qua tableauhyperapi và gá»i API OpenAI Äá» chuyá»n Äá»i bảng thông tin + Äá»nh nghÄ©a nguá»n dữ liá»u thà nh JSON tÆ°Æ¡ng thÃch vá»i Power BI. Äầu ra Äược xác thá»±c dá»±a trên lược Äá» Power BI Äã xác Äá»nh bằng lược Äá» json trÆ°á»c khi chuyá»n giao.",results:["Giải nén TWBX + quy trình tá»± Äá»ng giải nén XML/Hyper","Xác thá»±c lược Äá» JSON Äảm bảo Äầu ra tÆ°Æ¡ng thÃch vá»i Power BI","Ãnh xạ kiá»u dữ liá»u Tableau-to-Power BI qua chuá»i/int/real/date","Xác thá»±c Tableau PAT + tìm kiếm sá» là m viá»c theo tên","Dá»ch từ XML sang JSON do AI Äiá»u khiá»n bằng cách thá»±c thi lược Äá»"],technologies:["API REST của Tableau","API OpenAI","Power BI","jsonschema"]}]},industries:{items:[{title:"B2B SaaS và các công ty sản phẩm",description:"Redshift sang di chuyá»n BigQuery, phân lá»p mô hình dbt từ SQL thô, Airflow trên GKE, lá»p sá» liá»u Äá» phân tÃch sản phẩm và hợp Äá»ng truy xuất sẵn sà ng cho AI.",buyer:"CTO, ngÆ°á»i Äứng Äầu ná»n tảng hoặc ngÆ°á»i Äứng Äầu dữ liá»u tại các công ty công nghá» Äang phát triá»n."},{title:"Nhóm tà i chÃnh và FP&A",description:"dbt cá»ng vá»i BigQuery Äá» chá»t tà i chÃnh, hợp Äá»ng lược Äá» giữa há» thá»ng nguá»n và kho, Äá»nh nghÄ©a KPI theo phiên bản và báo cáo cuá»i tháng tá»± Äá»ng. Kết quả Äiá»n hình: thá»i gian Äóng cá»a 3 ngà y bá» nén xuá»ng dÆ°á»i má»t ngà y.",buyer:"Tà i chÃnh và FP&A dẫn Äầu tại các công ty có thá»i gian Äóng cá»a cuá»i tháng dà i hÆ¡n bình thÆ°á»ng."},{title:"Nhóm dữ liá»u và phân tÃch hiá»n Äại hóa kho cÅ©",description:"Trên Postgres hoặc SQL Server trÆ°á»c Äó Äã chuyá»n sang Äám mây, SQL thô Äược tái cấu trúc thà nh dbt, bảng Äiá»u khiá»n má» rá»ng Äược hợp nhất thà nh má»t lá»p sá» liá»u Äược quản lý và dòng bá» thiếu Äược thay thế bằng biá»u Äá» dòng có thá» truy vấn.",buyer:"TrÆ°á»ng bá» pháºn dữ liá»u có mục hà ng kho Äã tÄng hÆ¡n 40% chá» trong má»t nÄm."},{title:"Các nhóm chuẩn bá» cho khá»i lượng công viá»c AI",description:"Hợp Äá»ng truy xuất rõ rà ng, ÄÆ°á»ng dẫn nhúng và lược Äá» sá»± kiá»n mà các tác nhân sá» dụng công cụ LangGraph hoặc Claude có thá» sá» dụng má»t cách Äáng tin cáºy. Sá»± sẵn sà ng của AI hiếm khi là má»t sá»± tham gia riêng biá»t - Äó là những gì bạn nháºn Äược khi kho hà ng, hợp Äá»ng và dòng sản phẩm Äược thá»±c hiá»n Äúng cách.",buyer:"CTO và ngÆ°á»i Äứng Äầu AI hoặc ML có sáng kiến ââââAI bá» Äình trá» trên ná»n tảng dữ liá»u bên dÆ°á»i há»."},{title:"FinTech và khá»i lượng công viá»c Äược quản lý",description:"Các biá»n pháp kiá»m soát Äược cÄn chá»nh theo SOC2 và GDPR, BAA nếu có, kiá»m tra chá» Äá»c quyá»n truy cáºp, không có dữ liá»u sản xuất nà o rá»i khá»i Äám mây của khách hà ng. Chúng tôi hợp tác cung cấp PHI vá»i các Äá»i tác có trụ sá» tại Hoa Kỳ khi chuá»i BAA có vấn Äá».",buyer:"Các nhóm ngà nh công nghiá»p fintech và Äược quản lý có ý thức tuân thủ."},{title:"Các công ty á» thá» trÆ°á»ng tầm trung vá»i công cụ ETL truyá»n thá»ng",description:"Talend, Informatica, SSIS hoặc Python cuá»n thủ công Äược thay thế bằng các mẫu dlt, Airflow hoặc Cloud Run, Äược sắp xếp Äá» các quy trình hiá»n tại tiếp tục chạy cho Äến khi các quy trình má»i Äược xác minh.",buyer:"Các nhà lãnh Äạo CNTT và dữ liá»u tại các công ty có thá» trÆ°á»ng tầm trung có công cụ ETL Äã trá» thà nh nút thắt cá» chai."}]},packages:{items:[{name:"Cuá»c gá»i khám phá",price:"Miá»
n phÃ, 30 phút",description:"Äá»c trá»±c tiếp trên ná»n tảng hiá»n tại của bạn và quy trình là m viá»c thắt cá» chai. Không có sân, không có slide, không có hình thức tiếp nháºn.",bestFor:"Bất kỳ ai Äang Äánh giá các dá»ch vụ hiá»n Äại hóa ná»n tảng dữ liá»u và muá»n có ý kiến ââcấp cao thứ hai trÆ°á»c khi chi tiêu ngân sách.",features:["Äánh giá trung thá»±c liá»u hiá»n Äại hóa có thá»±c sá»± là bÆ°á»c Äi Äúng Äắn","Ưá»c tÃnh sÆ¡ bá» trình tá»± di chuyá»n","Khuyến nghá» vá» sá»± tham gia nà o có ý nghÄ©a",'"Bạn có thá» là m viá»c nà y trong nhà " khi Äó là câu trả lá»i Äúng','"Nói chuyá»n vá»i Äá»i tác Mỹ" khi Äiá»u Äó phù hợp hÆ¡n']},{name:"Bản dá»±ng váºn hà nh",price:"Từ $500, Äược Äá»nh hình dá»±a trên cuá»c gá»i khám phá",description:"Tham gia hiá»n Äại hóa ná»n tảng dữ liá»u Äầy Äủ cho má»t lát xác Äá»nh. Phạm vi giá thầu cá» Äá»nh, dòng thá»i gian Äược Äiá»u chá»nh theo quy mô dá»± án (thÆ°á»ng từ 6 Äến 16 tuần). Mức giá cuá»i cùng sẽ áp dụng cho ná»n tảng của bạn trong cuá»c gá»i khám phá. Các cam kết lá»n hÆ¡n hoặc nhiá»u Äám mây Äược Äá»nh giá riêng.",bestFor:"Các nhóm có ná»n tảng dữ liá»u cÅ© Äang chặn khả nÄng phân phá»i, Äá» tin cáºy hoặc mức Äá» sẵn sà ng của AI, những ngÆ°á»i cần hiá»n Äại hóa theo giai Äoạn Äá» mang lại giá trá» theo từng phần."},{name:"Äá»i tác Äá»ng hà nh",price:"NgÆ°á»i lÆ°u giữ liên tục, phạm vi cá» Äá»nh hà ng tháng",description:"NgÆ°á»i lÆ°u giữ giúp chÆ°Æ¡ng trình hiá»n Äại hóa hoạt Äá»ng tá»t sau phần Äầu tiên. Äã sá»a lá»i phạm vi hà ng tháng, trong phạm vi má»i lần tÆ°Æ¡ng tác.",bestFor:"Các nhóm không có lãnh Äạo ná»n tảng dữ liá»u cấp cao ná»i bá» cần Äá»ng lá»±c hiá»n Äại hóa liên tục trên nhiá»u phần.",features:["Xác Äá»nh phạm vi cho lát tiếp theo","Äánh giá mô hình dbt","Thá»±c thi hợp Äá»ng","Giám sát SLA Äá» tÆ°Æ¡i","Phát hiá»n Äá» trôi trên lá»p sá» liá»u","Äánh giá kiến ââtrúc hà ng tháng","Ứng phó sá»± cá» khi ÄÆ°á»ng á»ng bá» vá
1»¡"]}]}}},"cloud-cost-optimization":{faq:[{question:"Dá»ch vụ tá»i Æ°u hóa chi phà Äám mây có giá bao nhiêu?",answer:"Chi phà Äược báo giá cá» Äá»nh sau buá»i trao Äá»i Äá» xác Äá»nh phạm vi. Gói kiá»m toán hẹp bắt Äầu từ khoảng $500; dá»± án triá»n khai Äầy Äủ Äược tÃnh theo quy mô ná»n tảng, sá» lượng Äám mây và yêu cầu tuân thủ. Phần lá»n dá»± án có chi phà thấp hÆ¡n 80 Äến 95% so vá»i các Äá»i tác tÆ°Æ¡ng ÄÆ°Æ¡ng tại Hoa Kỳ nhÆ° CloudReach, Rackspace, Duckbill và ProsperOps. Các công cụ SaaS nhÆ° Vantage hoặc CloudHealth chá» giúp quan sát chi phÃ, không thay bạn triá»n khai thay Äá»i. Chúng tôi chá» báo giá sau khi Äã xem dữ liá»u chi phà thá»±c tế của bạn."},{question:"Chúng ta sẽ thấy tiá»n tiết kiá»m nhanh Äến mức nà o?",answer:"Khoản tiết kiá»m Äầu tiên thÆ°á»ng xuất hiá»n sau 2 Äến 4 tuần nhá» chÃnh sách vòng Äá»i, Äiá»u chá»nh kÃch thÆ°á»c tà i nguyên và dá»n dẹp các bảng Äiá»u khiá»n. Mức tiết kiá»m á» cấp kiến trúc thÆ°á»ng Äạt 20 Äến 60% trong 8 Äến 14 tuần thông qua tá»i Æ°u truy vấn, mua RI hoặc Savings Plan và tái cấu trúc phù hợp. Phần lá»n dá»± án bắt Äầu hoà n vá»n ngay trong quý Äầu tiên sau khi triá»n khai."},{question:"Bạn có thá» giảm hóa ÄÆ¡n AWS mà không là m cháºm quá trình phân phá»i không?",answer:"Có, nếu tá»i Æ°u chi phà Äi cùng Äánh giá kiến trúc. Má»i dá»± án Äá»u xác Äá»nh rõ phần không Äược cắt giảm: công suất luôn sẵn sà ng Äá» hấp thụ lÆ°u lượng tÄng Äá»t biến, tà i nguyên tÃnh toán bảo Äảm Äá» trá»
cho khách hà ng và lÆ°u trữ Äang chá»u tải truy vấn. Dá»± án AWS tiêu biá»u của chúng tôi giảm 60% hóa ÄÆ¡n mà không gây ra bất kỳ há»i quy SLA nà o."},{question:"Bạn có là m viá»c vá»i AWS, GCP và Azure không?",answer:"Có. Chúng tôi là m viá»c vá»i AWS, GCP và Azure. Khung Äánh giá là nhÆ° nhau trên má»i ná»n tảng: gắn chi phà vá»i quy trình, Äiá»u chá»nh kÃch thÆ°á»c Äi kèm Äánh giá Äá» tin cáºy, áp dụng chÃnh sách vòng Äá»i và thêm các lá»p bảo vá». Phần cam kết sá» dụng sẽ khác nhau theo nhà cung cấp, từ Reserved Instance và Savings Plan của AWS, Committed Use Discount của GCP Äến Azure Reservation và Savings Plan. Buá»i trao Äá»i ban Äầu sẽ là m rõ Äá» sâu phù hợp vá»i há» thá»ng của bạn."},{question:"Tá»i Æ°u chi phà Äám mây từ xa có an toà n cho ngà nh chá»u quản lý không?",answer:"Có, nếu quyá»n truy cáºp và phạm vi Äược thiết kế Äúng. Chúng tôi chá» dùng quyá»n Äá»c, không ÄÆ°a dữ liá»u production ra khá»i Äám mây của bạn, ghi nháºt ký Äầy Äủ má»i thao tác và ký BAA hoặc DPA khi cần. Quy trình Äã Äược áp dụng vá»i các kiá»m soát phù hợp SOC 2 và GDPR cho khách hà ng y tế tại EU và Hoa Kỳ. Dữ liá»u PHI thuá»c HIPAA thÆ°á»ng cần Äá»i tác có trụ sá» tại Hoa Kỳ Äá» bảo Äảm chuá»i BAA, và chúng tôi sẽ phá»i hợp theo yêu cầu Äó."},{question:"Cấu trúc hợp Äá»ng của bạn là gì?",answer:"Dá»± án triá»n khai là báo giá cá» Äá»nh sau khi chá»t phạm vi trong buá»i trao Äá»i ban Äầu. Gói Äá»ng hà nh có phạm vi cá» Äá»nh theo tháng, không tÃnh theo giá». Khách hà ng có thá» ký qua Upwork hoặc hợp Äá»ng trá»±c tiếp; chúng tôi cÅ©ng há» trợ MSA hoặc SOW khi bá» pháºn mua sắm yêu cầu. Chúng tôi không tÃnh phần trÄm trên sá» tiá»n tiết kiá»m vì cách Äó dá»
tạo Äá»ng lá»±c cắt giảm quá mức."},{question:"Là m thế nà o Äá» khoản tiết kiá»m không bá» mất lại theo thá»i gian?",answer:"Má»i dá»± án triá»n khai Äá»u có ba lá»p bảo vá»: chi phà Äược gắn vá»i workload Äá» má»i khoản Äá»u có ngÆ°á»i sá» hữu, cảnh báo ngân sách Äến Äúng nhóm có thá» xá» lý và buá»i rà soát Äá»nh kỳ 30 phút má»i tháng. Nếu thiếu các lá»p nà y, 40 Äến 60% khoản tiết kiá»m thÆ°á»ng bá» mất lại trong vòng má»t nÄm. Khi Äược duy trì Äá»u Äặn, khoản tiết kiá»m sẽ bá»n vá
1»¯ng. Gói Äá»ng hà nh giúp chÆ°Æ¡ng trình tiếp tục hiá»u quả sau tháng thứ sáu."},{question:"Chúng tôi có thá» tiếp tục sá» dụng Vantage hoặc CloudHealth cùng vá»i sá»± tham gia của bạn không?",answer:"Có. Chúng tôi không phụ thuá»c và o má»t công cụ cụ thá». Khoảng 30% khách hà ng vẫn dùng SaaS tÃnh phà Äá» theo dõi chi phà trong khi chúng tôi triá»n khai thay Äá»i kiến trúc. Hai phần bá» trợ cho nhau: công cụ giúp phát hiá»n Äá» lá»ch, còn chúng tôi xá» lý nguyên nhân. Nếu AWS Cost Explorer hoặc GCP Cost Management Äã Äủ, chúng tôi sẽ khuyên bạn không mua thêm công cụ."}],renderer:{delivery:{stages:[{step:"Tuần 1",title:"Xuất dữ liá»u thanh toán, gắn thẻ workload và láºp danh sách 10 khoản lãng phà lá»n nhất",description:"Founder phá»i hợp trá»±c tiếp vá»i ngÆ°á»i phụ trách ná»n tảng của bạn."},{step:"Tuần 2",title:'Äá» xuất kiến trúc, chá»t phạm vi và danh sách "những gì chúng tôi sẽ không cắt giảm"',description:"Founder phá»i hợp vá»i các kỹ sÆ° chủ chá»t trong nhóm của bạn."},{step:"Tuần 3 Äến 4",title:"ChÃnh sách vòng Äá»i, dá»n dẹp bảng Äiá»u khiá»n và Äiá»u chá»nh kÃch thÆ°á»c an toà n",description:"Mức giảm chi phà thÆ°á»ng Äạt 10 Äến 20% và o cuá»i tuần thứ 4."},{step:"Tuần 5 Äến 8",title:"Tá»i Æ°u truy vấn, xây dá»±ng lại phân vùng và mua RI, Savings Plan hoặc CUD",description:"Má»i Äợt thay Äá»i Äá»u có bÆ°á»c Äánh giá Äá» tin cáºy."},{step:"Tuần 9 Äến 10",title:"Guardrails: thanh toán gắn theo workload, cảnh báo theo quy trình, Äo lÆ°á»ng chi phà truy vấn và mẫu rà soát hà ng tháng",description:""},{step:"Tuần 11 trá» Äi",title:"Bà n giao và tùy chá»n Äá»ng hà nh",description:"Workload má»i Äược ÄÆ°a và o há» thá»ng theo các guardrail Äã thá»ng nhất."}],timelineShift:[{scope:"Äám mây ÄÆ¡n, kho ÄÆ¡n",timeline:"ThÆ°á»ng kết thúc và o tuần thứ 8."},{scope:"Doanh nghiá»p quy mô vừa, má»t Äám mây",timeline:"Khoảng 10 tuần."},{scope:"Nhiá»u Äám mây",timeline:"13 Äến 15 tuần."},{scope:"HIPAA, SOC2 hoặc dữ liá»u Äược quản lý",timeline:"13 Äến 15 tuần vá»i công viá»c bá» sung tà i liá»u và kiá»m soát truy cáºp."}]},pillars:{items:[{number:"01",title:"Vì sao báo cáo chi phà theo dá»ch vụ khiến viá»c tá»i Æ°u bá» Äình trá»",body:["Báo cáo tiêu chuẩn chá» cho biết S3 Äang tá»n tiá»n. Chúng không cho biết workload nà o tạo ra dung lượng, Äá»i nà o sá» hữu nó hay mẫu truy vấn có tÆ°Æ¡ng xứng vá»i hóa ÄÆ¡n hay không. Kỹ thuáºt không biết nên cắt á» Äâu, tà i chÃnh không phân biá»t Äược lãng phà vá»i tải thá»±c tế và cuá»c trao Äá»i lại bá» Äẩy sang quý sau."],image:"/images/cc-service-grouped-reports.webp"},{number:"02",title:"Gắn chi phà vá»i nÄm nhóm workload, không chá» vá»i tên dá»ch vụ",body:["Chúng tôi gắn từng khoản chi và o má»t trong nÄm nhóm workload: nạp dữ liá»u, lÆ°u trữ, chuyá»n Äá»i, phân phá»i phân tÃch và thá» nghiá»m.",'Chá» riêng cách nhìn nà y Äã giúp lá» ra 30 Äến 50% lãng phà trÆ°á»c khi thay Äá»i má»t dòng hạ tầng. Câu há»i chuyá»n từ "vì sao S3 Äắt?" thà nh "workload nà o tạo ra hóa ÄÆ¡n nà y và ai chá»u trách nhiá»m?". Khi quyá»n sá» hữu rõ rà ng, quyết Äá»nh Äược ÄÆ°a ra nhanh hÆ¡n và giữ Äược lâu hÆ¡n.'],image:"/images/cc-workflow-mapped-spend.webp"},{number:"03",title:"Những gì chúng tôi sẽ không cắt giảm: các rà o chắn bảo vá» Äá» tin cáºy",body:["Má»i sá»± thay Äá»i chi phà Äá»u Äi kèm vá»i viá»c Äánh giá Äá» tin cáºy. TrÆ°á»c khi chạm và o bất cứ thứ gì, chúng tôi Äặt tên cho những gì bá» giá»i hạn:","Luôn sá» dụng công suất Äá» hấp thụ lÆ°u lượng truy cáºp tÄng Äá»t biến","Tà i nguyên tÃnh toán bảo Äảm Äá» trá»
mà khách hà ng Äang kỳ vá»ng","LÆ°u trữ vá»i áp lá»±c truy vấn hoạt Äá»ng","Khả nÄng khắc phục thảm há»a và chuyá»n Äá»i dá»± phòng Äa vùng","Bất kỳ thay Äá»i nà o khiến Äá»i ngÅ© phải dè chừng khi váºn hà nh ná»n tảng vá» sau","Khoản tiết kiá»m phải Äến từ lãng phà tháºt: môi trÆ°á»ng phát triá»n má» côi, staging cấp thừa, pipeline Äã chết hoặc các tiá»n tá» S3 không còn dùng. Chúng tôi không cắt và o phần rủi ro mà doanh nghiá»p Äã chủ Äá»ng chấp nháºn Äá» giữ ná»n tảng á»n Äá»nh. Äây là khác biá»t giữa má»t Äợt tá»i Æ°u mất hiá»u lá»±c sau má»t quý và má»t chÆ°Æ¡ng trình duy trì Äược trong nhiá»u nÄm."],image:"/images/cc-reliability-guardrails.webp"}]},caseStudies:{featured:[{engagement:"Giảm chi phà stack dữ liá»u AWS",cloud:"AWS",outcome:"Giảm 60% hóa ÄÆ¡n mà không là m cháºm quá trình giao hà ng"},{engagement:"Hiá»n Äại hóa Airflow Äa vùng",engagementHref:"https://vandatateam.com/portfolio/multi-region-airflow-modernization-program",cloud:"GCP / GKE",outcome:"Giảm 38% cÆ¡ sá» hạ tầng vá»i khả nÄng chuyá»n Äá»i dá»± phòng Äược cải thiá»n"},{engagement:"Kho BigQuery Fortune 500",engagementHref:"https://vandatateam.com/portfolio/enterprise-data-warehouse-analytics-platform",cloud:"GCP / BigQuery",outcome:"Giảm 95% thá»i gian báo cáo, tá»± Äá»ng hóa hÆ¡n 30 KPI"},{engagement:"TÄng tá»c báo cáo tà i chÃnh bằng dbt",engagementHref:"https://vandatateam.com/portfolio/dbt-finance-reporting-acceleration-stack",cloud:"BigQuery",outcome:"Äóng cá»a cuá»i tháng nhanh hÆ¡n 65%"}],portfolio:[{caseNumber:"01",title:"Câu lạc bá» tÃn dụng / Pa
1pur",platform:"GCP",category:"BI bán hà ng tại VÆ°Æ¡ng quá»c Anh · Pipeline KPI chuyá»n Äá»i",challenge:"Má»t nhóm bán hà ng hiá»u suất cao tại VÆ°Æ¡ng quá»c Anh cần thu tháºp KPI hằng ngà y trong giá»i hạn chi phà LLM rất thấp, chá» và i chục Äô la má»i tháng.",solution:"Thay Claude Sonnet bằng Claude 3.5 Haiku Äá» trÃch xuất tin nhắn Slack không có cấu trúc. Pipeline chạy trên Cloud Run Jobs, Äược Cloud Scheduler kÃch hoạt má»i giá»; BigQuery là m kho ÄÃch, phân vùng theo kpi_date và phân cụm theo team_member.",results:["Giảm khoảng 92% chi phà LLM nhá» chá»n Haiku thay vì Sonnet mà vẫn giữ chất lượng trÃch xuất","Chi phà váºn hà nh Cloud Run Jobs và Scheduler khoảng $20 má»i nÄm á» mức production","Phân vùng BigQuery + phân cụm cho các truy vấn hiá»u quả trên lá»ch sá» KPI hà ng ngà y","Idempotent chạy lại thông qua tÃnh nÄng chá»ng trùng lặp Slack_message_ts"],technologies:["Cloud Run Jobs","Cloud Scheduler","BigQuery","Claude Haiku"]},{caseNumber:"02",title:"Pipeline Shopify Äa tenant",platform:"GCP",category:"SAAS PHÃN TÃCH THÆ¯Æ NG MẠI ÄIá»N TỬ",challenge:"Pipeline Äá»ng bá» cÅ© mất khoảng 10 ngà y Äá» nạp lá»ch sá» 5 nÄm cho má»t khách hà ng, không thá» má» rá»ng và má»i lần chạy lại t
1iêu tá»n thêm má»t ngà y tà i nguyên tÃnh toán.",solution:"Tái cấu trúc thà nh bá»n dá»ch vụ Cloud Run, má»i dá»ch vụ má»t nhiá»m vụ: API listener, webhook listener, storage to BigQuery loader và scheduler. TrÃch xuất chạy song song theo từng tenant; Firestore là m registry Äá» má»t dá»ch vụ phục vụ toà n bá» merchant. Äá»ng bá» tÄng dần qua webhook thay cho viá»c kéo lại toà n bá» dữ liá»u.",results:["Nạp lá»ch sá» 5 nÄm từ khoảng 10 ngà y xuá»ng còn và i giá» nhá» trÃch xuất song song theo tenant","Má»t nhóm dá»ch vụ Cloud Run xá» lý toà n bá» merchant thông qua registry tenant trên Firestore","Äá»ng bá» hóa gia tÄng dá»±a trên Webhook giúp loại bá» chi phà trÃch xuất toà n bá» hà ng ngà y","Äá»nh tuyến lá»i Äến trình xá» lý phụ sẽ tách biá»t các Äá»i tượng thuê không thà nh công khá»i lô"],technologies:["Cloud Run","BigQuery","Firestore","Pub/Sub"]},{caseNumber:"03",title:"Zeno (Ná»n tảng thá» hình TikTok)",platform:"MULTI-CLOUD",category:"PHà HỢP · NHà CUNG CẤP ÄA AI",challenge:"TÃch hợp nhiá»u AI trên AWS Bedrock, Vertex AI Gemini và OpenAI - nếu không có ká»· luáºt chi tiêu, mô hình rẻ nhất sẽ bá» bá» qua và mô hình Äắt nhất sẽ chạy má»i thứ.",solution:"Xây dá»±ng mô-Äun AI táºp trung theo hÆ°á»ng tiết kiá»m: theo dõi token và chi phà USD cho từng lần gá»i, Æ°u tiên Haiku và chá» chuyá»n sang model lá»n hÆ¡n khi cần suy luáºn phức tạp. CÆ¡ chế dá»± phòng nhà cung cấp giúp workload không bá» gián Äoạn hoặc phát sinh thanh toán trùng.",results:["Äo từ xa USD má»i cuá»c gá»i trên má»i lá»nh gá»i AI trong quá trình sản xuất","Lá»±a chá»n mô hình Äầu tiên của Haiku vá»i ÄÆ°á»ng dẫn nâng cấp rõ rà ng cho các lá»i nhắc phức tạp","Dá»± phòng ba nhà cung cấp (Bedrock · Vertex · OpenAI) vá»i tÃnh nÄng theo dõi chi phÃ","Khả nÄng hiá»u video gá»c thông qua Gemini giúp loại bá» hóa ÄÆ¡n phiên âm riêng"],technologies:["NestJS","AWS Bedrock","Vertex AI","SQS"]},{caseNumber:"04",title:"Trung tâm dữ liá»u GCP Äa nguá»n",platform:"GCP",category:"PHÃN TÃCH TIẾP THá» & HOẠT Äá»NG",challenge:"Má»t cÆ¡ quan phân tÃch có nhiá»u bên thuê cần tá»ng hợp dữ liá»u từ hà ng chục nguá»n SaaS - và giải pháp nà y phải có chi phà váºn hà nh rẻ, cá»ng vá»i viá»c bá» sung má»t nguá»n má»i vá»i chi phà gần nhÆ° bằng không.",solution:"Äã cung cấp hÆ¡n 30 trình kết ná»i Google Cloud Function Äá»c láºp - má»t thÆ° mục cho má»i nguá»n, có thá» tá»± triá»n khai. Thanh toán trả cho má»i lần gá»i có nghÄ©a là nguá»n không sá» dụng có chi phà bằng 0. Äầu ra Newline-JSON là m cho các bảng bên ngoà i BigQuery trá» nên rẻ hÆ¡n rất nhiá»u.",results:["HÆ¡n 30 trình kết ná»i nguá»n khi trả tiá»n cho má»i lá»nh gá»i - các nguá»n nhà n rá»i không mất phÃ","Má»t thÆ° mục = má»t mẫu kết ná»i; khe cắm nguá»n má»i mà không cần thay Äá»i cÆ¡ sá» hạ tầng","Chế Äá» trÃch xuất tÄng dần (và dụ: cá»a sá» trượt 30 phút) giá»i hạn khá»i lượng dữ liá»u má»i lần chạy","Äầu ra JSON dòng má»i sẵn sà ng cho các bảng bên ngoà i BigQuery (không mất phà tải)"],technologies:["Cloud Functions","GCS","BigQuery","Selenium"]},{caseNumber:"05",title:"EC2 â Di chuyá»n Scraper Lambda",platform:"AWS",category:"CÆ Sá» HẠTẦNG WEB SCRAP",challenge:"Bá» thu tháºp Selenium-Wire chạy trên các EC2 luôn báºt, tạo chi phà cho cả thá»i gian chạy và váºn hà nh. Lambda tiêu chuẩn lại không có sẵn trình duyá»t.",solution:"Xây dá»±ng Lambda dạng container vá»i Chromium headless, Äóng gói bằng Docker và Äẩy lên ECR. Runtime Chrome Äược Äiá»u chá»nh theo các rà ng buá»c của Lambda (`--single-process`, `--no-sandbox`, `--headless=new`). Script build.sh tá»± Äá»ng hóa luá»ng image â ECR â Lambda.",results:["Loại bá» chi phà thá»i gian hoạt Äá»ng của EC2 - công cụ thu tháºp hiá»n có tá»· lá» vá» 0 giữa các lần gá»i","ÄÆ°á»ng dẫn xây dá»±ng có thá» lặp lại thông qua táºp lá»nh Äẩy Dockerfile + ECR","Chrome Äược tá»i Æ°u cho L
1ambda vá»i runtime Python tÆ°Æ¡ng thÃch nhiá»u bản phân phá»i Linux","Viá»c chặn yêu cầu Selenium-Wire Äược duy trì từ Äầu Äến cuá»i"],technologies:["AWS Lambda","ECR","Docker","Chromium headless"]},{caseNumber:"06",title:"Bá» AI tuyá»n dụng ngà y là m viá»c",platform:"GCP",category:"TUYá»N DỤNG TRà TUá»",challenge:"Phân loại AI bằng DeepSeek cho hà ng nghìn tin tuyá»n dụng má»i ngà y. Hóa ÄÆ¡n LLM sẽ tÄng nhanh nếu má»i batch Äá»u chạy á» mức cao nhất và suy luáºn luôn nằm á» server.",solution:"Triá»n khai cÆ¡ chế phát hiá»n khung giá» giá thấp của DeepSeek (UTC 16:30 Äến 00:30) Äá» chạy phân loại theo batch và o thá»i Äiá»m tiết kiá»m hÆ¡n. Äá»ng thá»i xây dá»±ng Chrome extension chạy Mistral-7B cục bá» qua WebGPU và WebLLM, chuyá»n chi phà suy luáºn sang thiết bá» ngÆ°á»i dùng.",results:["Xá» lý hà ng loạt LLM ngoà i giá» cao Äiá»m thông qua phát hiá»n giá» giảm giá DeepSeek",'Chrome extension "AI chạy cục bá»" vá»i suy luáºn Mistral-7B ngay trong trình duyá»t qua WebGPU',"CÆ¡ chế loại trùng theo cá»a sá» thá»i gian của BigQuery giúp tránh các lần gá»i LLM dÆ° thừa","Má»i workload Äược chá»n topology triá»n khai phù hợp vá»i cách sá» dụng thá»±c tế"],technologies:["Cloud Run","DeepSeek v3/R1","WebLLM","BigQuery"]},{caseNumber:"07",title:"Công cụ tìm kiếm khách hà ng tiá»m nÄng theo chuyá»n Äá»i",platform:"GCP",category:"OPS LIÃN KẾT / TẠO LÃNH ÄẠO",challenge:"NÄm chiến dá»ch tạo lead cần chạy theo lá»ch riêng, nếu tách biá»t sẽ thà nh nÄm dá»ch vụ luôn báºt và nÄm luá»ng bảo trì riêng.",solution:"Xây dá»±ng má»t dá»ch vụ Cloud Run vá»i bá» Äiá»u phá»i nhiá»u pipeline, phục vụ cả nÄm chiến dá»ch qua má»t endpoint POST. Cloud Scheduler kÃch hoạt bá» Äiá»u phá»i bằng tham sá» pipe_name; má»i chiến dá»ch nằm sau cùng má»t interface nhất quán.",results:["Má»t dá»ch vụ Cloud Run phục vụ cả nÄm chiến dá»ch, giảm footprint triá»n khai","POST Äược Cloud Scheduler kÃch hoạt Äúng pipeline và Äúng lá»ch","Sao lÆ°u CSV lá»ch sá» và o GCS trÆ°á»c má»i chuyá»n Äá»i, không cần trÃch xuất lại tá»n kém","Viá»c loại bá» trùng lặp sá» Äiá»n thoại trên các báo cáo sẽ ngÄn chặn chi phà do trùng lặp"],technologies:["Cloud Run","Cloud Scheduler","GCS","BigQuery"]},{caseNumber:"08",title:"Pipeline PySpark trên dữ liá»u Common Crawl",platform:"AWS",category:"Dá»® LIá»U Lá»N · KHAI THÃC Lá»C TÃN MIá»N",challenge:"TrÃch xuất web á» quy mô petabyte sẽ kéo theo chi phà hạ tầng, chi phà Äầu ra và rủi ro váºn hà nh nếu tá»± chạy thêm má»t crawler.",solution:"Không thu tháºp trá»±c tiếp; chá» dùng PySpark trên EMR Äá» xá» lý kho WARC công khai của Common Crawl trong S3. Script khá»i Äá»ng tá»± thiết láºp cluster, parser WARC Äá»c streaming từng phần an toà n bá» nhá» trên các file nén nhiá»u GB. Kết quả lÆ°u trong S3, phân vùng theo batch và có thá» tiếp tục từ Äiá»m dừng.",results:["Kho WARC của Common Crawl thay thế viá»c thu tháºp trá»±c tiếp, nhanh hÆ¡n, rẻ hÆ¡n và phù hợp hÆ¡n vá» mặt Äạo Äức","Parser WARC streaming an toà n bá» nhá» xá» lý rõ rà ng các file nén nhiá»u GB","Có thá» tiếp tục xá» lý hà ng loạt thông qua chá» mục bắt Äầu có thá» Äá»nh cấu hình - không lãng phà quá trình xá» lý lại","Lá»c danh sách cho phép miá»n giúp giảm chi phà Äầu ra tại nguá»n"],technologies:["AWS EMR","PySpark","S3","Common Crawl"]},{caseNumber:"09",title:"Bá» tÃch hợp AWS Lambda",platform:"AWS",category:"Ná»N TẢNG HOẠT Äá»NG KINH DOANH",challenge:"Bá»n tÃch hợp SaaS riêng biá»t (báo cáo DISC, Äá»ng bá» hóa Outlook/Gmail, webhooks kiá»m tra, webhook tá»± Äá»ng hóa tiếp thá»), tất cả Äá»u chạy trên các máy chủ luôn báºt, tất cả hợp nhất thà nh má»t xÆ°Æ¡ng sá»ng MySQL.",solution:"Tái cấu trúc má»i tÃch hợp thà nh các hà m AWS Lambda Äá»c láºp, không trạng thái. Má»i handler có gói triá»n khai và module cấu hình riêng, chá» dùng chung RDS MySQL. SNS gá»i cảnh báo cho cả lá»i thầm lặng và kèm Äá
1º§y Äủ stack trace.",results:["Loại bá» các máy chủ luôn báºt cho cả bá»n tÃch hợp SaaS","Nhóm Lambda không trạng thái, có thá» má» rá»ng theo chiá»u ngang","Kho thông tin xác thá»±c mã hóa bằng Fernet, có tá»± Äá»ng xoay khóa và mã hóa lại dữ liá»u","SNS phát cảnh báo lá»i trá»±c tiếp mà không cần trả phà cho má»t agent giám sát riêng"],technologies:["AWS Lambda","RDS MySQL","S3","SNS"]},{caseNumber:"10",title:"Stars Analytics ChÄm sóc sức khá»e",platform:"AWS",category:"KẾ HOẠCH Ká»CH BẢN Y TẾ",challenge:"Ná»n tảng phân tÃch y tế production dùng nhiá»u backend cÆ¡ sá» dữ liá»u (Postgres, SQL Server, Redshift và Apache Pinot) cùng yêu cầu xá» lý credential nghiêm ngặt. Triá»n khai thủ công sẽ tạo ra nhiá»u rủi ro chi phà và váºn hà nh.",solution:"Äá»nh nghÄ©a toà n bá» hạ tầng bằng Terraform IaC: AWS ECS Fargate, security group, log CloudWatch và AWS Secrets Manager Äá» cấp credential. Dockerfile multi-stage vá»i Python 3.13 và ODBC giữ runtime gá»n; GitHub Actions triá»n khai cùng má»t image cho môi trÆ°á»ng dev và production.",results:["Triá»n khai Fargate do Terraform quản lý - má»i thay Äá»i Äá»u Äược láºp phiên bản và xem xét","Secrets Manager loại bá» credential hard-code và há» trợ xoay khóa Äá»nh kỳ","Lá»p trình kết ná»i nhiá»u DB vá»i các truy vấn Äược tham sá» hóa và giá»i hạn Äá» phức tạp","HÆ¡n 255 bà i kiá»m tra ÄÆ¡n vá» phát hiá»n các há»i quy trÆ°á»c khi chúng Äạt Äến mức thanh toán sản xuất"],technologies:["ECS Fargate","Terraform","Secrets Manager","CloudWatch"]},{caseNumber:"11",title:"ÄÆ°á»ng á»ng chÄm sóc sức khá»e Athena",platform:"AWS",category:"HEALTHCARE ETL · ÄA DẠNG",challenge:"Dữ liá»u y tế Äa Äá»nh dạng (CSV, TSV, fixed-width và Excel) cần pipeline ÄÃch serverless, tiết kiá»m chi phà và có Äầu ra truy vấn Äược bằng Athena. Job Glue cấp thừa sẽ tiêu tá»n nhiá»u giá» DPU.",solution:"Xây dá»±ng quy trình Airflow + AWS Glue 4.0 bằng công thức get_glue_capacity() tá»± Äá»ng chia tá»· lá» DPU theo sá» lượng nguá»n, giá»i hạn á» mức tá»i thiá»u/tá»i Äa. Äầu ra xuất hiá»n dÆ°á»i dạng Parquet cá»t trên S3 - Athena truy vấn dữ liá»u cá»t Äược nén chứ không phải hà ng thô. MinIO thay thế S3 á» nhà phát triá»n cục bá», vì váºy viá»c lặp lại không mất phÃ.",results:["DPU của AWS Glue tá»± Äiá»u chá»nh trong giá»i hạn tá»i thiá»u và tá»i Äa, tránh cấp thừa","Äầu ra Parquet dạng cá»t giúp giảm chi phà quét Athena cho má»i truy vấn","MinIO dà nh cho nhà phát triá»n cục bá» có nghÄ©a là chi phà lặp lại bằng không trên Äám mây","Cấu hình dá»±a trên YAML cho phép những ngÆ°á»i không phải là kỹ sÆ° thêm nguá»n má»i mà không cần triá»n khai lại"],technologies:["Apache Airflow","AWS Glue 4.0","Athena","S3 Parquet"]}]},industries:{items:[{title:"B2B SaaS và các công ty sản phẩm",description:"Äá»nh cỡ phù hợp cho EC2, GKE và Cloud Run, Äiá»u chá»nh RDS và Postgres, vòng Äá»i S3, mẫu truy vấn Athena và dá»n dẹp trang tá»ng quan.",buyer:"CTO, ngÆ°á»i Äứng Äầu ná»n tảng hoặc ngÆ°á»i Äứng Äầu dữ liá»u tại các công ty công nghá» Äang phát triá»n."},{title:"Nhóm dữ liá»u và phân tÃch",description:"TÆ° vấn BigQuery slot hay on-demand, xây dá»±ng lại phân vùng, tá» chức model dbt theo chi phÃ, kiá»m tra truy vấn dashboard và tá»i Æ°u credit Snowflake.",buyer:"TrÆ°á»ng bá» pháºn dữ liá»u có mục hà ng kho Äã tÄng hÆ¡n 40% chá» trong má»t nÄm."},{title:"FinTech và khá»i lượng công viá»c Äược quản lý",description:"Các biá»n pháp kiá»m soát Äược cÄn chá»nh theo SOC2 và GDPR, BAA nếu có, kiá»m tra quyá»n truy cáºp chá» Äá»c và không có dữ liá»u sản xuất nà o rá»i khá»i Äám mây khách hà ng. Chúng tôi hợp tác cung cấp PHI vá»i các Äá»i tác có trụ sá» tại Hoa Kỳ khi chuá»i BAA có vấn Äá».",buyer:"Các nhóm tà i chÃnh và fintech có ý thức tuân thủ."},{title:"Doanh nghiá»p bắt Äầu xây dá»±ng chÆ°Æ¡ng trình FinOps",description:"Thá»±c hiá»n Äánh giá FinOps Äầu tiên, xây dá»±ng chiến lược tagging, thiết láºp baseline và nhá»p rà soát Äá»nh kỳ. Chúng tôi bà n giao cho ngÆ°á»i phụ trách ná»i bá» hoặc tiếp tục Äá»ng hà nh theo tháng.",buyer:"Các Äá»i xây dá»±ng chÆ°Æ¡ng trình ká»· luáºt chi phà Äầu tiên của há»."},{title:"Ná»n tảng thÆ°Æ¡ng mại Äiá»n tá» và lÆ°u lượng truy cáºp cao",description:"Luôn xác Äá»nh quy mô công suất, CDN và láºp bản Äá» chi phà Äầu ra, Thứ Sáu Äen và Äá» tin cáºy trong giá» cao Äiá»m Äi Äô
1i vá»i ká»· luáºt chi phÃ. Chúng tôi nêu tên những gì chúng tôi sẽ không cắt giảm Äá» giá» cao Äiá»m không bao giá» bá» gián Äoạn.",buyer:"Ná»n tảng nÆ¡i lÆ°u lượng truy cáºp cao nhất xác Äá»nh hạn chế vá» Äá» tin cáºy."}]},packages:{items:[{name:"Cuá»c gá»i khám phá",price:"Miá»
n phÃ, 30 phút",description:"Äánh giá trá»±c tiếp ná»n tảng và chi phà hiá»n tại. Không pitch, không slide và không biá»u mẫu dà i.",bestFor:"Äá»i ngÅ© Äang xem xét chi phà Äám mây và muá»n có góc nhìn senior trÆ°á»c khi phân bá» ngân sách.",features:["Äánh giá thẳng thắn mức Äá» phù hợp vá»i bà i toán chi phà hiá»n tại","Ưá»c tÃnh tiết kiá»m sÆ¡ bá» dá»±a trên dữ liá»u bạn chia sẻ","Khuyến nghá» vá» sá»± tham gia nà o có ý nghÄ©a",'"Nói chuyá»n vá»i ngÆ°á»i khác" khi Äó là câu trả lá»i Äúng']},{name:"Bản dá»±ng váºn hà nh",price:"Giá thầu cá» Äá»nh, trong phạm vi tùy chá»nh, từ $500",description:"Triá»n khai Äầy Äủ chÆ°Æ¡ng trình tá»i Æ°u chi phà Äám mây. Giá và tiến Äá» Äược chá»t sau buá»i trao Äá»i, dá»±a trên quy mô ná»n tảng, sá» lượng Äám mây và phạm vi tuân thủ. Phần lá»n dá»± án kéo dà i 2 Äến 14 tuần.",bestFor:"Các nhóm có hóa ÄÆ¡n Äám mây tÄng nhanh hÆ¡n ná»n tảng và cần tiết kiá»m lâu dà i chứ không chá» là bảng Äiá»u khiá»n."},{name:"Äá»i tác Äá»ng hà nh",price:"Gói Äá»ng hà nh theo tháng, phạm vi cá» Äá»nh",description:"Duy trì khoản tiết kiá»m á»n Äá»nh sau tháng thứ sáu. Phạm vi theo tháng Äược báo giá theo quy mô ná»n tảng và nhá»p rà soát, thÆ°á»ng thấp hÆ¡n Äáng ká» so vá»i mức phà của các boutique tại Hoa Kỳ.",bestFor:"Các nhóm không có lãnh Äạo FinOps ná»i bá» cần có ká»· luáºt chi phà cấp cao nhÆ° má»t chÆ°Æ¡ng trình Äá»nh kỳ.",features:["Äánh giá lan can cho má»i khá»i lượng công viá»c hoà n toà n má»i","Là m má»i Phiên bản dá»± trữ, Savings Plan hoặc CUD theo lá»ch trình","Giám sát từ xa chi phà truy vấn","Phát hiá»n trôi dạt","Äánh giá chi phà hà ng tháng","Phản ứng sá»± cá»"]}]},stack:{rows:[{layer:"Ná»n tảng Äám mây",tools:["AWS","GCP","Azure"]},{layer:"Tá»i Æ°u hóa tÃnh toán",tools:["EC2","GKE","Cloud Run","Lambda","Autoscaling"]},{layer:"Vòng Äá»i lÆ°u trữ",tools:["S3","GCS","Blob Storage","Storage tiers"]},{layer:"Kho dữ liá»u",tools:["BigQuery","Snowflake","Redshift"]},{layer:"Chuyá»n Äá»i dữ liá»u",tools:["dbt","Airflow","Spark"]},{layer:"CÆ¡ sá» hạ tầng dÆ°á»i dạng mã",tools:["Terraform","Docker"]}
1,{layer:"Công cụ chi phÃ",tools:["AWS Cost Explorer","GCP Cost Management","Vantage","CloudHealth"]},{layer:"Cam kết giảm giá",tools:["Reserved Instance","Savings Plan","Committed Use Discount"]},{layer:"Khả nÄng quan sát",tools:["Grafana","Billing dashboards","Query telemetry"]}]}}},"web-scraping-automation":{faq:[{question:"Chi phà thuê dá»ch vụ quét web và o nÄm 2026 là bao nhiêu?",answer:"Má»i dá»± án tại Van Data Team Äược báo giá cá» Äá»nh cho phần xây dá»±ng Playwright, chiến lược proxy, lá»p xác thá»±c và cách ÄÆ°a dữ liá»u và o kho. Phần lá»n dá»± án từ má»t Äến nÄm nguá»n có chi phà $500 Äến $2.000 sau buá»i trao Äá»i miá»
n phà Äá» chá»t phạm vi. Proxy và tà i nguyên tÃnh toán Äược tÃnh theo nhà cung cấp, còn bảo trì Äược báo giá riêng khi cần."},{question:"Playwright vs Selenium vs Scrapy Äá» thu tháºp sản phẩm?",answer:"Playwright phù hợp vá»i website hiá»n Äại nhiá»u JavaScript và có cÆ¡ chế chá»ng bot. Scrapy phù hợp hÆ¡n vá»i HTML ÄÆ¡n giản, khá»i lượng lá»n và cần thông lượng bất Äá»ng bá». Selenium vẫn hữu Ãch cho má»t sá» há» thá»ng cÅ© hoặc quy trình chạy trên grid. Chúng tôi chá»n framework theo workflow thá»±c tế, không theo thói quen của nhà cung cấp."},{question:"Là m cách nà o Äá» quét các trang web Äược bảo vá» bá»i Cloudflare mà không bá» chặn?",answer:"Website có lá»p Cloudflare cần chiến lược nhiá»u tầng: proxy dân dụng khi phù hợp, tá»± Äá»ng hóa trình duyá»t hiá»n Äại, nhá»p truy cáºp tá»± nhiên, quản lý fingerprint và giá»i hạn tá»c Äá» tôn trá»ng há» thá»ng ÄÃch. Chúng tôi thá»ng nhất cách tiếp cáºn trong giai Äoạn khảo sát và từ chá»i mục tiêu nếu không thá» duy trì á»n Äá»nh, Äúng quy Äá»nh."},{question:"Tôi có nên sá» dụng API thu tháºp dữ liá»u Äược quản lý hay thuê bản dá»±ng tùy chá»nh không?",answer:"API quản lý phù hợp khi nguá»n dữ liá»u công khai, khá»i lượng vừa phải, logic ÄÆ¡n giản và Äá»nh dạng phân phá»i Äã á»n Äá»nh. Bản dá»±ng tùy chá»nh phù hợp khi chá»ng bot phức tạp, khá»i lượng vượt 200.000 trang má»i tháng, cần trạng thái ÄÄng nháºp hoặc dữ liá»u phải và o kho của bạn theo schema Äã xác thá»±c."},{question:"Mất bao lâu Äá» xây dá»±ng má»t há» thá»ng thu tháºp dữ liá»u production?",answer:"Phần lá»n dá»± án từ má»t Äến nÄm nguá»n mất 2 Äến 6 tuần từ lúc bắt Äầu Äến khi chạy production, chÆ°a tÃnh giai Äoạn á»n Äá»nh. Nguá»n HTML ÄÆ¡n giản có thá» nhanh hÆ¡n. Lá»p phát hiá»n Cloudflare, ÄÄng nháºp bắt buá»c hoặc hợp Äá»ng phân phá»i phức tạp sẽ kéo dà i tiến Äá»."},{question:"Quét web có hợp pháp và o nÄm 2026 không?",answer:"Thu tháºp dữ liá»u công khai có thá» hợp pháp tại Hoa Kỳ, VÆ°Æ¡ng quá»c Anh, EU và Ãc nếu thá»±c hiá»n á» tá»c Äá» hợp lý và tôn trá»ng nghÄ©a vụ vá» quyá»n riêng tÆ°. Dữ liá»u nháºn dạng cá nhân cần có cÆ¡ sá» xá» lý phù hợp theo GDPR hoặc CCPA. Chúng tôi tôn trá»ng robots.txt và từ chá»i mục tiêu yêu cầu phá xác thá»±c hoặc paywall."},{question:"Dữ liá»u Äã thu tháºp có thá» Äược phân phá»i sẵn sà ng cho ÄÆ°á»ng á»ng LLM và RAG không?",answer:"Có. Chúng tôi cung cấp JSONL, Markdown hoặc dữ liá»u trong kho có cấu trúc, kèm URL nguá»n, thá»i Äiá»m thu tháºp, phiên bản selector và baseline tá»· lá» thà nh công. Nhá» váºy các pipeline LLM và RAG có thá» trÃch dẫn, kiá»m tra và truy nguyên dữ liá»u má»t cách rõ rà ng."}],renderer:{delivery:{items:[{number:"01",title:"Runtime thu tháºp dữ liá»u",description:"Äiá»u phá»i trình duyá»t, xoay proxy, quản lý fingerprint và phiên ÄÄng nháºp trong má»t runtime thá»ng nhất.",tags:["Playwright","Selenium","Scrapy"]},{number:"02",title:"CÆ¡ chế thá» lại",description:"Retry theo cấp sá» nhân, circuit breaker, dead-letter queue và khả nÄng chạy lại an toà n.",tags:["Exponential backoff","DLQ","Idempotency"]},{number:"03",title:"Hợp Äá»ng selector",description:"Selector có phiên bản, theo dõi Äá» lá»ch, kiá»m tra há»i quy và ngưỡng cảnh báo rõ rà ng.",tags:["Versioned","Drift alerts"]}
1,{number:"04",title:"Trình xác nháºn",description:"Kiá»m tra schema, giá»i hạn sá» dòng, kiá»m tra từng trÆ°á»ng và xác thá»±c Äá» má»i trÆ°á»c khi phân phá»i.",tags:["Schema","Row limits","Field checks"]},{number:"05",title:"Chiến lược chá»ng bot",description:"Chiến lược Äược Äiá»u chá»nh theo lá»p bảo vá» của Cloudflare, DataDome, Akamai, PerimeterX và hCaptcha.",tags:["Lá»p Cloudflare","DataDome","hCaptcha"]},{number:"06",title:"Váºn chuyá»n",description:"Ghi idempotent và o stack của bạn vá»i schema rõ rà ng và payload có thá» truy nguyên.",tags:["BigQuery","Snowflake","Postgres","S3"]},{number:"07",title:"Khả nÄng quan sát",description:"Theo dõi tá»· lá» thà nh công theo nguá»n, percentile Äá» trá»
, chi phà proxy, audit log và cảnh báo.",tags:["p99","Audit","Telemetry"]},{number:"08",title:"Gói bà n giao",description:"Runbook váºn hà nh, giai Äoạn á»n Äá»nh 30 ngà y và lá»±a chá»n bảo trì rõ rà ng khi selector bá» lá»ch.",tags:["Runbook","30-day window","Monthly support"]}]},comparison:{rows:[["Mục tiêu công khai, ÄÆ¡n giản, khá»i lượng vừa phải","Phù hợp cao","Có thá» chấp nháºn Äược","Quá mức cần thiết","Quá mức cần thiết"],["Chá»ng bot tinh vi, SLA Äá»nh kỳ","Chi phà chạm ngưỡng cao","ThÆ°á»ng dừng á» tuần 4","Phù hợp cao","Phù hợp cao"],["HÆ¡n 1 triá»u trang má»i tháng vá»i logic tùy chá»nh","Chi phà quá cao","Không thá»±c tế","Phù hợp cao","Phù hợp cao"],["ÄÆ°a dữ liá»u tùy chá»nh và o kho quản lý","Giá»i hạn","Tá»± triá»n khai","Phù hợp","Phù hợp"],["Mô hình Äá»nh giá","Theo sá» trang","Hà ng giá», thÆ°á»ng không có phạm vi","Retainer sáu chữ sá»","Giá thầu cá» Äá»nh theo phạm vi"],["Thá»i gian Äến PoC","Giá»","Ngà y","4 Äến 8 tuần","2 Äến 4 tuần"],["Trách nhiá»m khi há» thá»ng thu tháºp lá»i","SLA của nhà cung cấp","ThÆ°á»ng không có","Quản lý khách hà ng","NgÆ°á»i sáng láºp có tên trong hợp Äá»ng"]]},warning:{items:[{title:"Mất dữ liá»u im lặng",symptom:"Há» thá»ng báo chạy thà nh công nhÆ°ng trả vá» 0 dòng sau khi website thay Äá»i, khiến bảng dữ liá»u cÅ© vẫn Äược dùng mà không ai biết.",fix:"Selector có phiên bản, baseline tá»· lá» thà nh công theo nguá»n và cảnh báo khi tá»· lá» thu tháºp giảm dÆ°á»i 95%."},{title:"Bùng ná» chi phà proxy",symptom:"Hóa ÄÆ¡n proxy tÄng gấp ba hoặc tá»· lá» thà nh công giảm khi IP datacenter bá» gắn cá» trên các website có cÆ¡ chế fingerprint mạnh.",fix:"Chá»n Äúng lá»p proxy từ Äầu, Äặt hạn mức retry theo nguá»n và theo dõi chi phà proxy cạnh tá»· lá» thà nh công."},{title:"Chắc chắn là dữ liá»u sai",symptom:"Dữ liá»u vẫn Äược ghi nhÆ°ng selector lấy nhầm phần tá» hoặc phân trang dừng sá»m mà không có cảnh báo.",fix:"Chạy kiá»m tra schema, sá» dòng, Äá»nh dạng trÆ°á»ng và Äá» má»i trÆ°á»c khi ghi và o kho."},{title:"Thá»±c hiá»n hà nh Äá»ng sai",symptom:"Tá»± Äá»ng hóa trình duyá»t gá»i biá»u mẫu hai lần, thanh toán nhầm hóa ÄÆ¡n hoặc Äánh dấu sai bản ghi.",fix:"Bảo vá» thao tác bằng idempotency key, dry-run, audit log và bÆ°á»c con ngÆ°á»i duyá»t trÆ°á»c hà nh Äá»ng không thá» hoà n tác."}]},caseStudies:{items:[{caseNumber:"01",title:"LinkedIn và Crunchbase cho ná»n tảng dữ liá»u thông minh",platform:"Docker",category:"Là m già u dữ liá»u B2B · Thông tin công ty doanh nghiá»p",challenge:"Ná»n tảng B2B cần có há» sÆ¡ công ty có cấu trúc trên quy mô lá»n từ Crunchbase và LinkedIn mà không cần sá»± can thiá»p thủ công của nhà Äiá»u hà nh.",solution:"Xây dá»±ng ba microservice Docker trên CapRover, gá»m worker Crunchbase, worker LinkedIn, Selenium Grid từ xa, xoay vòng tà i khoản và các tham sá» DB Äiá»u khiá»n cookie, proxy và payload.",results:["3 vi dá»ch vụ biá»t láºp có thá» triá»n khai Äá»c láºp thông qua CapRover","Selenium Grid cùng các container Chrome và Edge chạy song song","Cấu hình lại mã 0 thông qua bảng tham sá» cÆ¡ sá» dữ liá»u","Tá»± Äá»ng phục há»i Authwall cho các phiên thu tháºp dữ liá»u kéo dà i"],technologies:["Docker","CapRover","Selenium Grid","MySQL","Python"],accent:"from-sky-4
100 via-violet-400 to-orange-500"},{caseNumber:"02",title:"Giám sát ngÆ°á»i theo dõi Twitter / X á» quy mô lá»n",platform:"Tá»± quản lý",category:"Social intelligence · Chia nhá» 30K há» sÆ¡ má»i ngà y",challenge:"Theo dõi sá» follower hằng ngà y trên 30.000 há» sÆ¡ Twitter / X trong môi trÆ°á»ng có suspension, CAPTCHA wall và rate limit.",solution:"Phân phá»i workload qua các tà i khoản Äã xác thá»±c bằng multiprocessing của Python, tái sá» dụng cookie và phiên, trÃch xuất follower JSON-LD rá»i hợp nhất snapshot.",results:["HÆ¡n 30.000 há» sÆ¡ chạy hà ng ngà y trên các quy trình song song","Tái sá» dụng phiên dá»±a trên cookie sau khi triá»n khai","Nháºt ký kiá»m tra má»i tà i khoản cho má»i phiên thu tháºp dữ liá»u","Tá»± Äá»ng phục há»i sau suspension, rate limit và CAPTCHA wall"],technologies:["Python","multiprocessing","Selenium","schedule","JSON-LD"],accent:"from-violet-500 via-fuchsia-400 to-orange-500"},{caseNumber:"03",title:"Há»i Äá»ng nghiên cứu LinkedIn ESG",platform:"Tá»± quản lý",category:"Nghiên cứu há»c thuáºt · Dữ liá»u bảng sẵn sà ng cho Stata",challenge:"Má»t nhóm nghiên cứu Äá»nh lượng cần các bá» dữ liá»u bảng tÆ°Æ¡ng thÃch vá»i Stata bao gá»m hoạt Äá»ng LinkedIn của hÆ¡n 300 công ty và sá»± tham gia của nhân viên Äược gắn thẻ ESG.",solution:"Xây dá»±ng crawler nÄm giai Äoạn cho há» sÆ¡, bà i ÄÄng, tÆ°Æ¡ng tác và há» sÆ¡ ngÆ°á»i tÆ°Æ¡ng tác, sau Äó chấm Äiá»m ESG bằng từ Äiá»n E/S/G và Äá»i sánh N-gram.",results:["HÆ¡n 300 công ty Äược theo dõi trong nhiá»u tháng","Táºp dữ liá»u bảng 146 MB+ Äược phân phá»i dÆ°á»i dạng tá»p Stata .dta","TÃnh Äiá»m ESG tùy chá»nh bằng từ Äiá»n và kết hợp N-gram","Quy trình tiếp tục phát hiá»n lá»i khi chạy nhiá»u ngà y không giám sát"],technologies:["Python","Selenium","NLP","pandas","Stata"],accent:"from-amber-500 via-orange-400 to-red-500"},{caseNumber:"04",title:"Crawler tà i liá»u hÆ°á»ng dẫn sá»a chữa Kia",platform:"Tá»± quản lý",category:"à tô · Thu tháºp dữ liá»u chá»ng bot",challenge:"TrÃch xuất toà n bá» manual sá»a chữa, sÆ¡ Äá» dây Äiá»n và tà i liá»u DTC từ cá»ng kỹ thuáºt Äược bảo vá» của Kia.",solution:"Dùng SeleniumBase UC, stealth override, 2Captcha, tạo PDF tá»i Æ°u bá» nhá» và xá» lý ÄÆ°á»ng dẫn dà i Äá» tạo TOC nhiá»u cấp.",results:["5 nhóm ná»i dung Äược thu tháºp: SHOP, ETM, DTC, BODY và OVERHAUL","Xá» lý á»n Äá»nh workload trên 1 GB HTML và hÆ¡n 50 GB RAM","HÆ¡n 70 lá»p stealth override vượt qua cÆ¡ chế phát hiá»n của cá»ng","Có thá» tiếp tục chạy qua các tá»p Äiá»m kiá»m tra trên má»i thÆ° mục"],technologies:["SeleniumBase","2Captcha","Python","PyPDF2","Long path support"],accent:"from-slate-600 via-orange-400 to-red-500"},{caseNumber:"05",title:"Ná»n tảng kiá»m tra lý lá»ch KYC/AML",platform:"Docker",category:"RegTech / Tuân thủ · HÆ¡n 100 feed crawler",challenge:"Nhóm tuân thủ crypto cần má»t chá» mục Elasticsearch cho watchlist, sanctions, PEP, dữ liá»u blockchain và hợp Äá»ng chÃnh phủ.",solution:"Chuyá»n từng feed thà nh má»t microservice Docker riêng, ghi và o schema Elasticsearch dùng chung vá»i deployment, logging và retry Äá»c láºp.",results:["HÆ¡n 100 feed crawler Äá»c láºp có thá» triá»n khai riêng","10 nhóm KYC/AML trong má»t chá» mục Elasticsearch","Thêm feed má»i không downtime và không phải xây dá»±ng lại há» thá»ng lõi","Má»i feed có quan sát, logging và retry riêng"],technologies:["Docker","Python","Elasticsearch","Selenium","BeautifulSoup"],accent:"from-rose-500 via-orange-500 to-red-500"},{caseNumber:"06",title:"Dữ liá»u viá»c là m từ Workday và Greenhouse",platform:"GCP",category:"Công nghá» tuyá»n dụng · Kho viá»c là m có thá» truy vấn NL",challenge:"Các nhà phân tÃch tuyá»n dụng cần quyá»n truy cáºp bằng ngôn ngữ tá»± nhiên và o kho Äược là m má»i liên tục cho má»i công viá»c Äược ÄÄng trên Workday, Oracle Cloud và Greenhouse.",solution:"Xây dá»±ng crawler Selenium và Playwright ÄÆ°a dữ liá»u và o BigQuery, thêm phân loại DeepSeek á» khung giá» chi phà thấp và lá»p LangGraph NL-to-SQL cho Teams và Chrome.",results:["3 nguá»n ATS hợp nhất trong má»t kho BigQuery duy nhất","DeepSeek v3 chạy trong khung giá» chi phà thấp Äá» giảm chi phà phân loại","Có thá» truy vấn LangGraph NL-to-SQL từ Teams hoặc Chrome","WebGPU kết hợp IndexedDB Äá» há» trợ LLM ngay trong trình duyá»t"],technologies:["Cloud Run","BigQuery","LangGraph","FastAPI","DeepSeek","WebLLM"],accent:"from-emerald-400 via-teal-400 to-orange-500"},{caseNumber:"07",title:"Pipeline dữ liá»u web từ Common Crawl",platform:"AWS",category:"Kỹ thuáºt dữ liá»u lá»n · Nháºp quy mô Petabyte",challenge:"Nhóm media intelligence cần bản ghi trang, tiêu Äá», video và hình ảnh có cấu trúc từ Common Crawl mà không phải váºn hà nh crawler ná»i bá».",solution:"Chạy pipeline PySpark trên kho WARC trong S3, parser streaming an toà n bá» nhá», phân vùng theo batch và khá»i Äá»ng EMR bằng má»t lá»nh.",results:["Dữ liá»u nguá»n á» quy mô petabyte Äược xá» lý mà không cần trình thu tháºp thông tin ná»i bá»","Parser WARC streaming vẫn an toà n bá» nhá» trên các file nhiá»u GB","Äầu ra hà ng loạt Äược phân vùng Äá» xá» lý lại tÄng dần","Tá»± Äá»ng hóa khá»i Äá»ng EMR Äá» thiết láºp cụm má»t lá»nh"],technologies:["AWS EMR","PySpark","Common Crawl","WARC","S3"],accent:"from-sky-500 via-slate-500 to-orange-500"},{caseNumber:"08",title:"Bá» tá»ng hợp tá»· lá» cược thá» thao Äa nguá»n",platform:"Tá»± quản lý",category:"Phân tÃch thá» thao · Lược Äá» tá»· lá» cược thá»ng nhất trong R",challenge:"Má»t nhóm phân tÃch thá» thao muá»n có má»t táºp dữ liá»u tá»· lá» cược thá»ng nhất trên DraftKings, FanDuel, BetMGM và Caesars Äá» theo dõi dòng lá»ch sá».",solution:"Xây dá»±ng các collector bằng R bằng cách phân tÃch ngược API JSON ná»i bá», giữ lại cookie và tham sá» theo khu vá»±c, chuẩn hóa tá»· lá» cược kiá»u Mỹ và xuất CSV có timestamp.",results:["4 nhà cái thá» thao thá»ng nhất dÆ°á»i má»t lược Äá»","3 loại thá» trÆ°á»ng: game lines, conference futures và game totals","Biến Äá»ng tá»· lá» lá»ch sá» Äược lÆ°u dạng CSV append-only","Äầu ra R
1native khá»p trá»±c tiếp vá»i workflow hiá»n có"],technologies:["R","httr","jsonlite","dplyr","cron"],accent:"from-orange-400 via-amber-400 to-red-500"},{caseNumber:"09",title:"ETL thÆ°Æ¡ng mại Äa ná»n tảng cho BigQuery",platform:"GCP",category:"Bán lẻ Äặc biá»t · Shopify + Lightspeed + Stocky",challenge:"Má»t nhà bán lẻ Äặc biá»t cần má»i sá»± kiá»n SKU, ÄÆ¡n Äặt hà ng và hà ng tá»n kho từ Shopify, Lightspeed POS và Stocky trong BigQuery.",solution:"Triá»n khai các dá»ch vụ Cloud Run dùng chung CloudStorageConnector, nạp NDJSON và o GCS, tá»± Äá»ng phát hiá»n custom field của Shopify và xoay vòng token Lightspeed OAuth.",results:["3 ná»n tảng thÆ°Æ¡ng mại hợp nhất và o BigQuery","Tá»± Äá»ng phát hiá»n 29 custom field mà không cần sá»a mã","Cloud Run và GCS NDJSON tạo pipeline serverless tiết kiá»m chi phÃ","Há» trợ cả chế Äá» lá»ch sá» và incremental qua má»t cá» cấu hình"],technologies:["Cloud Run","BigQuery","GCS","GraphQL","OAuth"],accent:"from-pink-500 via-orange-400 to-red-500"},{caseNumber:"10",title:"Trình theo dõi thứ hạng từ khóa Amazon ASIN",platform:"AWS",category:"Thông tin thÆ°Æ¡ng mại Äiá»n tỠ· Phân phá»i hai stack",challenge:"Má»t thÆ°Æ¡ng hiá»u bán hà ng trên Amazon cần theo dõi thứ hạng của hÆ¡n 100 từ khóa cho danh mục ASIN bằng stack linh hoạt.",solution:"Dùng endpoint Amazon có cấu trúc của ScraperAPI, Java Spring Boot ÄÆ°a dữ liá»u và o Google Sheets và Python ghi và o MySQL trên AWS RDS, kèm lá»ch sá» xếp hạng Äầy Äủ.",results:["HÆ¡n 100 từ khóa Äược theo dõi cho danh mục ASIN","Hai lá»±a chá»n stack: Java và Sheets hoặc Python và MySQL trên RDS","Endpoint có cấu trúc của ScraperAPI xá» lý CAPTCHA tại lá»p dá»ch vụ","Amazon Choice Äược lÆ°u nhÆ° má»t tÃn hiá»u xếp hạng bá» sung"],technologies:["ScraperAPI","Java Spring Boot","Python","MySQL","AWS RDS"],accent:"from-orange-400 via-amber-400 to-red-500"},{caseNumber:"11",title:"Há» sÆ¡ tòa án & Bá» sao kê ngân hà ng",platform:"AWS",category:"Cho vay thÆ°Æ¡ng mại / MCA · Bá» công cụ bảo lãnh phát hà nh",challenge:"Nhóm bảo lãnh MCA cần má»t bá» công cụ dà nh cho há» sÆ¡ tòa án UCC, phân tÃch bảng sao kê ngân hà ng và mua sắm tá»· giá trên các cá»ng của nhà tà i trợ.",solution:"Xây dá»±ng các microservice TypeScript trên AWS ECS, Äá»ng bá» MongoDB Atlas và Salesforce, parser sao kê có thá» cắm thêm, tra cứu Brave OSINT và gói PyInstaller.",results:["4 dá»ch vụ vi mô ECS dà nh cho UCC, Äá»ng bá» hóa Salesforce và phân tÃch cú pháp PDF","Há» trợ 6 ngân hà ng nhá» kiến trúc parser có thá» cắm thêm","Hợp nhất hÆ¡n 20 công cụ tra cứu nhà tà i trợ MCA và o má»t workbook Excel","Cung cấp file PyInstaller .exe cho nhân sá»± bảo lãnh không chuyên kỹ thuáºt"],technologies:["TypeScript","AWS ECS","MongoDB Atlas","Salesforce","PyInstaller"],accent:"from-emerald-400 via-slate-500 to-orange-500"},{caseNumber:"12",title:"Ná»n tảng mã hóa và RPA EMR chÄm sóc sức khá»e",platform:"AWS",category:"ChÄm sóc sức khá»e · Kinnser EMR + Mã hóa Äược há» trợ bá»i AI",challenge:"Má»t cÆ¡ quan y tế tại nhà cần trÃch xuất biá»u Äá» tá»± Äá»ng từ Kinnser cá»ng vá»i mã hóa ICD-10 Äược AI há» trợ cho các tá»p PDF lâm sà ng.",solution:"Quét các biá»u Äá» bằng Selenium, trÃch xuất các thá»±c thá» bằng AWS Textract và Comprehend Medical, sau Äó bá»c các máy biến áp PLM-ICD trong LangChain bằng cách triá»n khai ECS.",results:["9 bảng mã hóa dà nh cho Äầu và o, QA, mã hóa, thanh toán, v.v.","AWS Textract plus Comprehend Medical Äá» trÃch xuất lâm sà ng","PLM-ICD thông qua LangChain Äá» mã hóa ICD-10 Äược AI há» trợ","ECS Fargate do Terraform quản lý vá»i khả nÄng quan sát của CloudWatch"],technologies:["AWS ECS Fargate","Textract","Comprehend Medical","LangChain","Terraform"],accent:"from-teal-400 via-slate-500 to-orange-500"},{caseNumber:"13",title:"ÄÆ°á»ng á»ng SFTP của ChÃnh phủ và Viá»c là m Ãc",platform:"AWS",category:"GovTech / HR · Phân phá»i reCAPTCHA + SFTP",challenge:"Má»t dá»ch vụ tình báo tuyá»n dụng của Ãc cần thu tháºp thông tin hà ng ngà y vá» các cuá»c Äấu thầu BuyICT và công viá»c của Keane bằng cách nháºn SFTP xuôi dòng.",solution:"Äã tạo các Äiá»m cuá»i POST Äược xác thá»±c của Flask, giải quyết reCAPTCHA thông qua 2Captcha, loại bá» trùng lặp bằng Sentry và gá»i CloudFormation cho Transfer Family SFTP.",results:["2 mục tiêu của Ãc: Äấu thầu MuaICT và viá»c là m cho Keane","Xá» lý reCAPTCHA qua tÃch hợp 2Captcha","AWS Transfer Family SFTP Äá» nháºn hà ng xuôi dòng","Template CloudFormation cho toà n bá» stack SFTP"],technologies:["Flask","AWS Transfer Family","AWS Glue","Sentry","2Captcha"],accent:"from-violet-500 via-rose-400 to-orange-500"},{caseNumber:"14",title:"Máy chủ MCP của Facebook dà nh cho Äại lý LLM",platform:"Docker",category:"Công cụ AI / OSINT · Giao thức bá»i cảnh mô hình",challenge:"Má»t nhóm OSINT muá»n gá»i dữ liá»u Facebook từ Claude Desktop, Cursor và má»i MCP client mà không phải cấp riêng má»t scraper cho từng nhân viên.",solution:"Xây dá»±ng MCP server cung cấp 9 công cụ, dùng SeleniumBase UC, Selenium Grid, duy trì phiên và tùy chá»n chuá»i proxy Squid.",results:["9 công cụ MCP có thá» gá»i Äược từ bất kỳ máy khách LLM nà o há» trợ MCP","Selenium Grid 4.15 Hub cá»ng vá»i Chrome Node cho quy mô ngang","Heartbeat 120 giây tránh timeout phiên Grid 300 giây","Chuá»i proxy Squid cho phép xoay vòng proxy ngoà i Äã xác thá»±c"],technologies:["MCP","SeleniumBase","Selenium Grid","Docker","Squid"],accent:"from-slate-700 via-orange-500 to-red-500"},{caseNumber:"15",title:"Bá» tá»ng hợp xì gà và Yelp trên 14 bang",platform:"Tá»± quản lý",category:"Thông tin bán lẻ · Dữ liá»u kinh doanh Äa bang",challenge:"Má»t khách hà ng B2B cần danh mục sản phẩm xì gà hợp nhất và danh sách doanh nghiá»p Yelp trên 14 bang của Hoa Kỳ.",s
1olution:"Xây dá»±ng kiến trúc fetch rá»i parse hai giai Äoạn, xá» lý xác thá»±c proxy qua Chrome extension và hợp nhất kết quả và o má»t workbook duy nhất.",results:["14 tiá»u bang của Hoa Kỳ Äược ÄÆ°a và o danh sách doanh nghiá»p của Yelp","HÆ¡n 100 trÆ°á»ng GraphQL Äược phân tÃch cú pháp trên má»i danh sách Yelp","Chrome extension tùy chá»nh xá» lý xác thá»±c proxy của Chrome","Kiến trúc hai pha cho phép parse lại mà không cần fetch lại"],technologies:["Selenium","Playwright","GraphQL","Chrome Ext.","openpyxl"],accent:"from-amber-600 via-orange-500 to-red-500"}]},packages:{items:[{title:"Chiến lược chạy nÆ°á»c rút",price:"Miá»
n phÃ",description:"Buá»i trao Äá»i 30 phút và phần theo dõi không Äá»ng bá». Bạn nháºn Äược bản Äá» nguá»n, Äánh giá chá»ng bot, thiết kế runtime và báo giá cá» Äá»nh theo phạm vi."},{title:"Bản dá»±ng váºn hà nh",price:"Báo giá cá» Äá»nh theo phạm vi",description:"Triá»n khai trá»n gói gá»m crawler, chiến lược proxy, lá»p xác thá»±c, ÄÆ°a dữ liá»u và o kho, giám sát, runbook và giai Äoạn á»n Äá»nh 30 ngà y."},{title:"Äá»i tác Äá»ng hà nh",price:"Gói há» trợ theo tháng",description:"Bảo trì selector, nâng cấp chá»ng bot, thêm nguá»n, bảo trì dashboard, xá» lý sá»± cá» và tá»i Æ°u runtime liên tục."}]}}}};Object.assign(p,{"data-pipeline-development":{faq:[{question:"Chi phà xây dá»±ng data pipeline vá»i Van Data Team là bao nhiêu?",answer:"Chi phà phát triá»n data pipeline thÆ°á»ng từ 500 Äến 2.000 USD cho hạng mục tiêu chuẩn. Dá»± án doanh nghiá»p có kiến trúc phức tạp có gói tùy chá»nh từ 4.000 USD. Mức phà cuá»i cùng phụ thuá»c và o nguá»n dữ liá»u, Äá» phức tạp của bÆ°á»c chuyá»n Äá»i và Äá» trá»
cần Äạt."},{question:"Má»t data pipeline Äạt chuẩn váºn hà nh là gì?",answer:"Äó là pipeline mà kỹ sÆ° má»i có thá» nháºn cảnh báo lúc 3 giá» sáng, má» runbook và xá» lý sá»± cá» mà không cần gá»i ngÆ°á»i xây dá»±ng ban Äầu. Vá» kỹ thuáºt, pipeline có DAG idempotent, hợp Äá»ng schema, cảnh báo SLA, chÃnh sách retry vá»i exponential backoff và tà i liá»u lineage Äầy Äủ."},{question:"Xây dá»±ng data pipeline production mất bao lâu?",answer:"Phần lá»n pipeline mất 2 Äến 6 tuần từ lúc bắt Äầu Äến khi chạy tháºt. Bản ÄÆ¡n giản trên hạ tầng sẵn có thÆ°á»ng hoà n thà nh trong 2 Äến 3 tuần. Pipeline nhiá»u nguá»n có dbt, Airflow và monitoring cần khoảng 4 Äến 6 tuần; triá»n khai streaming hoặc Äa vùng thÆ°á»ng kéo dà i 6 Äến 12 tuần."},{question:"Van Data Team sá» dụng công cụ và công nghá» nà o?",answer:"Stack mặc Äá»nh gá»m Apache Airflow Äá» Äiá»u phá»i, dbt Äá» chuyá»n Äá»i SQL, Airbyte cho nguá»n phá» biến, Python tùy chá»nh cho API Äặc thù, BigQuery hoặc Snowflake là m warehouse, Great Expectations Äá» kiá»m tra chất lượng dữ liá»u và Datadog hoặc Grafana Äá» giám sát. Vá»i streaming, chúng tôi dùng Apache Kafka hoặc Google Pub/Sub và triá»n khai trên GCP, AWS hoặc Azure."},{question:"Tôi có cần sẵn hạ tầng dữ liá»u trÆ°á»c khi là m viá»c vá»i Van Data Team không?",answer:"Không. Khoảng 35% dá»± án bắt Äầu từ con sá» không. Van Data Team có thá» thiết láºp toà n bá» stack, gá»m cấu hình cloud, tạo warehouse và chá»n công cụ phù hợp. Nếu bạn Äã có hạ tầng, chúng tôi tÃch hợp và o môi trÆ°á»ng hiá»n tại Äá» tá»i Æ°u và má» rá»ng váºn hà nh dữ liá»u."},{question:"Van Data Team có tiếp tục quản lý pipeline sau khi bà n giao không?",answer:"Có. Mục tiêu của bà n giao là Äá»i ngÅ© của bạn tá»± váºn hà nh Äược. Má»i pipeline Äi kèm runbook xá» lý lá»i thÆ°á»ng gặp, README cho từng repository, dbt docs Äược xuất bản, sÆ¡ Äá» kiến trúc và buá»i hÆ°á»ng dẫn ghi hình 90 phút. Nếu Äá»i ngÅ© có kiến thức Python và SQL cÆ¡ bản, há» có thá» tá»± duy trì há» thá»ng."},{question:"Sau khi ký hợp Äá»ng, Van Data Team có thá» bắt Äầu nhanh thế nà o?",answer:"Sau buá»i rà soát kiến trúc khoảng 30 phút, chúng tôi gá»i phạm vi công viá»c và báo giá bằng vÄn bản trong 24 Äến 48 giá». Khi Äược duyá»t, viá»c phát triá»n bắt Äầu trong 3 Äến 5 ngà y là m viá»c. Pipeline ÄÆ¡n giản có thá» chạy tháºt sau 2 Äến 3 tuần."},{question:"Nếu pipeline gặp lá»i sau khi ra mắt thì xá» lý ra sao?",answer:"Má»i dá»± án bao gá»m 30 ngà y há» trợ miá»
n phà sau khi ra mắt. Sau thá»i gian nà y, bạn có thá» tá»± váºn hà nh theo tà i liá»u, thuê chúng tôi xá» lý lá
1»i theo giá» hoặc chuyá»n sang gói Äá»ng hà nh hà ng tháng. Phần lá»n khách hà ng có thá» tá»± bảo trì sau tháng thứ hai."},{question:"Van Data Team có là m viá»c vá»i doanh nghiá»p ngoà i Hoa Kỳ không?",answer:"Có. Chúng tôi phục vụ khách hà ng tại Hoa Kỳ, VÆ°Æ¡ng quá»c Anh, EU và Australia, vá»i hÆ¡n 15 quá»c gia Äã triá»n khai. Dá»± án Äược thá»±c hiá»n từ xa, phá»i hợp múi giá» qua Slack và Linear không Äá»ng bá», cùng các buá»i cáºp nháºt hà ng tuần trong giá» là m viá»c của khách hà ng."},{question:"Van Data Team có tÃch hợp stack hiá»n tại hay bắt buá»c Äá»i công cụ?",answer:"Chúng tôi không phụ thuá»c và o má»t công cụ cụ thá». Dù bạn Äang dùng Prefect thay cho Airflow hoặc Redshift thay cho BigQuery, chúng tôi vẫn xây theo yêu cầu hiá»n tại. Chá» khi có bằng chứng rõ rà ng vá» chi phà thấp hÆ¡n hoặc Äá» tin cáºy cao hÆ¡n trong nháºt ký quyết Äá»nh kiến trúc, chúng tôi má»i Äá» xuất Äá»i công cụ."}],renderer:{delivery:{steps:[{step:"BÆ°á»c 1",title:"Khảo sát",description:"Buá»i trao Äá»i kỹ thuáºt 60 phút Äá» láºp bản Äá» nguá»n, ÄÃch và SLA. Chúng tôi láºp há» sÆ¡ dữ liá»u tháºt trong warehouse phát triá»n từ 3 Äến 5 ngà y, sau Äó gá»i phạm vi công viá»c bằng vÄn bản, gá»m hạng mục, tiến Äá» và rủi ro.",bullets:["Láºp bản Äá» há» thá»ng nguá»n, ÄÃch và SLA dữ liá»u","Láºp há» sÆ¡ dữ liá»u tháºt trong warehouse phát triá»n từ 3 Äến 5 ngà y","Gá»i phạm vi công viá»c bằng vÄn bản, gá»m hạng mục, tiến Äá» và rủi ro"]},{step:"BÆ°á»c 2",title:"Thiết kế kiến trúc",description:"SÆ¡ Äá» kiến trúc má»t trang kèm nháºt ký giải thÃch từng lá»±a chá»n công cụ. Vì sao chá»n Apache Airflow thay vì Prefect, vì sao chá»n BigQuery thay vì Snowflake. Bạn duyá»t thiết kế trÆ°á»c khi hạ tầng Äược khá»i tạo.",bullets:["SÆ¡ Äá» kiến trúc kèm nháºt ký quyết Äá»nh công cụ","Giải thÃch rõ lý do của từng lá»±a chá»n công nghá»","Khách hà ng duyá»t trÆ°á»c khi khá»i tạo hạ tầng"]},{step:"BÆ°á»c 3",title:"Nguyên mẫu và khung triá»n khai",description:"Ngay trong tuần Äầu, chúng tôi dá»±ng bá» khung có thá» chạy: DAG, model dbt mẫu và hạ tầng dạng mã trong môi trÆ°á»ng phát triá»n. Äến cuá»i tuần, má»t pipeline chạy xuyên suá»t Äá» phát hiá»n sá»m vấn Äá» IAM và network khi chi phà sá»a còn thấp.",bullets:["Dá»±ng khung DAG, model dbt mẫu và IaC trong môi trÆ°á»ng phát triá»n","Má»t pipeline chạy xuyên suá»t trÆ°á»c khi kết thúc tuần Äầu","Phát hiá»n sá»m vấn Äá» IAM và network khi viá»c sá»a chữa còn ÄÆ¡n giản"]},{step:"BÆ°á»c 4",title:"Phát triá»n",description:"Chúng tôi triá»n khai theo sprint hà ng tuần và demo và o thứ Hai. Toà n bá» mã Äược Äẩy và o repository GitHub do bạn sá» hữu. Phản há»i Äược theo dõi trong Linear hoặc GitHub Issues, không phụ thuá»c và o thá»i Äiá»m bà n giao cuá»i cùng.",bullets:["Sprint hà ng tuần vá»i buá»i demo và o thứ Hai","Toà n bá» mã nằm trong repository GitHub của bạn","Phản há»i Äược theo dõi trong Linear hoặc GitHub Issues"]},{step:"BÆ°á»c 5",title:"Kiá»m thá» và xác thá»±c",description:"Chúng tôi backfill Äầy Äủ và Äá»i chiếu từng dòng vá»i há» thá»ng nguá»n. Bá» kiá»m thá» dbt bao phủ giá trá» rá»ng, tÃnh duy nhất và toà n vẹn tham chiếu. Great Expectations thá»±c thi hợp Äá»ng schema khi ingest. Bạn nháºn báo cáo xác thá»±c bằng vÄn bản trÆ°á»c khi ra mắt.",bullets:["Backfill Äầy Äủ và Äá»i chiếu từng dòng","Kiá»m thá» dbt cho giá trá» rá»ng, tÃnh duy nhất và toà n vẹn tham chiếu","Great Expectations thá»±c thi hợp Äá»ng schema","Gá»i báo cáo xác thá»±c bằng vÄn bản trÆ°á»c khi ra mắt"]},{step:"BÆ°á»c 6",title:"Ra mắt và bà n giao",description:"Pipeline má»i chạy song song vá»i há» thá»ng cÅ© trong 5 Äến 10 ngà y là m viá»c rá»i chuyá»n Äá»i trong giá» là m viá»c. Bà n giao gá»m runbook, dbt docs, sÆ¡ Äá» kiến trúc và buá»i hÆ°á»ng dẫn ghi hình 90 phút. Sau ra mắt có thêm 30 ngà y há» trợ miá»
n phÃ.",bullets:["Chạy song song vá»i há» thá»ng cÅ© trong 5 Äến 10 ngà y là m viá»c","Runbook, dbt docs, sÆ¡ Äá» kiến trúc và buá»i hÆ°á»ng dẫn ghi hình","Bao gá»m 30 ngà y há» trợ miá»
n phà sau khi ra mắt"]}]},pillars:{items:[{number:"01",title:"Kiến trúc rõ rà ng và thiết kế DAG",description:"DAG Airflow theo mô-Äun, nhóm task hợp lý và dùng deferrable operator á» nÆ¡i thá»±c sá»± cần thiết. Kỹ sÆ° má»i có thá» Äá»c và hiá»u mã trong má»t buá»i chiá»u.",icon:"Blocks"},{number:"02",title:"Mô hình dữ liá»u theo ngà nh",description:"Cấu trúc dbt Äược Äiá»u chá»nh theo cách doanh nghiá»p của bạn nhìn nháºn khách hà ng, doanh thu và sá»± kiá»n. Chúng tôi xây logic riêng thay vì áp dụng mẫu thÆ°Æ¡ng mại Äiá»n tá» chung chung.",icon:"BarChart3"},{number:"03",title:"Äá» tin cáºy và bảo máºt",description:"Secret Äược lÆ°u trong Secret Manager hoặc KMS, IAM theo nguyên tắc Äặc quyá»n tá»i thiá»u, mã hóa khi lÆ°u trữ và truyá»n tải. Há» thá»ng sẵn sà ng cho kiá»m toán ngay từ ngà y Äầu.",icon:"ShieldCheck"},{number:"04",title:"Cấu trúc và thiết láºp kỹ thuáºt tá»i Æ°u",description:"Chá»n chiến lược materialization phù hợp, kết hợp partitioning và clustering cẩn tháºn. Hiá»u nÄng truy vấn Äược tá»i Æ°u trÆ°á»c khi bạn xem dashboard Äầu tiên.",icon:"Settings"},{number:"05",title:"TÃch hợp CRM, ERP và SaaS",description:"Kết ná»i dữ liá»u từ Salesforce, HubSpot, NetSuite, Stripe, Shopify và Segment, cùng connector tùy chá»nh cho các API Äặc thù.",icon:"Plug"},{number:"06",title:"Kiá»m tra chất lượng dữ liá»u ngay từ Äầu",description:"Great Expectations kiá»m tra lúc ingest, dbt kiá»m tra bÆ°á»c chuyá»n Äá»i và hợp Äá»ng schema Äược thá»±c thi tại ranh giá»i nguá»n dữ liá»u.",icon:"CheckCircle"}]},comparison:{rows:[{criterion:"Thá»i gian bắt Äầu",vdt:"2 Äến 6 tuần",freelancer:"4 Äến 12 tuần",agency:"8 Äến 16 tuần"},{criterion:"Checklist Äá» tin cáºy production",vdt:"40 Äiá»m Äá»c quyá»n",freelancer:"Tùy tình huá»ng",agency:"Tùy ÄÆ¡n vá»"},{criterion:"Thiết kế DAG idempotent",vdt:"âï¸",freelancer:"Äôi khi",agency:"âï¸"},{criterion:"Thá»±c thi hợp Äá»ng schema",vdt:"Great Expectations và dbt",freelancer:"â",agency:"âï¸"},{criterion:"Cảnh báo SLA Äến PagerDuty hoặc Opsgenie",vdt:"âï¸",freelancer:"Hiếm",agency:"âï¸"},{criterion:"Runbook và bà n giao có ghi hình",vdt:"âï¸",freelancer:"â",agency:"âï¸"},{criterion:"Trao Äá»i trá»±c tiếp vá»i ngÆ°á»i xây dá»±ng",vdt:"Má»i buá»i há»p",freelancer:"âï¸",agency:"Hiếm sau kickoff"},{criterion:"Bạn sá» hữu repository GitHub",vdt:"âï¸",freelancer:"Tùy ÄÆ¡n vá»",agency:"âï¸"},{criterion:"Kinh nghiá»m vá»i stack nhiá»u nguá»n",vdt:"HÆ¡n 150 dá»± án",freelancer:"Tùy ÄÆ¡n vá»",agency:"âï¸"},{criterion:"Há» trợ miá»
n phà 30 ngà y sau ra mắt",vdt:"âï¸",freelancer:"â",agency:"Tùy ÄÆ¡n vá»"}
1,{criterion:"Airflow, dbt và streaming trong cùng má»t Äá»i ngÅ©",vdt:"âï¸",freelancer:"Hiếm",agency:"âï¸ vá»i chi phà cao hÆ¡n 3 Äến 5 lần"}]},warning:{items:[{title:"Pipeline âm thầm thất bại",description:"Bạn chá» phát hiá»n pipeline lá»i khi CEO gá»i lại má»t dashboard Äã cÅ© và o lúc 8 giá» sáng.",icon:"AlertTriangle"},{title:"Script cÅ© mong manh",description:"Má»t stack Python và cron Äã bá»n nÄm tuá»i mà không ai trong Äá»i ngÅ© hiá»n tại dám chạm và o.",icon:"FileCode"},{title:"Mẫu có sẵn không phù hợp",description:"Stack dữ liá»u chung không phản ánh cách doanh nghiá»p của bạn tháºt sá»± mô hình hóa doanh thu, ngÆ°á»i dùng và sá»± kiá»n.",icon:"LayoutTemplate"},{title:"ChÆ°a Äạt chuẩn production",description:"Pipeline chạy á»n trong staging nhÆ°ng bá» lỡ SLA, thiếu retry và không có runbook khi sá»± cá» xảy ra.",icon:"ShieldAlert"},{title:"Khó bảo trì",description:"Script SQL dà i hà ng trÄm dòng, DAG Airflow rá»i và bÆ°á»c chuyá»n Äá»i không có tà i liá»u. Má»i thay Äá»i Äá»u là má»t canh bạc.",icon:"Wrench"},{title:"Dữ liá»u bá» chia silo",description:"Salesforce, Stripe, Mixpanel và NetSuite. Sáu công cụ cùng sáu phiên bản khác nhau của khái niá»m âkhách hà ng Äang hoạt Äá»ngâ.",icon:"Database"}]},stack:{rows:[{layer:"Äiá»u phá»i",tools:["Apache Airflow","Prefect","Dagster"]},{layer:"Chuyá»n Äá»i",tools:["dbt","SQL","Python","Spark"]},{layer:"Tiếp nháºn dữ liá»u",tools:["Airbyte","Fivetran","Python tùy chá»nh"]},{layer:"Warehouse",tools:["BigQuery","Snowflake","Redshift","Databricks"]},{layer:"Streaming",tools:["Apache Kafka","Google Pub/Sub","AWS Kinesis"]},{layer:"Chất lượng dữ liá»u",tools:["Great Expectations","dbt Tests","Soda"]},{layer:"Giám sát",tools:["Datadog","Grafana","PagerDuty","Opsgenie"]},{layer:"Hạ tầng",tools:["Terraform","GCP","AWS","Azure"]},{layer:"Connector CRM và SaaS",tools:["Salesforce","HubSpot","Stripe","Shopify","Segment"]}]}}},"data-platform-modernization":{faq:[{question:"Dá»ch vụ hiá»n Äại hóa ná»n tảng dữ liá»u có chi phà bao nhiêu?",answer:"Dá»± án bắt Äầu từ 500 USD. Báo giá cá» Äá»nh Äược xác Äá»nh theo quy mô ná»n tảng và lát cắt quy trình bạn muá»n triá»n khai trÆ°á»c. Chúng tôi chá»t phạm vi và ngân sách trong buá»i trao Äá»i miá»
n phà trÆ°á»c khi bắt Äầu, không có phà ẩn hay phát sinh theo giá». Dá»± án di chuyá»n nhiá»u miá»n, toà n bá» warehouse hoặc gói Embedded Partner sẽ Äược Äá»nh phạm vi trong cùng cuá»c trao Äá»i. Äá» tham khảo, các Äá»i tác tại Hoa Kỳ thÆ°á»ng báo giá 300.000 Äến 3 triá»u USD má»t lần và 10.000 Äến 40.000 USD má»i tháng; má»t lần di chuyá»n warehouse nhÆ° Redshift sang Snowflake hoặc BigQuery thÆ°á»ng á» mức 400.000 Äến 800.000 USD."},{question:"Bao lâu thì doanh nghiá»p bắt Äầu thấy giá trá»?",answer:"Lát cắt Äầu tiên thÆ°á»ng Äược bà n giao sau 6 Äến 10 tuần. Pipeline má»i chạy song song vá»i há» thá»ng cÅ© từ tuần thứ 5, nên viá»c Äá»i chiếu và tạo niá»m tin bắt Äầu trÆ°á»c khi chuyá»n Äá»i. Hiá»n Äại hóa nhiá»u miá»n kéo dà i khoảng 3 Äến 9 tháng, nhÆ°ng từng lát cắt vẫn tạo ra giá trá» Äá»c láºp. Doanh nghiá»p thấy kết quả sau má»i lát cắt thay vì phải chá» Äến cuá»i chÆ°Æ¡ng trình."},{question:"Có thá» hiá»n Äại hóa mà không là m há»ng báo cáo hiá»n tại không?",answer:"Có. Äây là mục tiêu của cách là m theo từng giai Äoạn. Pipeline cÅ© chạy song song vá»i pipeline má»i cho Äến khi sá» liá»u Äược Äá»i chiếu khá»p trong khoảng thá»i gian Äã thá»ng nhất và Äược Äá»i ngÅ© sá» hữu dữ liá»u xác nháºn. Chá» chuyá»n Äá»i sau khi sá» liá»u khá»p, không chuyá»n chá» vì Äến má»t ngà y trên lá»ch."},{question:"Van Data Team Æ°u tiên stack nà o khi hiá»n Äại hóa?",answer:"Thiết láºp mặc Äá»nh là dbt, BigQuery và Airflow trên GKE cho warehouse và Äiá»u phá»i, kết hợp Cloud Run, Lambda hoặc dlt cho ingest nhẹ. Snowflake, PostgreSQL, Redshift, Databricks và Prefe
1ct vẫn Äược sá» dụng khi phù hợp vá»i quy trình. Stack Äược chá»n theo áp lá»±c váºn hà nh, không theo sá»± trung thà nh vá»i má»t công cụ."},{question:"âSẵn sà ng cho AIâ có phải là má»t dá»± án riêng không?",answer:"ThÆ°á»ng là không. Hợp Äá»ng dữ liá»u rõ rà ng, lineage, metric Äược quản trá» và pipeline có thá» quan sát là ná»n tảng Äá» AI hoạt Äá»ng Äáng tin cáºy. Khi hiá»n Äại hóa Äược là m Äúng, lá»p AI agent chá» là phần bá» sung nhá», thay vì phải chá»n lại toà n bá» ná»n tảng."},{question:"Van Data Team có là m viá»c vá»i AWS, GCP và Azure không?",answer:"Có cả ba. GCP có thế mạnh á» BigQuery, GKE, Cloud Run và Cloud Composer; AWS á» Redshift, EKS, MWAA và Lambda; Azure á» Synapse, AKS và Databricks. Khung triá»n khai vẫn giá»ng nhau: khảo sát theo workflow, di chuyá»n theo lát cắt, mô hình hóa dbt, chạy song song và dá»±ng guardrail. Mức Äá» phù hợp của từng cloud sẽ Äược nói rõ trong buá»i khảo sát."},{question:"Hiá»n Äại hóa ná»n tảng dữ liá»u vá»i Äá»i ngÅ© á» nÆ°á»c ngoà i có an toà n cho ngà nh chá»u quản lý không?",answer:"Có, nếu Äược tá» chức Äúng cách. Khi có thá», chúng tôi chá» dùng quyá»n Äá»c trên dữ liá»u production; dữ liá»u không rá»i khá»i cloud của bạn; má»i thao tác có audit log; BAA hoặc DPA Äược ký khi cần và hợp Äá»ng có quyá»n kiá»m tra. Chúng tôi từng triá»n khai dÆ°á»i các kiá»m soát phù hợp SOC2 và GDPR. Dữ liá»u PHI thuá»c HIPAA thÆ°á»ng cần Äá»i tác Äá»ng hà nh tại Hoa Kỳ Äá» bảo Äảm chuá»i BAA, và chúng tôi phá»i hợp theo yêu cầu Äó."},{question:"Cấu trúc hợp Äá»ng của Van Data Team nhÆ° thế nà o?",answer:"Production Build là gói giá cá» Äá»nh, chá»t phạm vi trong buá»i trao Äá»i trÆ°á»c khi ký; dá»± án bắt Äầu từ 500 USD và con sá» cuá»i cùng Äược xác nháºn minh bạch trÆ°á»c khi là m. Embedded Partner có phạm vi hà ng tháng cá» Äá»nh, không tÃnh theo giá». Khách hà ng có thá» ký qua Upwork hoặc hợp Äá»ng trá»±c tiếp; dá»± án do bá» pháºn mua sắm dẫn dắt có thá» dùng MSA hoặc SOW. Chúng tôi không tÃnh phần trÄm tiá»n tiết kiá»m vì cách Äó dá»
tạo Äá»ng lá»±c cắt giảm phạm vi quá mức."},{question:"Là m sao Äá» ná»n tảng không quay lại các cách là m cÅ© sau hiá»n Äại hóa?",answer:"Má»i Production Build Äá»u có ba guardrail: hợp Äá»ng schema giữa bên tạo và bên dùng dữ liá»u Äá» thay Äá»i Äược phá»i hợp, freshness SLA kèm cảnh báo Äến Äá»i ngÅ© sá» hữu dữ liá»u, và metric layer có version Äá» Äá»nh nghÄ©a KPI không bá» trôi. Thiếu các lá»p nà y, lợi Ãch hiá»n Äại hóa thÆ°á»ng suy giảm sau 12 Äến 18 tháng. Gói Embedded Partner giúp duy trì chÆ°Æ¡ng trình qua nhiá»u lát cắt."},{question:"Có thá» tiếp tục dùng Fivetran, Stitch hoặc Airbyte trong dá»± án không?",answer:"Có. Chúng tôi không phụ thuá»c công cụ. Khoảng 40% khách hà ng vẫn giữ SaaS ingest Äược quản lý cho những nguá»n ÄÆ¡n giản, trong khi chúng tôi xá» lý phần ingest, modeling và orchestration khó hÆ¡n. Hai cách nà y bá» trợ tá»t: connector quản lý luá»ng dữ liá»u phá» biến, còn chúng tôi táºp trung và o các workflow quan trá»ng. Chúng tôi không Äá» xuất công cụ bạn không cần."}],renderer:{delivery:{stages:[{step:"Tuần 1 Äến 2",title:"Khảo sát theo workflow, chuá»i phụ thuá»c và Äiá»m nghẽn",description:"Founder là m viá»c cùng ngÆ°á»i phụ trách platform của bạn Äá» láºp bản Äá» từng pipeline, model và integration theo workflow kinh doanh mà chúng phục vụ."},{step:"Tuần 3 Äến 4",title:"Láºp kế hoạch di chuyá»n, thứ tá»± lát cắt và danh sách phần giữ lại",description:"Má»i lát cắt có tiêu chà chuyá»n Äá»i khi chạy song song. Phạm vi Äược duyá»t trÆ°á»c khi bắt Äầu triá»n khai."},{step:"Tuần 5 Äến 8",title:"Lát cắt Äầu tiên: hiá»n Äại hóa ingest, modeling dbt và Äiá»u phá»i",description:"Pipeline má»i chạy cạnh pipeline cÅ©. Contract, kiá»m thá» và lineage Äược bà n giao cùng sản phẩm, không Äá» lại cho giai Äoạn sau."},{step:"Tuần 9 Äến 12",title:"Xác minh chạy song song, Äá»i chiếu và chuyá»n Äá»i lát cắt Äầu tiên",description:"Sá» liá»u phải khá»p trÆ°á»c khi chuyá»n Äá»i. Guardrail gá»m freshness SLA, phát hiá»n drift và theo dõi chi phà truy vấn."},{step:"Tuần 13 Äến 16",title:"Bà n giao: runbook, lineage và tá»i Æ°u 30 ngà y sau ra mắt",description:"Bà n giao mẫu review hà ng tháng. Nếu cần, chúng tôi tiếp tục xác Äá»nh lát cắt tiếp theo hoặc gói Embedded Partner."}],timelineShift:[{scope:"Má»t lát cắt workflow",timeline:"ThÆ°á»ng hoà n thà nh trÆ°á»c tuần thứ 8."},{scope:"Doanh nghiá»p tầm trung, má»t cloud",timeline:"Khoảng 10 Äến 14 tuần."},{scope:"Hiá»n Äại hóa nhiá»u miá»n",timeline:"14 Äến 20 tuần qua nhiá»u lát cắt."},{scope:"HIPAA, SOC2 hoặc dữ liá»u chá»u quản lý",timeline:"14 Äến 20 tuần, gá»m thêm tà i liá»u và kiá»m soát truy cáºp."}]},pillars:{items:[{number:"01",title:"Vì sao các dá»± án viết lại toà n bá» thÆ°á»ng Äình trá»",body:["Các nhà cung cấp thÆ°á»ng Äá» xuất viết lại trong 9 tháng: khảo sát từ tháng 1 Äến tháng 4, kiến trúc từ tháng 4 Äến tháng 6 và triá»n khai từ tháng 6 Äến tháng 9. Äến tháng thứ sáu, doanh nghiá»p Äã thay Äá»i Äủ nhiá»u Äá» Äặc tả ban Äầu không còn phù hợp. Stack cÅ© vẫn phải chạy song song, chi phà tÄng gấp Äôi và niá»m tin và o chÆ°Æ¡ng trình giảm dần. Dữ liá»u ngà nh cho thấy má»t lần di chuyá»n ná»n tảng dữ liá»u Äầy Äủ thÆ°á»ng tá»n 300.000 Äến 3 triá»u USD, trong khi 70 Äến 80% ngân sách IT cÅ© Äã dà nh cho bảo trì; cuá»i cùng há» thá»ng cÅ© nhiá»u khi vẫn không Äược gỡ bá»."],image:"/images/dpm-why-full-rewrite-modernizations-stall.webp"},{number:"02",title:"Hiá»n Äại hóa xoay quanh workflow Äang bá» nghẽn",body:["Chúng tôi chá»n workflow Äang chá»u âthuế di sảnâ, chẳng hạn quy trình chá»t tà i chÃnh cháºm, sáng kiến AI bá» kẹt, dashboard thiếu tin cáºy hoặc pipeline dá»
há»ng sau má»i lần phát hà nh, rá»i hiá»n Äại hóa workflow Äó từ Äầu Äến cuá»i. Má»i lát cắt có contract, monitoring và rollback riêng. Stack cÅ© Äược thu hẹp từng workflow thay vì bá» thay thế trong má»t lần chuyá»n Äá»i rủi ro cao.","Cách Äá»nh lại phạm vi nà y có thá» tạo ra 60 Äến 80% giÃ
1¡ trá» ngay á» lát cắt Äầu tiên, trÆ°á»c khi chạm và o phần còn lại của ná»n tảng. Khi workflow Äầu tiên chạy á»n Äá»nh trên stack má»i, các Äá»i khác sẽ chủ Äá»ng ÄÆ°a workload của há» sang, giúp hiá»n Äại hóa lan rá»ng theo cách an toà n."],image:"/images/dpm-modernizing-around-the-bottleneck-workflow.webp"},{number:"03",title:"Những gì chúng tôi không là m há»ng: guardrail khi di chuyá»n",body:["Má»i lát cắt Äá»u Äược xác minh bằng má»t giai Äoạn chạy song song. TrÆ°á»c khi chuyá»n Äá»i, chúng tôi xác Äá»nh rõ những gì phải Äược bảo vá»:","Các báo cáo hiá»n tại mà Äá»i tà i chÃnh, váºn hà nh hoặc há»i Äá»ng quản trá» cần xem má»i tuần","Pipeline cung cấp dữ liá»u cho sản phẩm khách hà ng hoặc SLA bên ngoà i","Luá»ng dữ liá»u chá»u yêu cầu tuân thủ, gá»m SOC2, GDPR và audit trail liên quan HIPAA","Má»i sá» liá»u mà nếu sai sẽ buá»c Äá»i ngÅ© phải giải thÃch lại vá»i ban lãnh Äạo","Giá»i hạn chi phà trên ná»n tảng má»i. BigQuery slot dùng quá mức và Snowflake credit Äá»u có thá» tạo ra lá»i thá» hiá»n ngay trên hóa ÄÆ¡n","Pipeline má»i chạy cùng job cÅ© cho Äến khi Äá»i chiếu Äạt trong khoảng thá»i gian Äã thá»ng nhất. Chá» chuyá»n Äá»i khi sá» liá»u khá»p, không chuyá»n theo ngà y lá»ch. Äây là khác biá»t giữa má»t chÆ°Æ¡ng trình hoà n thà nh trong 12 tuần và má»t dá»± án viết lại kéo dà i quá 12 tháng."],image:"/images/dpm-what-we-wont-break-migration-guardrails.webp"}]},caseStudies:{featured:[{engagement:"TÄng tá»c báo cáo tà i chÃnh vá»i dbt",engagementHref:"https://vandatateam.com/portfolio/dbt-finance-reporting-acceleration-stack",stack:"BigQuery + dbt",outcome:"Chá»t cuá»i tháng nhanh hÆ¡n 65%, từ 3 ngà y xuá»ng dÆ°á»i 1 ngà y"},{engagement:"Hiá»n Äại hóa Airflow Äa vùng",engagementHref:"https://vandatateam.com/portfolio/multi-region-airflow-modernization-program",stack:"GCP / GKE",outcome:"Giảm 38% chi phà hạ tầng nhá» khả nÄng chuyá»n vùng dá»± phòng tá»t hÆ¡n"},{engagement:"Kho dữ liá»u BigQuery cho doanh nghiá»p Fortune 500",engagementHref:"https://vandatateam.com/portfolio/enterprise-data-warehouse-analytics-platform",stack:"GCP / BigQuery",outcome:"Giảm 95% thá»i gian báo cáo, tá»± Äá»ng hóa hÆ¡n 30 KPI"},{engagement:"Hiá»n Äại hóa stack dữ liá»u trên AWS",stack:"AWS + dbt",outcome:"Giảm 60% hóa ÄÆ¡n, không là m giảm SLA"}],portfolio:[{caseNumber:"01",title:"Ná»n tảng ETL quảng cáo Äa kênh trên Airflow",platform:"AIRFLOW_SNOWFLAKE",category:"PHÃN TÃCH TIẾP THỠ· ETL ÄA KÃNH · SNOWFLAKE + AZURE SQL",challenge:"Äá»i phân tÃch marketing cần ingest dữ liá»u quảng cáo theo lá»ch từ Google Ads, Twitter, Snap, TikTok và Criteo Retail Media. Má»i ná»n tảng có API, cách xác thá»±c và giá»i hạn tá»c Äá» riêng, nhÆ°ng dữ liá»u phải Äá» Äá»ng thá»i và o Snowflake và MS SQL Server.",solution:"Xây dá»±ng stack Airflow 2.3 chạy trong Docker vá»i Postgres metastore, CeleryExecutor và PG Admin. Má»i kênh có DAG riêng theo mẫu extract â stage â MERGE bằng write_pandas và o Snowflake. Extractor Criteo chạy trên Azure, xác thá»±c bằng OAuth client credentials và MERGE dữ liá»u chiến dá»ch và o MS SQL Server qua truy vấn pyodbc có tham sá».",results:["Hợp nhất 5 ná»n tảng quảng cáo trong má»t stack Airflow","HÆ¡n 7 DAG chạy theo lá»ch vá»i cùng logic extract â stage â merge","Snowflake MERGE bảo Äảm retry không tạo dòng trùng","Xá» lý OAuth 2.0 cho Twitter, Google, Snap, TikTok và Criteo","Bá» sung biến thá» staging S3 cho các kênh có lÆ°u lượng lá»n"],technologies:["Airflow 2.3","Snowflake","Azure SQL","Docker"]},{caseNumber:"02",title:"Pipeline Snowflake cho CRM và mạng quảng cáo",platform:"AIRFLOW_SNOWFLAKE",category:"PHÃN TÃCH MARKETING B2B · ETL DELTA LOAD · KPI DEVOPS",challenge:"Äá»i marketing-ops của má»t công ty B2B SaaS cần ná»n tảng production lấy dữ liá»u marketing hà ng ngà y từ TikTok, Twitter, Snapchat và cÆ¡ há»i Salesforce và o Snowflake, Äá»ng thá»i theo dõi artifact build qua JFrog Artifactory.",solution:"Äóng gói dá»± án Airflow nhiá»u DAG gá»m Webserver, Scheduler, Celery, Redis, Postgres và pgAdmin. DAG Salesforce lá»c theo LastModifiedDate; DAG quảng cáo dùng mẫu MERGE staging-insert và staging-update theo CampaignID, AdvertiserID và StatTimeDay Äá» bảo Äảm chạy Äúng má»t lần. DAG etl-artifact-kpis riêng theo dõi metric JFrog qua dohq-artifactory.",results:["MERGE idempotent ngÄn dòng trùng sau má»i lần retry","Backfill lá»ch sá» tá»± bá» qua các khoảng thá»i gian Äã xá» lý","5 há» thá»ng nguá»n trong má»t lần refresh incremental má»i ngà y","DAG KPI JFrog bá» sung khả nÄng quan sát DevOps cho dữ liá»u marketing","Có thá» cấu hình qua Airflow Variables và file JSON"],technologies:["Airflow","Snowflake","Salesforce API","Redis"]},{caseNumber:"03",title:"Kho dữ liá»u hợp nhất cho y tế",platform:"AWS",category:"Y TẾ · MEDALLION LAKE · AUDIT THEO HIPAA",challenge:"Hợp nhất thông tin nhân khẩu há»c, claim bảo hiá»m và danh má
1»¥c nhà cung cấp y tế từ nhiá»u há» thá»ng nguá»n, á» các Äá»nh dạng CSV, TSV, fixed-width text và Excel, và o warehouse có thá» truy vấn qua Athena và có lineage Äầy Äủ.",solution:"Triá»n khai pipeline production vá»i Airflow 2.7 và AWS Glue 4.0 dùng PySpark 3.4.1. DAG 5 task chạy detect_new_files â parse_yaml_config â trigger_glue_job â generate_stats â log. NgÆ°á»i không chuyên có thá» thêm nguá»n bằng cách ÄÆ°a file và o S3; công thức get_glue_capacity() tá»± Äiá»u chá»nh DPU theo sá» nguá»n. Má»i lần chạy ghi thá»ng kê từng cá»t và o PostgreSQL iceberg_ingestion_audit_log Äá» truy vết theo chuẩn HIPAA.",results:["Hợp nhất 4 Äá»nh dạng file và o warehouse Parquet/Athena","Lineage theo chuẩn HIPAA vá»i tá»· lá» null, distinct và min/max từng cá»t","Retry có xét concurrency cho ConcurrentRunsExceededException","Há» trợ 6 biến thá» Äá»nh dạng ngà y ISO, US và EU","MinIO + Docker Compose bảo Äảm môi trÆ°á»ng local tÆ°Æ¡ng Äá»ng cloud"],technologies:["AWS Glue 4.0","Athena","Airflow 2.7","PySpark"]},{caseNumber:"04",title:"Lake dữ liá»u thá» trÆ°á»ng cá» phiếu Mỹ trên Polygon.io",platform:"AWS",category:"FINTECH · THá» TRƯá»NG Vá»N · LAKEHOUSE + PHÃN TÃCH",challenge:"Má»t khách hà ng fintech cần lake dữ liá»u cá» phiếu Mỹ cấp tá» chức, gá»m giao dá»ch, báo giá, tin tức, cá» tức, chia tách, báo cáo tà i chÃnh và dữ liá»u tham chiếu từ Polygon.io. Ná»n tảng phải sẵn sà ng production, có kiá»m thá», phân trang và idempotency.",solution:"Tạo má»t module Python cho má»i endpoint Polygon, phân trang qua next_url theo trang 50.000 dòng và ghi JSON/CSV phân vùng Hive và o S3. Dá»± án dbt-Athena mô hình hóa OHLCV cùng 7 nhóm chá» báo. Engine pandas thuần tÃnh MACD, Bollinger, RSI, stochastic, MFI, OBV và Aroon; má»i nhóm chá» báo có bá» pytest riêng.",results:["Ingest hÆ¡n 15 endpoint Polygon vá»i thao tác ghi S3 idempotent","Dashboard có hÆ¡n 13 chá» báo kỹ thuáºt và hÆ¡n 25 mẫu TA-Lib","Phân vùng kiá»u Hive giúp Athena loại bá» partition không cần quét","Má»i nhóm chá» báo có Äầy Äủ pytest, gá»m cả biến thá» Golden Cross","Tham sá» tÆ°Æ¡ng thÃch AWS Glue cho các lần chạy theo lá»ch"],technologies:["S3","dbt-Athena","Polygon.io","Secrets Manager"]},{caseNumber:"05",title:"Kho KPI khách hà ng thà nh viên phân hạng trên BigQuery",platform:"GCP",category:"BÃN LẺ CAO CẤP · LOYALTY · KPI THEO KỲ",challenge:"Má»t thÆ°Æ¡ng hiá»u bán lẻ cao cấp có chÆ°Æ¡ng trình thà nh viên Insider, Prestige và Elite cần báo cáo KPI hà ng tuần cho lãnh Äạo, so sánh MTD, YTD và cùng kỳ nÄm trÆ°á»c vá» ÄÄng ký, mua hà ng, hoà n thiá»n há» sÆ¡ và marketing thay cho viá»c xá» lý SFTP và spreadsheet thủ công.",solution:"Xây dá»±ng ETL SFTP â GCS â BigQuery cho 4 miá»n loyalty. SQL builder tá»± phát hiá»n LOCATION_NAME và LOCATION_CATEGORY rá»i pivot thà nh cá»t theo cá»a hà ng. KPI engine tÃnh metric theo 5 chiá»u thá»i gian, xá» lý nÄm nhuáºn và sá» ngà y má»i tháng, sau Äó xuất sang Excel, Google Sheets và dashboard Streamlit. Docker Compose có nginx SSL reverse proxy sẵn sà ng cho Cloud Run.",results:["So sánh 5 giai Äoạn cho từng metric: MTD, Prev MTD, MTD LY, YTD và YTD LY","Tá»± phát hiá»n giá trá» location Äá» pivot theo cá»a hà ng","Xuất Äá»ng thá»i Excel, Google Sheets và Streamlit","Refresh lúc 9 giá» sáng hằng ngà y qua cron trong Cloud Run","CLI access-kpi cà i bằng pip cho các lần chạy lại thủ công"],technologies:["BigQuery","Cloud Run","SFTP","Streamlit"]},{caseNumber:"06",title:"Data hub Shopify Äa tenant á» quy mô lá»n",platform:"GCP",category:"ECOMMERCE SAAS · ETL ÄA TENANT · Tá»I ƯU BACKFILL",challenge:"Job Äá»ng bá» cÅ© của má»t ná»n tảng phân tÃch Shopify Äa tenant mất khoảng 10 ngà y Äá» backfill 5 nÄm dữ liá»u cho má»t merchant, không thá» má» rá»ng cho hà ng chục khách hà ng. Há» cần ná»n tảng chạy song song, hiá»u webhook, onboarding merchant nhanh và cáºp nháºt bảng mà không phải extract lại toà n bá» má»i ngà y.",solution:"Thiết kế kiến trúc Cloud Run gá»m API listener, webhook listener Äá»nh tuyến qua Pub/Sub, loader GCS-to-BigQuery và tenant scheduler. Firestore là m registry, ánh xạ customer_id vá»i shopify_store_url và access token. Extract theo tenant chạy song song vá»i retry-aware rate limit; bảng Ãt thay Äá»i dùng load khá» trùng lặp, event lá»n dùng load cuá»n theo cá»a sá» ngà y.",results:["Rút thá»i gian backfill 5 nÄm từ khoảng 10 ngà y xuá»ng và i giá»","4 dá»ch vụ Cloud Run theo má»t trách nhiá»m","Registry tenant trên Firestore, má»t service phục vụ má»i merchant","Sentry theo dõi lá»i và Äá»nh tuyến sang handler Cloud Run dá»± phòng","Webhook Pub/Sub kÃch hoạt cáºp nháºt incremental mà không phải tải lại toà n bá»"],technologies:["Cloud Run","BigQuery","Firestore","Pub/Sub"]},{caseNumber:"07",title:"Data hub marketing Äa ná»n tảng",platform:"GCP",category:"DIGITAL AGENCY · Tá»NG HỢP SAAS · GCS + BIGQUERY",challenge:"Má»t agency cần warehouse hợp nhất dữ liá»u từ hà ng chục công cụ SaaS của khách hà ng, má»i công cụ có API, cÆ¡ chế xác thá»±c và mô hình dữ liá»u riêng, nhÆ°ng không muá»n tiếp tục má» rá»ng viá»c xuất file thủ công. Giải pháp phải tiết kiá»m và dá»
thêm nguá»n má»i.",solution:"Triá»n khai khoảng 30 microservice Cloud Function Äá»c láºp, má»i service có thÆ° mục riêng vá»i mẫu main.py và storage_connector.py thá»ng nhất. Phạm vi gá»m marketing, CRM, ecommerce và finance; vá»i nguá»n chá» có giao diá»n, Selenium fallback kết hợp hCaptcha solver Äược tÃch hợp.",results:["ÄÆ°a hÆ¡n 30 connector SaaS Äá»c láºp lên production","Mô hình chi phà Cloud Functions theo má»i lần gá»i","Biến thá» Selenium trên GCP cho nguá»n không có API","Cấu trúc thÆ° mục GCS sẵn sà ng cho BigQuery external table","Thanh trượt cá»a sá» incremental 30 phút cho delta load"],technologies:["Cloud Functions","GCS","BigQuery","Selenium"]},{caseNumber:"08",title:"Ná»n tảng láºp kế hoạch ká»ch bản Medicare Stars",platform:"AWS",category:"PHÃN TÃCH Y TẾ · Mà HÃNH Ká»CH BẢN · ENTERPRISE SAAS",challenge:"Äá»i CFO và váºn hà nh y tế cần mô phá»ng kết quả xếp hạng Medicare Advantage Stars theo nhiá»u giả Äá»nh, vá»i query template có thá» tái sá» dụng, cảnh báo theo lá»ch, xuất PDF/Excel/PPT và SSO cấp doanh nghiá»p.",solution:"Xây dá»±ng service FastAPI 0.104 bất Äá»ng bá» vá»i 8 file endpoint có version. Factory connector hợp nhất Postgres, SQL Server, Redshift và Apache Pinot qua má»t interface execute_query(). Ká»ch bản lÆ°u baseline và override trong JSONB;
1 APScheduler phát cảnh báo có cooldown và giá»i hạn tần suất theo template. Okta JWT SSO, query có tham sá» và dependency injection hiá»u JWT Äược áp dụng xuyên suá»t.",results:["4 database engine phÃa sau má»t lá»p query thá»ng nhất","Äạt 255+ unit test vá»i pytest và pytest-asyncio","Okta JWT SSO và cÆ¡ chế chặn mẫu SQL injection","ECS Fargate do Terraform quản lý vá»i Secrets Manager và OIDC AWS auth","Xuất PDF, Excel và PowerPoint từ kết quả mô phá»ng"],technologies:["FastAPI","ECS Fargate","Terraform","Okta SSO"]},{caseNumber:"09",title:"Warehouse thÆ°Æ¡ng mại chuyên biá»t trên BigQuery",platform:"GCP",category:"BÃN LẺ CHUYÃN BIá»T · ETL METAFIELD · ÄA Ná»N TẢNG",challenge:"Má»t nhà bán lẻ thá»±c phẩm chuyên biá»t dùng Shopify, Lightspeed POS và Stocky cần báo cáo BigQuery hợp nhất cho tà i chÃnh, merchandising và váºn hà nh cá»a hà ng. Quan trá»ng nhất, toà n bá» 29 metafield sản phẩm Shopify phải Äược là m phẳng thà nh từng dòng theo SKU trong BigQuery.",solution:"Xây dá»±ng 3 microservice Cloud Run dùng chung CloudStorageConnector Äá» ghi NDJSON và o GCS. Worker Shopify gá»i endpoint Äá»nh nghÄ©a metafield GraphQL lúc khá»i Äá»ng và tá»± Äá»ng lấy má»i metafield, không hard-code danh sách trÆ°á»ng. Lightspeed dùng OAuth refresh-token rotation lÆ°u và o GCS sau má»i lần chạy; má»t cá» boolean chuyá»n giữa historical và incremental.",results:["Tá»± phát hiá»n 29 Äá»nh nghÄ©a metafield qua GraphQL","10 trÆ°á»ng Äã có dữ liá»u và 19 trÆ°á»ng sẵn sà ng dùng mà không Äá»i mã","Hợp nhất 3 ná»n tảng và o BigQuery external table","View BigQuery cho tá»n kho và doanh sá» từng sản phẩm trong 30 ngà y","OAuth refresh-token rotation Äược lÆ°u và o GCS sau má»i lần chạy"],technologies:["Cloud Run","BigQuery","Shopify GraphQL","GCS"]},{caseNumber:"10",title:"Pipeline KPI bán hà ng dùng AI trên Cloud Run",platform:"GCP",category:"SALES BI · TRÃCH XUẤT LLM · CLOUD Tá»I ƯU CHI PHÃ",challenge:"Äá»i sales tÃn dụng hiá»u suất cao tại VÆ°Æ¡ng quá»c Anh ÄÄng KPI hà ng ngà y dÆ°á»i dạng tin nhắn Slack không có cấu trúc. TrÆ°á»ng nhóm phải dò spreadsheet và nháºp sá» thủ công, không có lá»ch sá» Äáng tin cáºy vá» First-Call Cash, Recovery Cash, Total Cash hay doanh thu tiá»m nÄng.",solution:"Ingest Slack qua slack-sdk, trÃch xuất có cấu trúc bằng Claude 3.5 Haiku, xác thá»±c bằng Pydantic v2 rá»i ghi và o BigQuery phân vùng theo kpi_date và cluster theo team_member. Cloud Run Job chạy theo giá» qua Cloud Scheduler. Dashboard Plotly Dash có BasicAuth theo vai trò thay thế hoà n toà n spreadsheet.",results:["Tá»ng chi phà cloud production khoảng 20 USD má»i nÄm","Giảm 92% chi phà LLM nhá» chá»n Haiku thay vì Sonnet","100% bản ghi KPI Äược Pydantic xác thá»±c, không có dòng lá»i cấu trúc","Rerun idempotent nhá» ngÄn trùng theo slack_message_ts","Theo dõi xuyên suá»t 107.600 bảng Anh doanh thu hà ng tháng trong production"],technologies:["Cloud Run Jobs","BigQuery","Claude Haiku","Plotly Dash"]},{caseNumber:"11",title:"Pipeline dữ liá»u thá» trÆ°á»ng Äiá»n gần thá»i gian thá»±c",platform:"AWS",category:"THá» TRƯá»NG NÄNG LƯỢNG · ETL GẦN REAL-TIME · WAREHOUSE TIME-SERIES",challenge:"AEMO phát hà nh báo cáo Äiá»u Äá» Äiá»n dạng CSV nén má»i 5 phút. Nhóm phân tÃch thá» trÆ°á»ng nÄng lượng Australia cần warehouse có thá» truy vấn cho cả 5 vùng NSW, QLD, SA, TAS và VIC, Äá»ng thá»i lÆ°u trữ tin cáºy má»i file gá»c.",solution:"AWS Lambda chạy má»i 5 phút qua CloudWatch Äá» lấy zip NEMWeb má»i nhất, giải nén và o /tmp, lá»c dòng có cá»t 2 là DREGION, lấy 19 trÆ°á»ng cấu hình, lÆ°u CSV Äã chuẩn hóa và o S3 và stream từng bản ghi và o DynamoDB vá»i composite ID từ SETTLEMENTDATE và REGIONID. Ứng dụng Plotly Dash há» trợ chá»n vùng, chá»n metric, duyá»t file và xuất CSV.",results:["Ingest má»i 5 phút cho 5 vùng thá» trÆ°á»ng Australia","Theo dõi 19 metric Äiá»u Äá», gá»m RRP, TOTALDEMAND và NETINTERCHANGE","DynamoDB composite ID cho truy vấn time-series theo vùng","Archive S3 skip-if-exists idempotent ngÄn xá» lý trùng","LÆ°u trữ kép: CSV gá»c trong S3 và dòng có cấu trúc trong DynamoDB"],technologies:["AWS Lambda","DynamoDB","S3","CloudWatch"]},{caseNumber:"12",title:"Công cụ chuyá»n Äá»i Tableau sang Power BI",platform:"MULTI-CLOUD",category:"BI RE-PLATFORMING · PHÃN TÃCH TWBX · XÃC THá»°C JSON SCHEMA",challenge:"Má»t doanh nghiá»p cần chuyá»n môi trÆ°á»ng báo cáo Tableau lá»n sang Microsoft Power BI. Là m lại thủ công từng dashboard và datasource vừa tá»n kém vừa dá»
lá»i, trong khi Äá»nh dạng workbook XML và Hyper extract khiến công cụ chuyá»n Äá»i có sẵn không xá» lý trá»n vẹn.",solution:"Xây dá»±ng tiá»n Ãch Python vá»i hai entry point. dashboard_parse.py xác thá»±c Tableau qua REST và PAT, tìm workbook theo tên rá»i tải TWBX. datasource_parse.py giải nén package, phân tÃch XML .twb nhúng, Äá»c extract .hyper bằng tableauhyperapi và gá»i OpenAI API Äá» chuyá»n Äá»nh nghÄ©a dashboard cùng datasource thà nh JSON tÆ°Æ¡ng thÃch Power BI. Output Äược kiá»m tra bằng jsonschema trÆ°á»c bà n giao.",results:["Tá»± Äá»ng hóa giải nén TWBX và pipeline XML/Hyper extract","JSON sc
1hema validation bảo Äảm output tÆ°Æ¡ng thÃch Power BI","Mapping kiá»u dữ liá»u Tableau sang Power BI cho string, int, real và date","Xác thá»±c Tableau PAT và tìm workbook theo tên","Dá»ch XML sang JSON bằng AI kèm thá»±c thi schema"],technologies:["Tableau REST API","OpenAI API","Power BI","jsonschema"]}]},industries:{items:[{title:"B2B SaaS và công ty sản phẩm",description:"Di chuyá»n Redshift sang BigQuery, phân lá»p model dbt từ SQL thô, Airflow trên GKE, metric layer cho product analytics và contract retrieval sẵn sà ng cho AI.",buyer:"CTO, ngÆ°á»i phụ trách platform hoặc ngÆ°á»i phụ trách dữ liá»u tại công ty công nghá» Äang tÄng trÆ°á»ng."},{title:"Äá»i tà i chÃnh và FP&A",description:"dbt kết hợp BigQuery cho quy trình chá»t tà i chÃnh, schema contract giữa há» thá»ng nguá»n và warehouse, KPI có version và báo cáo cuá»i tháng tá»± Äá»ng. Kết quả thÆ°á»ng thấy: rút thá»i gian chá»t từ 3 ngà y xuá»ng dÆ°á»i 1 ngà y.",buyer:"Lãnh Äạo tà i chÃnh và FP&A tại doanh nghiá»p có quy trình chá»t cuá»i tháng kéo dà i hÆ¡n cần thiết."},{title:"Äá»i dữ liá»u hiá»n Äại hóa warehouse cÅ©",description:"ÄÆ°a Postgres hoặc SQL Server on-prem lên cloud, refactor SQL thô thà nh dbt, gom dashboard và o metric layer có quản trá» và thay lineage thiếu hụt bằng Äá» thá» lineage có thá» truy vấn.",buyer:"Head of Data tại doanh nghiá»p có chi phà warehouse tÄng hÆ¡n 40% chá» trong má»t nÄm."},{title:"Äá»i ngÅ© chuẩn bá» workload AI",description:"Xây contract retrieval, embedding pipeline và event schema Äá» LangGraph hoặc Claude tool-use agent có thá» dùng á»n Äá»nh. AI readiness thÆ°á»ng là kết quả của warehouse, contract và lineage Äược là m Äúng, không phải má»t dá»± án tách biá»t.",buyer:"CTO hoặc lãnh Äạo AI/ML có sáng kiến AI Äang bá» kẹt á» ná»n tảng dữ liá»u."},{title:"FinTech và workload chá»u quản lý",description:"Kiá»m soát phù hợp SOC2 và GDPR, BAA khi cần, audit quyá»n Äá»c và bảo Äảm dữ liá»u production không rá»i khá»i cloud khách hà ng. Khi cần chuá»i BAA cho PHI thuá»c HIPAA, chúng tôi phá»i hợp vá»i Äá»i tác tại Hoa Kỳ.",buyer:"Äá»i FinTech và ngà nh chá»u quản lý coi trá»ng tuân thủ."},{title:"Doanh nghiá»p tầm trung có công cụ ETL cÅ©",description:"Thay Talend, Informatica, SSIS hoặc Python tá»± viết bằng pattern dlt, Airflow hoặc Cloud Run theo từng giai Äoạn, Äá» pipeline hiá»n tại tiếp tục chạy Äến khi pipeline má»i Äược xác minh.",buyer:"Lãnh Äạo IT và dữ liá»u tại doanh nghiá»p tầm trung có công cụ ETL Äã trá» thà nh Äiá»m nghẽn."}]},packages:{items:[{name:"Buá»i trao Äá»i ban Äầu",price:"Miá»
n phÃ, 30 phút",description:"Äánh giá trá»±c tiếp ná»n tảng hiá»n tại và workflow Äang bá» nghẽn. Không trình bà y bán hà ng, không slide, không biá»u mẫu dà i.",bestFor:"Doanh nghiá»p Äang Äánh giá dá»ch vụ hiá»n Äại hóa ná»n tảng dữ liá»u và muá»n có góc nhìn senior trÆ°á»c khi phân bá» ngân sách.",features:["Äánh giá thẳng liá»u hiá»n Äại hóa có thá»±c sá»± là hÆ°á»ng phù hợp","Ưá»c tÃnh sÆ¡ bá» thứ tá»± di chuyá»n","Äá» xuất gói triá»n khai phù hợp","Nói rõ âÄá»i ngÅ© ná»i bá» có thá» tá»± là mâ khi Äó là lá»±a chá»n Äúng","Äá» xuất trao Äá»i vá»i Äá»i tác tại Hoa Kỳ khi Äó là phÆ°Æ¡ng án tá»t hÆ¡n"]},{name:"Gói triá»n khai production",price:"Từ 500 USD, xác Äá»nh trong buá»i trao Äá»i",description:"Gói hiá»n Äại hóa ná»n tảng dữ liá»u Äầy Äủ cho má»t lát cắt Äã xác Äá»nh. Phạm vi và giá cá» Äá»nh, tiến Äá» theo quy mô dá»± án, thÆ°á»ng 6 Äến 16 tuần. Dá»± án lá»n hoặc nhiá»u cloud Äược báo giá riêng.",bestFor:"Äá»i ngÅ© có ná»n tảng dữ liá»u cÅ© Äang cản trá» viá»c bà n giao, Äá» tin cáºy hoặc AI readiness và cần hiá»n Äại hóa theo từng lát cắt tá
1º¡o giá trá»."},{name:"Äá»i tác Äá»ng hà nh",price:"Gói Äá»ng hà nh liên tục, phạm vi hà ng tháng cá» Äá»nh",description:"Gói duy trì chÆ°Æ¡ng trình hiá»n Äại hóa sau lát cắt Äầu tiên. Phạm vi hà ng tháng Äược xác Äá»nh riêng cho từng dá»± án.",bestFor:"Äá»i ngÅ© chÆ°a có senior data platform lead ná»i bá» nhÆ°ng cần duy trì Äá»ng lá»±c hiá»n Äại hóa qua nhiá»u lát cắt.",features:["Xác Äá»nh phạm vi lát cắt tiếp theo","Review model dbt","Thá»±c thi contract","Giám sát freshness SLA","Phát hiá»n drift á» metric layer","Review kiến trúc hà ng tháng","Phản há»i sá»± cá» khi pipeline gặp lá»i"]}]}}}});let m={fields:{name:{label:"Name",placeholder:"Your name",requiredMessage:"Please share your name."},email:{label:"Work email",placeholder:"[email protected]",requiredMessage:"Please enter your work email.",invalidMessage:"Please enter a valid email address."},phone:{label:"Phone",placeholder:"+1 555 0123",maxLengthMessage:"Phone must be 40 characters or fewer."},company:{label:"Company",placeholder:"Company name"},message:{label:"Project details",placeholder:"What do you need built, fixed, or redesigned?",requiredMessage:"Please add a little more project detail."}},honeypotLabel:"Company website",submitLabel:"Send project brief",pendingLabel:"Sending...",status:{invalid:"Please fix the highlighted fields and try again.",botSuccess:"Thanks. Your message has been received.",duplicate:"That message was just submitted. Please wait a minute before trying again.",sendError:"The message could not be sent right now. Please email directly or try again shortly.",success:"Thanks for reaching out. We will review your message and follow up soon.",missingApiKey:"The form is wired up, but RESEND_API_KEY is not configured yet.",resendError:"Resend returned an error while sending the message."}},y={fields:{name:{label:"Há» và tên",placeholder:"Tên của bạn",requiredMessage:"Vui lòng nháºp tên cá»
1§a bạn."},email:{label:"Email công viá»c",placeholder:"[email protected]",requiredMessage:"Vui lòng nháºp email công viá»c.",invalidMessage:"Vui lòng nháºp Äá»a chá» email hợp lá»."},phone:{label:"Sá» Äiá»n thoại",placeholder:"+84 90 123 4567",maxLengthMessage:"Sá» Äiá»n thoại không Äược vượt quá 40 ký tá»±."},company:{label:"Công ty",placeholder:"Tên công ty"},message:{label:"Chi tiết dá»± án",placeholder:"Bạn cần xây dá»±ng, sá»a chữa hoặc thiết kế lại Äiá»u gì?",requiredMessage:"Vui lòng chia sẻ thêm chi tiết vá» dá»± án."}},honeypotLabel:"Website công ty",submitLabel:"Gá»i thông tin dá»± án",pendingLabel:"Äang gá»i...",status:{invalid:"Vui lòng kiá»m tra các trÆ°á»ng Äược Äánh dấu.",botSuccess:"Cảm Æ¡n bạn. Thông tin Äã Äược ghi nháºn.",duplicate:"Thông tin nà y vừa Äược gá»i. Vui lòng Äợi má»t phút trÆ°á»c khi thá» lại.",sendError:"Hiá»n chÆ°a thá» gá»i thông tin. Vui lòng liên há» qua email hoặc thá» lại sau.",success:"Cảm Æ¡n bạn Äã liên há». Chúng tôi sẽ xem xét thông tin và phản há»i sá»m.",missingApiKey:"Biá»u mẫu hiá»n chÆ°a Äược cấu hình Äá» gá»i email.",resendError:"Không thá» gá»i email lúc nà y."}},b={...m,fields:{...m.fields,message:{...m.fields.message,placeholder:"Tell us about your data platform modernization challenge..."}}},v={...y,fields:{...y.fields,message:{...y.fields.message,placeholder:"Hãy chia sẻ thách thức hiá»n Äại hóa ná»n tảng dữ liá»u của bạn..."}}},k={...m,fields:{...m.fields,message:{...m.fields.message,placeholder:"Tell us about your cloud spend challenge..."}}},f={...y,fields:{...y.fields,message:{...y.fields.message,placeholder:"Hãy chia sẻ thách thức chi phà Äám mây của bạn..."}}},w={delivery:{heading:{title:"How Van Data Team Delivers End to End AI Agent Development Services",description:"Van Data Team follows a four stage delivery loop that keeps business context and technical execution in the same conversation, from the very first workflow audit through to monitoring after launch."},tabsLabel:"Delivery stages",stages:e.aiAgentDeliveryStages},pillars:{heading:{title:"What Do AI Agent Development Services Deliver?",description:"Production ready AI agents require more than a good prompt. These are the architectural decisions that determine whether an agent runs reliably in production or collapses the moment real conditions hit."},items:e.aiAgentPillars},comparison:{heading:{title:"AI Agent vs AI Assistant: Understanding the Difference Before You Build",description:"Not every AI solution is an agent - and building the wrong one is an expensive way to find out."},tableLabel:"Comparison of AI Assistants versus AI Agents",rows:e.aiAgentComparisonRows},warning:{heading:{title:"In the era of AI Search, brittle automation and unreliable data systems make it easier for better built competitors to pull ahead",description:"Here are 4 warning signs:"},items:e.aiAgentWarningSigns},caseStudies:{heading:{title:"Featured AI Agent projects",description:"Production AI agent projects shipped by Van Data Team across healthcare, fintech, legal, cybersecurity, and consumer industries. Each case study shows the stack, architecture decisions, and measurable outcomes."},items:e.aiAgentCaseStudies},industries:null,packages:null,stack:{heading:{title:"Tech Stack",description:""},tableLabel:"AI Agent tech stack",rows:e.aiAgentStackTable}},S={delivery:{heading:{title:"What Van Data Team delivers in an agentic BI & reporting engagement",description:"Our Agentic BI & Reporting service line ships an end to end agent runtime that pulls KPIs from your warehouse, runs anomaly detection, drafts narrative summaries, and delivers them through Slack, email, or an embedded panel inside your product. The deliverables are concrete, not vague:"},deliverables:i.agenticBiDeliverables,engagementHeading:{title:"How a Van Data Team Agentic BI engagement actually runs",description:""},engagementSteps:i.agenticBiEngagementSteps},pillars:null,comparison:{heading:{title:"Big 4 vs US boutique vs Van Data Team vs freelancer: how to choose",description:""},rows:i.agenticBiVendorRows,guidance:i.agenticBiVendorGuidance},warning:{heading:{title:"Why out of the box AI analytics fail (and what we do differently)",description:"You can't replace Tableau with AI agents using only the native AI features in Tableau, Power BI, Snowflake Cortex, or ChatGPT for teams with anything beyond trivial business logic. Three predictable failure modes keep repeating across enterprise pilots."},items:i.agenticBiFailureModes},caseStudies:{heading:{title:"Companies That Achieved Breakthrough Growth With Agentic BI Reporting of Van Data Team",description:"From raw data trapped in spreadsheets, SFTP drops, Slack channels, and unstructured PDFs, Van Data Team has shipped end to end BI and reporting systems that drive real operational decisions. Below are 15 standout Agentic BI & Reporting case studies."},items:i.agenticBiCaseStudies},industries:null,packages:null,stack:{heading:{title:"Technology behind the Agentic BI runtime",description:"The stack wraps your current warehouse and semantic layer. New infrastru
1cture stays focused on orchestration, validation, delivery surfaces and observability."},rows:i.agenticBiStackTable}},A={delivery:{heading:{title:"Our Data Pipeline Development Process",description:""},tabsLabel:"Process steps",steps:s},pillars:{heading:{title:"What Every Global Data Pipeline We Deliver Includes",description:""},items:h},comparison:{heading:{title:"What Makes Van Data Team Different",description:""},tableLabel:"Comparison of Van Data Team versus freelancers and agencies",rows:c},warning:{heading:{title:"Is Your Data Pipeline Holding the Business Back?",description:""},items:r},caseStudies:null,industries:null,packages:null,stack:{heading:{title:"Tech Stack",description:""},rows:l}},C={delivery:{heading:{title:"How a typical engagement runs",description:"Every engagement is scoped to your stack, team, and compliance needs. The timeline below shows a typical mid market Production Build. Your actual plan is shaped during discovery and signed off before implementation begins."},tabsLabel:"Engagement timeline",stages:d.dpmDeliveryStages,timelineHeading:"How scope shifts the timeline",timelineShift:d.dpmTimelineShift},pillars:{heading:{title:"How we work: the staged slice approach",description:""},tabsLabel:"Staged-slice approach stages",items:d.dpmPillars},comparison:null,warning:null,caseStudies:{heading:{title:"Outcomes we've shipped",description:"Verifiable proof, not marketing claims. Every number below is tied to a specific engagement."},featured:d.dpmCaseStudies,portfolioHeading:"Companies That Achieved Breakthrough Results With Data Platform Modernization of Van Data Team",portfolioDescription:"From legacy Redshift warehouses, brittle cron scheduled ETL, ungoverned KPI definitions, and stalled AI initiatives, Van Data Team has shipped end to end modernization programs that unlock the next quarter's roadmap. Below are some standout case studies.",portfolio:d.dpmBreakthroughCaseStudies},industries:{heading:{title:"Industries and workloads we cover",description:"Our data platform modernization services are strongest where legacy ETL, ungoverned warehouses, or stalled AI initiatives are blocking growth. Specifically:"},items:d.dpmIndustries},packages:{heading:{title:"Engagement packages and pricing",description:"Project based pricing, transparently scoped. Pick the one that matches where you are in the work."},items:d.dpmPackages},stack:null},T={delivery:{heading:{title:"How a typical engagement runs",description:"Every engagement is scoped to your stack, team, and compliance needs. The timeline below shows a typical mid market Production Build. Your actual plan is shaped during discovery and signed off in Week 2."},tabsLabel:"Engagement timeline",stages:a.cloudCostDeliveryStages,timelineHeading:"How scope shifts the timeline",timelineShift:a.cloudCostTimelineShift},pillars:{heading:{title:"How we work: the workflow mapped approach",description:""},tabsLabel:"Workflow mapped approach stages",items:a.cloudCostPillars},comparison:null,warning:null,caseStudies:{heading:{title:"Outcomes we've shipped",description:"Verifiable proof, not marketing claims. Every number below is tied to a specific engagement."},featured:a.cloudCostCaseStudies,portfolioHeading:"Companies That Achieved Breakthrough Savings With Cloud Cost Optimization of Van Data Team",portfolioDescription:"From runaway BigQuery bills, over provisioned compute, untagged workloads, and missed Reserved Instance opportunities, Van Data Team has shipped end to end cost optimization programs that drive real margin impact. Below are some standout Cloud Cost Optimization case studies.",portfolio:a.cloudCostBreakthroughCaseStudies},industries:{heading:{title:"Industries and workloads we cover",description:"Our cloud cost optimization services are strongest where modern data and AI workloads dominate the bill. Specifically:"},items:a.cloudCostIndustries},packages:{heading:{title:"Engagement packages and pricing",description:"Project based pricing, transparently scoped. Pick the one that matches where you are in the work."},items:a.cloudCostPackages},stack:{heading:{title:"Cloud cost technology stack",description:""},rows:a.cloudCostStackTable}},P={delivery:{heading:{title:"What we ship in a Production Build",description:"Each of these eight layers maps to a failure mode we have seen recur across 150+ engagements. The result: 99.9% extraction success at 1M+ pages per month, with resilient web scraping that survives site redesigns, anti bot updates, and proxy IP burns long past month three."}
1,items:[{number:"01",title:"Scraping Runtime",description:"Browser pool, proxy rotation, fingerprint handling, and session management, all wired together as one runtime.",tags:["Playwright","Selenium","Scrapy"]},{number:"02",title:"Retry Contract",description:"Exponential backoff, circuit breakers, dead letter queues, and fully idempotent re runs.",tags:["backoff","DLQ","idempotent"]},{number:"03",title:"Selector Contracts",description:"Versioned selectors with drift monitoring, regression checks, and clear alert thresholds.",tags:["versioned","drift alerts"]},{number:"04",title:"Validators",description:"Schema checks, row count bounds, field level checks, and freshness validation before any delivery.",tags:["schema","bounds","field checks"]},{number:"05",title:"Anti Bot Strategy",description:"Target matched strategy across Cloudflare, DataDome, Akamai, PerimeterX, and hCaptcha pressure.",tags:["Cloudflare","DataDome","hCaptcha"]},{number:"06",title:"Delivery",description:"Idempotent writes into your stack with explicit schema contracts and fully traceable payloads.",tags:["BigQuery","Snowflake","Postgres","S3"]},{number:"07",title:"Observability",description:"Success rate per source, latency percentiles, proxy bill telemetry, audit logs, and alerting.",tags:["p99","audit","telemetry"]},{number:"08",title:"Handoff Package",description:"Runbooks, a 30 day optimization window, and clear maintenance options for selector drift.",tags:["runbooks","30 day window","retainer"]}]},pillars:null,comparison:{heading:{title:"Managed API vs freelancer vs US agency vs Van Data Team",description:"A serious vendor names where they lose. Managed APIs win for hands off public targets. Van Data Team wins in the messy middle: anti bot pressure, custom logic, higher volume, and warehouse grade delivery."},rows:[["Public targets, simple, moderate volume","Strong fit","Acceptable","Overkill","Overkill"],["Anti bot sophisticated, recurring SLA","Hits cost ceiling","Breaks in week 4","Strong fit","Strong fit"],["1M+ pages per month with custom logic","Cost prohibitive","Not realistic","Strong fit","Strong fit"],["Custom delivery into governed warehouse","Limited","DIY scripts","Native","Native"],["Pricing model","Per page meter","Hourly, often unscoped","Six figure retainers","Fixed bid by scope"],["Time to PoC","Hours","Days","4 to 8 weeks","2 to 4 weeks"],["Accountability when scraper breaks","Vendor SLA","Often none","Account manager","Founder named in the contract"]]},warning:{heading:{title:"Why scripts fail in production and what a runtime closes",description:"Most production failures aren't coding bugs. They are architectural gaps. Four predictable failure modes show up across every post mortem and rescue engagement we have taken."},items:[{title:"Silent data loss",symptom:"A scraper runs successfully but returns zero rows after a redesign, quietly leaving a warehouse table stale.",fix:"Version selector contracts, baseline per source success rates, and alert the moment extraction drops below 95%."},{title:"Exploding proxy costs",symptom:"Proxy bills triple, or success rates collapse as datacenter IPs get flagged on fingerprint heavy sites.",fix:"Match proxy class on day one, set per source retry quotas, and monitor proxy spend right beside success rate."},{title:"Confidently wrong data",symptom:"Rows still write, but selectors match the wrong element or pagination stops early without any signal.",fix:"Run schema, row count, field format, and freshness validators before any warehouse write."},{title:"Wrong action executed",symptom:"A browser automation submits a form twice, pays the wrong invoice, or marks the wrong record complete.",fix:"Guard actions with idempotency keys, dry run mode, audit logs, and human checkpoints for irreversible steps."}]},caseStudies:{heading:{title:"Companies That Achieved Breakthrough Growth With Web Scraping & Automation Services of Van Data Team",description:"Production grade scraping at 1M+ pages per month, 99.9% extraction success, anti bot bypass on Cloudflare and DataDome. 15 case studies across ecommerce, real estate, B2B research, and AI training pipelines."},items:[{caseNumber:"01",title:"LinkedIn + Crunchbase Intelligence Platform",platform:"Docker",category:"B2B Data
1Enrichment · Enterprise Company Intelligence",challenge:"A B2B platform needed structured company profiles at scale from Crunchbase and LinkedIn with no manual operator intervention.",solution:"Built three Docker microservices on CapRover, with a Crunchbase worker, LinkedIn worker, remote Selenium Grid, account rotation, and DB-driven parameters for cookies, proxies, and payloads.",results:["3 isolated microservices deployable independently via CapRover","Selenium Grid plus parallel Chrome and Edge containers","Zero-code reconfiguration through a database parameter table","Authwall auto-recovery for long-running scraping sessions"],technologies:["Docker","CapRover","Selenium Grid","MySQL","Python"],accent:"from-sky-400 via-violet-400 to-orange-500"},{caseNumber:"02",title:"Twitter / X Follower Monitoring at Scale",platform:"Self-hosted",category:"Social Intelligence · Daily 30K-Profile Sharding",challenge:"Daily follower-count tracking across 30,000 Twitter / X profiles on a platform with suspensions, CAPTCHA walls, and rate limits.",solution:"Distributed links across pre-authenticated accounts via Python multiprocessing, reused pickled cookies, validated sessions, extracted JSON-LD followers, and consolidated snapshots.",results:["30,000+ profiles per daily run across parallel processes","Cookie-based session reuse after onboarding","Per-account audit logs for every scrape session","Auto-recovery from suspensions, rate limits, and CAPTCHA walls"],technologies:["Python","multiprocessing","Selenium","schedule","JSON-LD"],accent:"from-violet-500 via-fuchsia-400 to-orange-500"},{caseNumber:"03",title:"LinkedIn ESG Research Panel",platform:"Self-hosted",category:"Academic Research · Stata-Ready Panel Data",challenge:"A quant research team needed Stata-compatible panel datasets covering 300+ companies' LinkedIn activity and ESG-tagged employee engagement.",solution:"Built a five-phase scraper for profiles, posts, engagements, and engager profiles, then added ESG scoring with E/S/G dictionaries and N-gram matching.",results:["300+ companies tracked across multi-month windows","146 MB+ panel dataset delivered as Stata .dta files","Custom ESG scoring with dictionary and N-gram matching","Resume-on-error pipeline for unattended multi-day runs"],technologies:["Python","Selenium","NLP","pandas","Stata"],accent:"from-amber-500 via-orange-400 to-red-500"},{caseNumber:"04",title:"Kia Service Manual Documentation Scraper",platform:"Self-hosted",category:"Automotive · Anti-Bot-Hardened Extraction",challenge:"Extract complete workshop manuals, wiring diagrams, and DTC documentation from Kia's protected technical portal.",solution:"Used SeleniumBase UC mode, stealth overrides, 2Captcha image bypass, memory-aware PDF generation, and long-path handling for deep TOC nesting.",results:["5 content categories scraped: SHOP, ETM, DTC, BODY, OVERHAUL","1 GB+ HTML and 50+ GB RAM workloads handled cleanly","70+ stealth overrides defeated portal-side detection","Resumable runs through per-folder checkpoint files"],technologies:["SeleniumBase","2Captcha","Python","PyPDF2","Win long-path"],accent:"from-slate-600 via-orange-400 to-red-500"},{caseNumber:"05",title:"KYC/AML Background Check Platform",platform:"Docker",category:"RegTech / Compliance · 100+ Feed Scraper Grid",challenge:"A crypto-compliance team needed one Elasticsearch index across wat
1chlists, sanctions, PEP, blockchain intelligence, and government contracts.",solution:"Converted each feed into an isolated Docker microservice writing to a shared Elasticsearch schema with independent deployment, logging, and retry policy.",results:["100+ independent feed scrapers deployable in isolation","10 KYC/AML categories under one Elasticsearch index","Zero-downtime feed additions without central rebuilds","Per-feed observability with isolated logging and retries"],technologies:["Docker","Python","Elasticsearch","Selenium","BeautifulSoup"],accent:"from-rose-500 via-orange-500 to-red-500"},{caseNumber:"06",title:"Workday / Greenhouse Job Intelligence",platform:"GCP",category:"Recruiting Tech · NL-Queryable Job Warehouse",challenge:"Recruiting analysts needed natural-language access to a continuously refreshed warehouse of every job posted on Workday, Oracle Cloud, and Greenhouse.",solution:"Built Selenium and Playwright scrapers feeding BigQuery, added discount-hour DeepSeek categorization, and shipped a LangGraph NL-to-SQL layer for Teams and Chrome.",results:["3 ATS sources unified in a single BigQuery warehouse","DeepSeek v3 in discount hours for low-cost categorization","LangGraph NL-to-SQL queryable from Teams or Chrome","WebGPU plus IndexedDB persistence for in-browser LLM support"],technologies:["Cloud Run","BigQuery","LangGraph","FastAPI","DeepSeek","WebLLM"],accent:"from-emerald-400 via-teal-400 to-orange-500"},{caseNumber:"07",title:"Common Crawl Web Data Pipeline",platform:"AWS",category:"Big Data Engineering · Petabyte-Scale Ingestion",challenge:"A media intelligence team needed structured page, title, video, and image records from Common Crawl without running an in-house crawler farm.",solution:"Distributed a PySpark pipeline over WARC archives in S3 with memory-safe streaming parsing, integer batch partitioning, and one-command EMR bootstrap.",results:["Petabyte-scale source data processed without an in-house crawler","Streaming WARC parsing stayed memory-safe on multi-GB files","Partitioned batch output for incremental reprocessing","EMR bootstrap automation for one-command cluster setup"],technologies:["AWS EMR","PySpark","Common Crawl","WARC","S3"],accent:"from-sky-500 via-slate-500 to-orange-500"},{caseNumber:"08",title:"Multi-Sportsbook Odds Aggregator",platform:"Self-hosted",category:"Sports Analytics · Unified Odds Schema in R",challenge:"A sports analytics team wanted a unified odds dataset across DraftKings, FanDuel, BetMGM, and Caesars for historical line tracking.",solution:"Built R scrapers reverse-engineering internal JSON APIs, preserved cookies and jurisdiction params, normalized American odds, and appended date-stamped CSV output.",results:["4 sportsbooks unified under one schema","3 market types: game lines, conference futures, win totals","Append-mode CSV preserved historical line movement","R-native delivery fit directly into the existing workflow"],technologies:["R","httr","jsonlite","dplyr","cron"],accent:"from-orange-400 via-amber-400 to-red-500"},{caseNumber:"09",title:"Multi-Platform Commerce ETL to BigQuery",platform:"GCP",category:"Specialty Retail · Shopify + Lightspeed + Stocky",challenge:"A specialty retailer needed every SKU, order, and inventory event from Shopify, Lightspeed POS, and Stocky landing in BigQuery.",solution:"Shipped Cloud Run services sharing a CloudStorageConnector, NDJSON-to-GCS ingest, Shopify metafield auto-discovery, and Lightspeed OAuth token rotation.",results:["3 commerce platforms unified into BigQuery","29 metafields auto-discovered with no code changes","Cloud Run plus GCS NDJSON for cost-effective serverless ingest","Historical and incremental modes through one config flag"],technologies:["Cloud Run","BigQuery","GCS","GraphQL","OAuth"],accent:"from-pink-500 via-orange-400 to-red-500"},{caseNumber:"10",title:"Amazon ASIN Keyword Rank Tracker",platform:"AWS",category:"E-Commerce Intelligence · Dual-Stack Delivery",challenge:"An Amazon-first brand needed rank tracking across 100+ keywords for a portfolio of ASINs with stack flexibility.",solution:"Used ScraperAPI's structured Amazon endpoint, delivered Java Spring Boot to Google Sheets and Python to MySQL on AWS RDS, with idempotent writes.",results:["100+ keywords tracked for the ASIN portfolio","Dual stack: Java plus Sheets, or Python plus MySQL on RDS","ScraperAPI structured endpoint bypassed CAPTCHA cleanly","Amazon's Choice flag captured as an extra ranking signal"],technologies:["ScraperAPI","Java Spring","Python","MySQL","AWS RDS"],accent:"from-orange-400 via-amber-400 to-red-500"},{caseNumber:"11",title:"Court Records & Bank Statement Suite",platform:"AWS",category:"Commercial Lending / MCA · Underwriting Toolkit",challenge:"An MCA underwriting team needed one toolkit for UCC court records, bank statement parsing, and rate shopping across funder portals.",solution:"Built TypeScript microservices on AWS ECS, MongoDB Atlas and
1Salesforce sync, pluggable bank parsers, Brave OSINT lookups, and PyInstaller packaging.",results:["4 ECS microservices for UCC, Salesforce sync, and PDF parsing","6 banks supported through pluggable parser architecture","20+ MCA funder scrapers consolidated into one Excel workbook","PyInstaller .exe for non-technical underwriting operators"],technologies:["TypeScript","AWS ECS","MongoDB Atlas","Salesforce","PyInstaller"],accent:"from-emerald-400 via-slate-500 to-orange-500"},{caseNumber:"12",title:"Healthcare EMR RPA & Coding Platform",platform:"AWS",category:"Healthcare · Kinnser EMR + AI-Assisted Coding",challenge:"A home-health agency needed automated chart extraction from Kinnser plus AI-assisted ICD-10 coding for clinical PDFs.",solution:"Scraped charts with Selenium, extracted entities with AWS Textract and Comprehend Medical, then wrapped PLM-ICD transformers in LangChain with ECS deployment.",results:["9 coding workbench panels for intake, QA, coding, billing, and more","AWS Textract plus Comprehend Medical for clinical extraction","PLM-ICD via LangChain for AI-assisted ICD-10 coding","Terraform-managed ECS Fargate with CloudWatch observability"],technologies:["AWS ECS Fargate","Textract","Streamlit","LangChain","Terraform"],accent:"from-teal-400 via-slate-500 to-orange-500"},{caseNumber:"13",title:"Australian Government & Jobs SFTP Pipeline",platform:"AWS",category:"GovTech / HR · reCAPTCHA + SFTP Delivery",challenge:"An Australian recruitment intelligence service needed daily ingest of BuyICT tenders and Keane jobs with downstream SFTP pickup.",solution:"Created Flask authenticated POST endpoints, solved reCAPTCHA via 2Captcha, deduplicated with Sentry, and shipped CloudFormation for Transfer Family SFTP.",results:["2 Australian targets: BuyICT tenders plus Keane jobs","reCAPTCHA bypass through 2Captcha integration","AWS Transfer Family SFTP for downstream pickup","CloudFormation template for the full SFTP stack"],technologies:["Flask","AWS Transfer Family","AWS Glue","Sentry","2Captcha"],accent:"from-violet-500 via-rose-400 to-orange-500"},{caseNumber:"14",title:"Facebook MCP Server for LLM Agents",platform:"Docker",category:"AI Tooling / OSINT · Model Context Protocol",challenge:"An OSINT team wanted Facebook scraping callable from Claude Desktop, Cursor, and any MCP-enabled tool without each agent owning a scraper.",solution:"Built an MCP server exposing nine tools, using SeleniumBase UC mode, Selenium Grid, session keep-alive, and optional Squid proxy chains.",results:["9 MCP tools callable from any MCP-enabled LLM client","Selenium Grid 4.15 Hub plus Chrome Node for horizontal scale","120s keep-alive prevented Grid 300s session timeouts","Squid proxy chain enabled authenticated external proxy rotation"],technologies:["MCP","SeleniumBase","Selenium Grid","Docker","Squid"],accent:"from-slate-700 via-orange-500 to-red-500"},{caseNumber:"15",title:"14-State Cigars & Yelp Aggregator",platform:"Self-hosted",category:"Retail Intelligence · Multi-State Business Data",challenge:"A B2B intelligence client needed consolidated cigar product catalogs and Yelp business listings across 14 US states.",solution:"Built a two-phase fetch-then-parse architecture, handled proxy auth through a generated Chrome extension, and consolidated results into a single workbook.",results:["14 US states covered for Yelp business listings","100+ GraphQL fields parsed per Yelp listing","Custom Chrome extension solved Chromium proxy auth","Two-phase architecture enabled re-parsing without re-fetching"],technologies:["Selenium","Playwright","GraphQL","Chrome Ext.","openpyxl"],accent:"from-amber-600 via-orange-500 to-red-500"}]},industries:null,packages:{heading:{title:"How an engagement runs",description:"Pricing is custom per project: anti bot pressure, volume, targets, and delivery shift with every build. A flat menu would overcharge the simple ones or underscope the complex ones, so we publish the path instead:"},items:[{title:"Strategy Sprint",price:"Free",description:"30 minute discovery call plus async follow up. You walk away with a target source map, anti bot assessment, runtime architecture, and a fixed bid quote."},{title:"Production Build",price:"Custom fixed bid",description:"End to end delivery across scraper, proxy strategy, validators, warehouse delivery, monitoring, runbook, and a 30 day optimization window."},{title:"Embedded Partner",price:"Custom retainer",description:"Selector maintenance, anti bot upgrades, source additions, dashboard upkeep, incident response, and ongoing runtime hardening."}]},stack:null},I={"ai-agent-development":{en:w,vi:{...w,delivery:{...w.delivery,heading:{title:"Cách Van Data Team triá»n khai dá»ch vụ phát triá»n AI Agent trá»n quy trình",description:"Quy trình bá»n giai Äoạn giữ bá»i cảnh kinh doanh và triá»n khai kỹ thuáºt trong cùng má»t vòng lặp, từ khảo sát quy trình Äến giám sát sau khi váºn hà nh."},tabsLabel:"Các giai Äoạn triá»n khai"},pillars:{...w.pillars,heading:{title:"Dá»ch vụ phát triá»n AI Agent bà n giao những gì?",description:"AI agent sẵn sà ng váºn hà nh cần nhiá»u hÆ¡n má»t prompt tá»t. Äây là các quyết Äá»nh kiến trúc giúp há» thá»ng hoạt Äá»ng á»n Äá»nh trong Äiá»u kiá»n thá»±c tế."}},comparison:{...w.comparison,heading:{title:"AI Agent và AI Assistant: Hiá»u rõ khác biá»t trÆ°á»c khi xây dá»±ng",description:"Không phải giải pháp AI nà o cÅ©ng là agent; chá»n sai mô hình có thá» gây tá»n kém."},tableLabel:"So sánh AI Assistant và AI Agent"},warning:{...w.warning,heading:{title:"Trong ká»· nguyên tìm kiếm AI, tá»± Äá»ng hóa mong manh và dữ liá»u thiếu tin cáºy tạo cÆ¡ há»i cho Äá»i thủ vượt lên",description:"Äây là 4 dấu hiá»u cảnh báo:"}},caseStudies:{...w.caseStudies,heading:{title:"Các dá»± án AI Agent tiêu biá»u",description:"Các dá»± án AI agent thá»±c tế trong y tế, fintech, pháp lý, an ninh mạng và sản phẩm tiêu dùng."}},stack:{...w.stack,heading:{title:"Ná»n tảng công nghá»",de
1scription:""},tableLabel:"Ná»n tảng công nghá» AI Agent"}}},"agentic-bi-reporting":{en:S,vi:{...S,delivery:{...S.delivery,heading:{title:"Van Data Team bà n giao gì trong má»t dá»± án Agentic BI và báo cáo",description:"Dá»ch vụ bà n giao má»t runtime agent trá»n quy trình, lấy KPI từ kho dữ liá»u, phát hiá»n bất thÆ°á»ng, soạn diá»
n giải và gá»i qua Slack, email hoặc giao diá»n nhúng."},engagementHeading:{title:"Má»t dá»± án Agentic BI vá»i Van Data Team Äược triá»n khai nhÆ° thế nà o",description:""}},comparison:{...S.comparison,heading:{title:"Big 4, công ty Mỹ, Van Data Team hay freelancer: cách lá»±a chá»n",description:""}},warning:{...S.warning,heading:{title:"Vì sao phân tÃch AI có sẵn thÆ°á»ng thất bại và cách chúng tôi xá» lý",description:"Ba Äiá»m thất bại thÆ°á»ng lặp lại trong các thá» nghiá»m doanh nghiá»p: biá»u Äá» sai, ngữ nghÄ©a trôi dạt và SQL sai nhÆ°ng không bá» phát hiá»n."}},caseStudies:{...S.caseStudies,heading:{title:"Các doanh nghiá»p tÄng trÆ°á»ng Äá»t phá vá»i Agentic BI của Van Data Team",description:"Các há» thá»ng BI và báo cáo trá»n quy trình biến dữ liá»u rá»i rạc thà nh quyết Äá»nh váºn hà nh thá»±c tế."}},stack:{...S.stack,heading:{title:"Công nghá» phÃa sau runtime Agentic BI",description:"Ná»n tảng bao quanh kho dữ liá»u và lá»p ngữ nghÄ©a hiá»n có, táºp trung và o Äiá»u phá»i, kiá»m tra, kênh phân phá»i và khả nÄng quan sát."}}}},"data-pipeline-development":{en:A,vi:{...A,delivery:{...A.delivery,heading:{title:"Quy trình phát triá»n Data Pipeline",description:""},tabsLabel:"Các bÆ°á»c triá»n khai"},pillars:{...A.pillars,heading:{title:"Những hạng mục có trong má»i Data Pipeline chúng tôi bà n giao",description:""}},comparison:{...A.comparison,heading:{title:"Äiá»m khác biá»t của Van Data Team",description:""},tableLabel:"So sánh Van Data Team vá»i freelancer và agency"},warning:{...A.warning,heading:{title:"Data Pipeline có Äang cản trá» doanh nghiá»p?",description:""}},stack:{...A.stack,heading:{title:"Ná»n tảng công nghá»",description:""}}}},"data-platform-modernization":{en:C,vi:{...C,delivery:{...C.delivery,heading:{title:"Má»t dá»± án Äiá»n hình Äược triá»n khai nhÆ° thế nà o",description:"Má»i dá»± án Äược xác Äá»nh theo ná»n tảng, Äá»i ngÅ© và yêu cầu tuân thủ của bạn."},tabsLabel:"Lá» trình dá»± án",timelineHeading:"Phạm vi ảnh hÆ°á»ng Äến tiến Äá» nhÆ° thế nà o"},pillars:{...C.pillars,heading:{title:"Cách chúng tôi là m viá»c: chuyá»n Äá»i theo từng lát cắt",description:""},tabsLabel:"Các giai Äoạn chuyá»n Äá»i theo lát cắt"},caseStudies:{...C.caseStudies,heading:{title:"Kết quả chúng tôi Äã bà n giao",description:"Bằng chứng có thá» kiá»m chứng, không phải tuyên bá» tiếp thá»."},portfolioHeading:"Các doanh nghiá»p Äạt kết quả Äá»t phá nhá» hiá»n Äại hóa ná»n tảng dữ liá»u cùng Van Data Team",portfolioDescription:"Từ kho Redshift cÅ©, ETL chạy cron mong manh, Äá»nh nghÄ©a KPI thiếu quản trá» Äến sáng kiến AI Äình trá», Van Data Team Äã triá»n khai các chÆ°Æ¡ng trình hiá»n Äại hóa trá»n quy trình Äá» má» khóa lá» trình quý tiếp theo."},industries:{...C.industries,heading:{title:"Ngà nh và workload chúng tôi phục vụ",description:"Dá»ch vụ phù hợp nhất khi ETL cÅ©, kho dữ liá»u thiếu quản trá» hoặc sáng kiến AI Äình trá» Äang cản trá» tÄng trÆ°á»ng."}},packages:{...C.packages,heading:{title:"Gói hợp tác và chi phÃ",description:"Chi phà theo dá»± án, phạm vi minh bạch và phù hợp vá»i giai Äoạn hiá»n tại."}}}},"cloud-cost-optimization":{en:T,vi:{...T,delivery:{...T.delivery,heading:{title:"Má»t dá»± án Äiá»n hình Äược triá»n khai nhÆ° thế nà o",description:"Má»i dá»± án Äược xác Äá»nh theo ná»n tảng, Äá»i ngÅ© và yêu cầu tuân thủ của bạn."},tabsLabel:"Lá» trình dá»± án",timelineHeading:"Phạm vi ảnh hÆ°á»ng Äến tiến Äá» nhÆ° thế nà o"},pillars:{...T.pillars,heading:{title:"Cách chúng tôi là m viá»c: tiếp cáºn theo workflow",description:""}
1,tabsLabel:"Các giai Äoạn tiếp cáºn theo workflow"},caseStudies:{...T.caseStudies,heading:{title:"Kết quả chúng tôi Äã bà n giao",description:"Bằng chứng có thá» kiá»m chứng, không phải tuyên bá» tiếp thá»."},portfolioHeading:"Các doanh nghiá»p Äạt kết quả Äá»t phá nhá» tá»i Æ°u chi phà Äám mây cùng Van Data Team",portfolioDescription:"Từ hóa ÄÆ¡n BigQuery tÄng mất kiá»m soát, tà i nguyên dÆ° thừa, workload thiếu nhãn Äến cÆ¡ há»i Reserved Instance bá» bá» lỡ, Van Data Team Äã triá»n khai các chÆ°Æ¡ng trình tá»i Æ°u chi phà tạo tác Äá»ng thá»±c tế lên biên lợi nhuáºn."},industries:{...T.industries,heading:{title:"Ngà nh và workload chúng tôi phục vụ",description:"Dá»ch vụ phù hợp nhất khi workload dữ liá»u và AI hiá»n Äại chiếm phần lá»n hóa ÄÆ¡n."}},packages:{...T.packages,heading:{title:"Gói hợp tác và chi phÃ",description:"Chi phà theo dá»± án, phạm vi minh bạch và phù hợp vá»i giai Äoạn hiá»n tại."}},stack:{...T.stack,heading:{title:"Ná»n tảng công nghá» tá»i Æ°u chi phà Äám mây",description:""}}}},"web-scraping-automation":{en:P,vi:{...P,delivery:{...P.delivery,heading:{title:"Những gì chúng tôi bà n giao trong má»t Production Build",description:"Tám lá»p nà y xá» lý các lá»i thÆ°á»ng gặp trong há» thá»ng thu tháºp dữ liá»u thá»±c tế."}},comparison:{...P.comparison,heading:{title:"Managed API, freelancer, agency Mỹ hay Van Data Team",description:"Managed API phù hợp vá»i nguá»n công khai ÄÆ¡n giản; Van Data Team phù hợp khi có chá»ng bot, logic tùy chá»nh, lÆ°u lượng lá»n và yêu cầu bà n giao và o kho dữ liá»u."}},warning:{...P.warning,heading:{title:"Vì sao script thất bại trong thá»±c tế và runtime giải quyết Äiá»u gì",description:"Phần lá»n lá»i thá»±c tế là khoảng trá»ng kiến trúc, không chá» là lá»i láºp trình."}},caseStudies:{...P.caseStudies,heading:{title:"Các doanh nghiá»p tÄng trÆ°á»ng Äá»t phá vá»i Web Scraping của Van Data Team",description:"15 dá»± án trong thÆ°Æ¡ng mại Äiá»n tá», bất Äá»ng sản, nghiên cứu B2B và dữ liá»u huấn luyá»n AI."}},packages:{...P.packages,heading:{title:"Má»t dá»± án Äược triá»n khai nhÆ° thế nà o",description:"Chi phà Äược xác Äá»nh theo chá»ng bot, lÆ°u lượng, nguá»n mục tiêu và cách bà n giao."}}}}},D={"ai-agent-development":{...I["ai-agent-development"].vi,delivery:{...I["ai-agent-development"].vi.delivery,stages:p["ai-agent-development"].renderer.delivery.stages},pillars:{...I["ai-agent-development"].vi.pillars,items:p["ai-agent-development"].renderer.pillars.items},comparison:{...I["ai-agent-development"].vi.comparison,rows:p["ai-agent-development"].renderer.comparison.rows},warning:{...I["ai-agent-development"].vi.warning,items:p["ai-agent-development"].renderer.warning.items},caseStudies:{...I["ai-agent-development"].vi.caseStudies,items:p["ai-agent-development"].renderer.caseStudies.items},stack:{...I["ai-agent-development"].vi.stack,rows:p["ai-agent-development"].renderer.stack.rows}},"agentic-bi-reporting":{...I["agentic-bi-reporting"].vi,delivery:{...I["agentic-bi-reporting"].vi.delivery,deliverables:p["agentic-bi-reporting"].renderer.delivery.deliverables,engagementSteps:p["agentic-bi-reporting"].renderer.delivery.engagementSteps},comparison:{...I["agentic-bi-reporting"].vi.comparison,rows:p["agentic-bi-reporting"].renderer.comparison.rows,guidance:p["agentic-bi-reporting"].renderer.comparison.guidance},warning:{...I["agentic-bi-reporting"].vi.warning,items:p["agentic-bi-reporting"].renderer.warning.items},caseStudies:{...I["agentic-bi-reporting"].vi.caseStudies,items:p["agentic-bi-reporting"].renderer.caseStudies.items},stack:{...I["agentic-bi-reporting"].vi.stack,rows:p["agentic-bi-reporting"].renderer.stack.rows}},"data-pipeline-development":{...I["data-pipeline-development"].vi,delivery:{...I["data-pipeline-development"].vi.delivery,steps:p["data-pipeline-development"].renderer.delivery.steps},pillars:{...I["data-pipeline-development"].vi.pillars,items:p["data-pipeline-development"].renderer.pillars.items},comparison:{...I["data-pipeline-development"].vi.comparison,rows:p["data-pipeline-development"].renderer.comparison.rows},warning:{...I["data-pipeline-development"].vi.warning,items:p["data-pipeline-development"].renderer.warning.items},stack:{...I["data-pipeline-development"].vi.stack,rows:p["data-pipeline-development"].renderer.stack.rows}},"data-platform-modernization":{...I["data-platform-modernization"].vi,delivery:{...I["data-platform-modernization"].vi.delivery,stages:p["data-platform-modernization"].renderer.delivery.stages,timelineShift:p["data-platform-modernization"].renderer.delivery.timelineShift},pillars:{...I["data-platform-modernization"].vi.pillars,items:p["data-platform-modernization"].renderer.pillars.items},caseStudies:{...I["data-platform-modernization"].vi.caseStudies,featured:p["data-platform-modernization"].renderer.caseStudies.featured,portfolio:p["data-platform-modernization"].renderer.caseStudies.portfolio},industries:{...I["data-platform-modernization"].vi.industries,items:p["data-platform-modernization"].renderer.industries.items},packages:{...I["data-platform-modernization"].vi.packages,items:p["data-platform-modernization"].renderer.packages.items}},"cloud-cost-optimization":{...I["cloud-cost-optimization"].vi,delivery:{...I["cloud-cost-optimization"].vi.delivery,stages:p["cloud-cost-optimization"].renderer.delivery.stages,timelineShift:p["cloud-cost-optimization"].renderer.delivery.timelineShift},pillars:{...I["cloud-cost-optimization"].vi.pillars,items:p["cloud-cost-optimization"].renderer.pillars.items},caseStudies:{...I["cloud-cost-optimization"].vi.caseStudies,featured:p["cloud-cost-optimization"].renderer.caseStudies.featured,portfolio:p["cloud-cost-optimization"].renderer.caseStudies.portfolio},industries:{...I["cloud-cost-optimization"].vi.industries,items:p["cloud-cost-optimization"].renderer.industries.items},packages:{...I["cloud-cost-optimization"].vi.packages,items:p["cloud-cost-optimization"].renderer.packages.items},stack:{...I["cloud-cost-optimization"].vi.stack,rows:p["cloud-cost-optimization"].renderer.stack.rows}},"web-scraping-automation":{...I["web-scraping-automation"].vi,delivery:{...I["web-scraping-automation"].vi.delivery,items:p["web-scraping-automation"].renderer.delivery.items},comparison:{...I["web-scraping-automation"].vi.comparison,rows:p["web-scraping-automation"].renderer.comparison.rows},warning:{...I["web-scraping-automation"].vi.warning,items:p["web-scraping-automation"].renderer.warning.items},caseStudies:{...I["web-scraping-automation"].vi.caseStudies,items:p["web-scraping-automation"].renderer.caseStudies.items},packages:{...I["web-scraping-automation"].vi.packages,items:p["web-scraping-automation"].renderer.packages.items}}},L={"ai-agent-development":{en:{title:"Book 30 Minute Workflow Consultation",description:"Every week without a production ready AI agent is one more week your competitors pull further ahead. Van Data Team's AI agent development services take you from workflow audit to stable production in two to four weeks, led by one founder from start to finish."},vi:{title:"Äặt lá»ch tÆ° vấn quy trình 30 phút",description:"Van Data Team ÄÆ°a AI agent từ khảo sát quy trình Äến váºn hà nh á»n Äá»nh trong hai Äến bá»n tuần, do má»t founder trá»±c tiếp dẫn dắt từ Äầu Äến cuá»i."}}
1,"agentic-bi-reporting":{en:{title:i.agenticBiFinalCta.title,description:i.agenticBiFinalCta.description},vi:{title:"Äặt lá»ch khám phá 30 phút",description:"Van Data Team triá»n khai há» thá»ng Äa tác tá» có quản trá», bá» Äánh giá và cá»ng kiá»m tra trong 8 Äến 14 tuần, do má»t founder trá»±c tiếp dẫn dắt."}},"data-pipeline-development":{en:{title:u.title,description:u.description},vi:{title:"Äá»i ngÅ© của chúng tôi sẵn sà ng há» trợ",description:"Sau khi bạn liên há», chúng tôi phản há»i trong 24 giá» Äá» Äặt lá»ch xác Äá»nh phạm vi và gá»i Äá» xuất bằng vÄn bản cùng tiến Äá» sÆ¡ bá»."}},"data-platform-modernization":{en:{title:"BOOK 30 MINUTE DISCOVERY CALL",description:"If your data warehouse is the largest line item in your stack, your finance close runs longer than it should, your AI initiative is stalled on the data foundation underneath it, or your last modernization attempt drifted back - the fastest next move is a free 30 minute Discovery Call. Low risk, no pitch."},vi:{title:"ÄẶT Lá»CH KHÃM PHà 30 PHÃT",description:"Nếu kho dữ liá»u, quy trình chá»t sá» hoặc ná»n tảng cho AI Äang cản trá» Äá»i ngÅ©, bÆ°á»c tiếp theo nhanh nhất là má»t cuá»c gá»i khám phá miá»
n phà 30 phút."}},"cloud-cost-optimization":{en:{title:"Book 30 minute discovery call",description:"If your cloud bill grew faster than your team this year, your last cost sprint drifted back, or your data warehouse is the largest line item, the fastest next move is a free 30 minute Discovery Call. Low risk, no pitch."},vi:{title:"Äặt lá»ch khám phá 30 phút",description:"Nếu hóa ÄÆ¡n Äám mây tÄng nhanh hÆ¡n Äá»i ngÅ© hoặc khoản tiết kiá»m trÆ°á»c Äây không bá»n vững, bÆ°á»c tiếp theo nhanh nhất là má»t cuá»c gá»i khám phá miá»
n phà 30 phút."}},"web-scraping-automation":{en:{title:"Book 30 Minute Discovery Call",description:"If your scraper drifted into broken selectors, your managed API bill crossed the build vs buy line, or you needed data flowing from anti bot heavy sources into a governed warehouse, the fastest next move is a free 30 minute Strategy Sprint. Low risk, no pitch."},vi:{title:"Äặt lá»ch khám phá 30 phút",description:"Nếu selector liên tục há»ng, chi phà managed API vượt ngưỡng tá»± xây hoặc bạn cần ÄÆ°a dữ liá»u từ nguá»n chá»ng bot và o kho có quản trá», bÆ°á»c tiếp theo nhanh nhất là Strategy Sprint miá»
n phà 30 phút."}}},x={"ai-agent-development":{en:{hero:{eyebrow:e.aiAgentSeo.heroEyebrow,title:e.aiAgentSeo.heroTitle,description:e.aiAgentSeo.heroLead,details:e.aiAgentSeo.heroDetails,bullets:e.aiAgentSeo.heroBullets},intro:{eyebrow:"Production delivery",title:"Build agents that hold up outside the demo",description:"We map the workflow, state, integrations, and failure boundaries before implementation begins.",bullets:["Explicit state and routing","Human approval checkpoints","Token and latency budgets"]},sections:{delivery:{eyebrow:"Delivery loop",title:"From audit to stable production",description:"The engagement keeps business context, architecture, and execution in one loop.",bullets:["Audit the workflow","Build and test the agent","Harden the operating path"]},proof:{eyebrow:"Why it works",title:"Architecture before prompt tuning",description:"Reliable agents need observability, limits, and clear handoffs.",bullets:["Execution tracing","Guardrail logging","Measured rollout"]}},faq:e.aiAgentFaqs,cta:{primary:"Book a Free 30-Min Consultation",secondary:"See Our AI Agent Portfolio"},finalCta:L["ai-agent-development"].en,labels:{breadcrumb:"AI Agent Development",tabs:"Service content",accordion:"Expand or collapse content",form:m,relatedServices:"Related Van Data Team service lines",openService:"Open service page",faq:"Frequently Asked Questions"},...I["ai-agent-development"].en},vi:{hero:{eyebrow:"Phát triá»n AI Agent",title:"Dá»ch vụ phát triá»n AI Agent và há» thá»ng Äa tác tá»",description:"AI agent váºn hà nh quy trình thá»±c tế trên các công cụ và API của bạn.",details:["Khi Äánh giá má»t ÄÆ¡n vá» phát triá»n AI agent, bạn sẽ nhanh chóng nháºn ra há» xây sản phẩm Äá» váºn hà nh thá»±c tế hay chá» Äá» trình diá»
n. Phần lá»n dá»± án agentic AI thất bại vì thiếu RAG pipeline phù hợp, cÆ¡ chế an toà n và kiá»m soát chi phà rõ rà ng.","Van Data Team triá»n khai AI agent tùy chá»nh theo phạm vi rõ rà ng, do founder trá»±c tiếp dẫn dắt. Má»i dá»± án bao gá»m khảo sát quy trình, thiết kế kiến trúc và 30 ngà y há» trợ sau bà n giao."],bullets:["Agentic AI sẵn sà ng váºn hà nh ngay từ ngà y Äầu","Äiá»u phá»i Äa tác tá» Äá»ng bá»","Khả nÄng quan sát LLM và cÆ¡ chế an toà n tÃch hợp sẵn","Các Äiá»m quyết Äá»nh chiến lược có con ngÆ°á»i tham gia","Ngân sách token và mục tiêu Äá» trá»
rõ rà ng từ khi ra mắt","Từ khảo sát Äá
1º¿n váºn hà nh trong hai Äến bá»n tuần"]},intro:{eyebrow:"Triá»n khai thá»±c tế",title:"Xây agent hoạt Äá»ng bá»n vững ngoà i bản demo",description:"Chúng tôi là m rõ quy trình, trạng thái, tÃch hợp và ranh giá»i lá»i trÆ°á»c khi bắt Äầu phát triá»n.",bullets:["Trạng thái và Äiá»u hÆ°á»ng rõ rà ng","Äiá»m phê duyá»t có con ngÆ°á»i tham gia","Ngân sách token và Äá» trá»
"]},sections:{delivery:{eyebrow:"Vòng lặp triá»n khai",title:"Từ khảo sát Äến váºn hà nh á»n Äá»nh",description:"Ngữ cảnh kinh doanh, kiến trúc và thá»±c thi luôn nằm trong cùng má»t vòng lặp.",bullets:["Khảo sát quy trình","Xây dá»±ng và kiá»m thá» agent","Hoà n thiá»n ÄÆ°á»ng váºn hà nh"]},proof:{eyebrow:"Lý do hiá»u quả",title:"Kiến trúc trÆ°á»c khi tinh chá»nh prompt",description:"Agent Äáng tin cáºy cần khả nÄng quan sát, giá»i hạn và bà n giao rõ rà ng.",bullets:["Theo dõi quá trình thá»±c thi","Ghi nháºn cÆ¡ chế an toà n","Triá»n khai có Äo lÆ°á»ng"]}},faq:p["ai-agent-development"].faq,cta:{primary:"Trao Äá»i vá» quy trình của bạn",secondary:"Khám phá các dá»ch vụ liên quan"},finalCta:L["ai-agent-development"].vi,labels:{breadcrumb:"Phát triá»n AI Agent",tabs:"Ná»i dung dá»ch vụ",accordion:"Má» hoặc thu gá»n ná»i dung",form:y,relatedServices:"Các dá»ch vụ liên quan của Van Data Team",openService:"Má» trang dá»ch vụ",faq:"Câu há»i thÆ°á»ng gặp"},...D["ai-agent-development"]}},"agentic-bi-reporting":{en:{hero:{eyebrow:"Agentic BI & Reporting",title:i.agenticBiSeo.heroTitle,description:i.agenticBiSeo.heroLead,details:i.agenticBiSeo.heroDetails,bullets:i.agenticBiSeo.heroBullets},intro:{eyebrow:"Decision systems",title:"Make reporting useful in the operating loop",description:"We connect governed data, metrics, and explanations for the people making decisions.",bullets:["Metric definitions","Reliable refreshes","Clear narratives"]},sections:{delivery:{eyebrow:"Delivery loop",title:"From data model to operator workflow",description:"Reporting is designed around the decisions it must support.",bullets:["Map decision questions","Build governed models","Ship the reporting flow"]}},faq:i.agenticBiFaqs,cta:{primary:"Book a 30-Min Discovery Call",secondary:"See BI Reporting Case Studies"},finalCta:L["agentic-bi-reporting"].en,labels:{breadcrumb:"Agentic BI & Reporting",tabs:"Service content",accordion:"Expand or collapse content",form:m,relatedServices:"Related Van Data Team service lines",openService:"Open service page",faq:"Frequently asked questions about Agentic BI Reporting services"},...I["agentic-bi-reporting"].en},vi:{hero:{eyebrow:"Agentic BI và Báo cáo",title:"Há» thá»ng Agentic BI và báo cáo",description:"Báo cáo có kiá»m soát dữ liá»u, biến dữ liá»u kho thà nh quyết Äá»nh hữu Ãch.",details:["Không phải công ty tÆ° vấn tá»ng quát bán lại Snowflake Cortex, không phải agency AI chá» là m demo, cÅ©ng không phải freelancer ná»i má»t chuá»i text-to-SQL ÄÆ¡n lẻ.","Ná»i dung dÆ°á»i Äây là những gì chúng tôi sẽ chia sẻ trong cuá»c gá»i khám phá 30 phút, ká» cả khi lá»i khuyên là bạn chÆ°a nên thuê chúng tôi."],bullets:["Äánh giá kiến trúc cá» Äá»nh trong 2 tuần trÆ°á»c khi xây dá»±ng Äầy Äủ","Há» thá»ng 4 Äến 6 agent vá»i chi phà từ 25.000 Äến 80.000 USD","Runtime LangGraph sáu agent: láºp kế hoạch, tạo SQL, kiá»m tra, thá»±c thi, trá»±c quan hóa và diá»
n giải","Kết ná»i BigQuery, Snowflake hoặc Postgres qua MCP vá»i nháºt ký kiá»m toán Äầy Äủ","Từ khá»i Äá»ng Äến báo cáo cấp CFO trong 8 Äến 14 tuần","Äá»i ngÅ© chá» dùng Snowflake cho nhu cầu ÄÆ¡n giản thÆ°á»ng nên chá»n Cortex Analyst"]},intro:{eyebrow:"Há» thá»ng quyết Äá»nh",title:"ÄÆ°a báo cáo và o vòng lặp váºn hà nh",description:"Chúng tôi kết ná»i dữ liá»u Äã quản trá», chá» sá» và diá»
n giải cho ngÆ°á»i ra quyết Äá»nh.",bullets:["Äá»nh nghÄ©a chá» sá»","Là m má»i dữ liá»u á»n Äá»nh","Diá»
n giải rõ rà ng"]},sections:{delivery:{eyebrow:"Vòng lặp triá»n khai",title:"Từ mô hình dữ liá»u Äến quy trình váºn hà nh",description:"Báo cáo Äược thiết kế xoay quanh các quyết Äá»nh cần há» trợ.",bullets:["Xác Äá»nh câu há»i quyết Äá»nh","Xây mô hình có quản trá»","Triá»n khai luá»ng báo cáo"]}},faq:p["agentic-bi-reporting"].faq,cta:{primary:"Trao Äá»i vá» quy trình báo cáo của bạn",secondary:"Khám phá các dá»ch vụ liên quan"},finalCta:L["agentic-bi-reporting"].vi,labels:{breadcrumb:"Agentic BI và Báo cáo",tabs:"Ná»i dung dá»ch vụ",accordion:"Má» hoặc thu gá»n ná»i dung",form:y,relatedServices:"Các dá»ch vụ liên quan của Van Data Team",openService:"Má» trang dá»ch vụ",faq:"Câu há»i thÆ°á»ng gặp"},...D["agentic-bi-reporting"]}},"data-pipeline-development":{en:{hero:{eyebrow:o.heroEyebrow,title:o.heroTitle,de
1scription:o.heroLead,details:o.heroDetails,bullets:o.heroBullets},intro:{eyebrow:"Data operations",title:"Make data delivery dependable",description:"Pipelines need clear contracts, monitoring, and recovery paths.",bullets:["Source-to-warehouse mapping","Quality checks","Operational handoff"]},sections:{delivery:{eyebrow:"Delivery loop",title:"Build the pipeline around the business use case",description:"Each pipeline is scoped from source constraints through reliable delivery.",bullets:["Map sources","Build transformations","Monitor production"]}},faq:g,cta:{primary:"Book a Free 30-Min Strategy Call",secondary:"View Data Pipeline Case Studies"},finalCta:L["data-pipeline-development"].en,labels:{breadcrumb:"Data Pipeline Development",tabs:"Service content",accordion:"Expand or collapse content",form:m,relatedServices:"Related Van Data Team service lines",openService:"Open service page",faq:"Frequently Asked Questions"},...I["data-pipeline-development"].en},vi:{hero:{eyebrow:"Phát triá»n Data Pipeline",title:"Data pipeline cho váºn hà nh Äáng tin cáºy",description:"ÄÆ°a Äúng dữ liá»u từ há» thá»ng nguá»n Äến con ngÆ°á»i và sản phẩm cần sá» dụng.",details:["Vá»i hÆ¡n 5 nÄm kinh nghiá»m data engineering thá»±c tế và hÆ¡n 150 dá»± án, Van Data Team xây data pipeline váºn hà nh á»n Äá»nh cho y tế, fintech, thÆ°Æ¡ng mại Äiá»n tá», logistics và SaaS.","Khách hà ng chủ yếu Äến từ Mỹ, Anh, EU và Ãc; Äá»i ngÅ© Äạt Top Rated Plus và 100% Job Success Score trên Upwork."],bullets:["Pipeline sẵn sà ng váºn hà nh ngay từ ngà y Äầu","Danh sách kiá»m tra Äá» tin cáºy gá»m 40 Äiá»m","Khả nÄng quan sát Äầy Äủ vá»i cảnh báo SLA và tá»± Äá»ng thá» lại","Bạn sá» hữu repository GitHub và hạ tầng Äám mây","Bao gá»m 30 ngà y há» trợ miá»
n phà sau khi ra mắt","Từ khám phá Äến váºn hà nh trong hai Äến sáu tuần"]},intro:{eyebrow:"Váºn hà nh dữ liá»u",title:"ÄÆ°a dữ liá»u Äến nÆ¡i cần Äến má»t cách Äáng tin cáºy",description:"Pipeline cần hợp Äá»ng dữ liá»u rõ rà ng, giám sát và p
1hÆ°Æ¡ng án khôi phục.",bullets:["Láºp bản Äá» nguá»n Äến kho dữ liá»u","Kiá»m tra chất lượng","Bà n giao váºn hà nh"]},sections:{delivery:{eyebrow:"Vòng lặp triá»n khai",title:"Xây pipeline theo bà i toán kinh doanh",description:"Má»i pipeline Äược xác Äá»nh từ rà ng buá»c nguá»n Äến phân phá»i á»n Äá»nh.",bullets:["Láºp bản Äá» nguá»n","Xây dá»±ng biến Äá»i","Giám sát môi trÆ°á»ng thá»±c tế"]}},faq:p["data-pipeline-development"].faq,cta:{primary:"Trao Äá»i vá» data pipeline của bạn",secondary:"Khám phá các dá»ch vụ liên quan"},finalCta:L["data-pipeline-development"].vi,labels:{breadcrumb:"Phát triá»n Data Pipeline",tabs:"Ná»i dung dá»ch vụ",accordion:"Má» hoặc thu gá»n ná»i dung",form:y,relatedServices:"Các dá»ch vụ liên quan của Van Data Team",openService:"Má» trang dá»ch vụ",faq:"Câu há»i thÆ°á»ng gặp"},...D["data-pipeline-development"]}},"data-platform-modernization":{en:{hero:{eyebrow:"Data Platform Modernization",title:"Data Platform Modernization Services: cost, scope, and how to hire",description:"Hire Van Data Team to modernize your legacy data platform in 8 to 16 weeks, without freezing delivery, breaking existing reporting, or signing up for a multi quarter rewrite.",details:["We ship the architecture work, not a slide deck. We pair every migration slice with a rollback path and parallel run verification. We hand off contracts, observability, and runbooks so the platform stays maintainable well past month six."],bullets:[]},intro:{eyebrow:"Platform foundation",title:"Modernize with a clear path to production",description:"We reduce platform risk while improving the data products teams depend on.",bullets:["Architecture decisions","Incremental migration","Governance"]},sections:{delivery:{eyebrow:"Delivery loop",title:"Upgrade the platform in deliberate stages",description:"The roadmap prioritizes the work that unlocks reliable delivery first.",bullets:["Assess the current estate","Sequence the migration","Harden the new platform"]}},faq:d.dpmFaqs,cta:{primary:"Book a 30 min discovery call",secondary:"See Portfolio"},finalCta:L["data-platform-modernization"].en,labels:{breadcrumb:"Data Platform Modernization",tabs:"Service content",accordion:"Expand or collapse content",form:b,relatedServices:"Related Van Data Team service lines",openService:"Open service page",faq:"Frequently asked questions"},...I["data-platform-modernization"].en},vi:{hero:{eyebrow:"Hiá»n Äại hóa ná»n tảng dữ liá»u",title:"Hiá»n Äại hóa ná»n tảng dữ liá»u mà không gián Äoạn váºn hà nh",description:"Tạo ná»n tảng an toà n và hữu Ãch hÆ¡n cho báo cáo, tá»± Äá»ng hóa và AI.",details:["Kế hoạch hiá»n Äại hóa dá»±a trên các rà ng buá»c hiá»n tại và mô hình váºn hà nh mục tiêu."],bullets:[]},intro:{eyebrow:"Ná»n tảng dữ liá»u",title:"Hiá»n Äại hóa vá»i lá» trình rõ rà ng Äến môi trÆ°á»ng thá»±c tế",description:"Chúng tôi giảm rủi ro ná»n tảng Äá»ng thá»i cải thiá»n các sản phẩm dữ liá»u mà Äá»i ngÅ© phụ thuá»c.",bullets:["Quyết Äá»nh kiến trúc","Chuyá»n Äá»i từng bÆ°á»c","Quản trá» dữ liá»u"]},sections:{delivery:{eyebrow:"Vòng lặp triá»n khai",title:"Nâng cấp ná»n tảng theo từng giai Äoạn có chủ ÄÃch",description:"Lá» trình Æ°u tiên công viá»c má» khóa khả nÄng phân phá»i Äáng tin cáºy trÆ°á»c.",bullets:["Äánh giá hiá»n trạng","Láºp lá» trình chuyá»n Äá»i","Hoà n thiá»n ná»n tảng má»i"]}},faq:p["data-platform-modernization"].faq,cta:{primary:"Trao Äá»i vá» ná»n tảng dữ liá»u của bạn",secondary:"Khám phá các dá»ch vụ liên quan"},finalCta:L["data-platform-modernization"].vi,labels:{breadcrumb:"Hiá»n Äại hóa ná»n tảng dữ liá»u",tabs:"Ná»i dung dá»ch vụ",accordion:"Má» hoặc thu gá»n ná»i dung",form:v,relatedServices:"Các dá»ch vụ liên quan của Van Data Team",openService:"Má» trang dá»ch vụ",faq:"Câu há»i thÆ°á»ng gặp"},...D["data-platform-modernization"]}},"cloud-cost-optimization":{en:{hero:{eyebrow:"Cloud Cost Optimization",title:"Cloud Cost Optimization Services: cost, scope, and how to hire",description:"Hire Van Data Team to cut your AWS, GCP or Azure bill 20â60% in 8â14 weeks, without slowing delivery, breaking reliability, or rebuilding the savings six months later.",details:["We ship the architecture work, not a report. We pair every cost change with a reliability review. We install the guardrails that keep savings durable well past month six."],bullets:[]},intro:{eyebrow:"Cloud economics",title:"Turn cloud spend into an operating decision",description:"The goal is a cost model your team can use after the audit is complete.",bullets:["Map workloads to spend","Prioritize savings","Keep controls in place"]},sections:{delivery:{eyebrow:"Delivery loop",title:"Find waste and keep it from returning",description:"Optimization combines technical investigation with ownership and operating controls.",bullets:["Audit usage","Implement savings","Monitor the guardrails"]}},faq:a.cloudCostFaqs,cta:{primary:"Book a Free 30 Min Discovery Call",secondary:"See Portfolio"},finalCta:L["cloud-cost-optimization"].en,labels:{breadcrumb:"Cloud Cost Optimization",tabs:"Service content",accordion:"Expand or collapse content",form:k,relatedServices:"Related Van Data Team service lines",openService:"Open service page",faq:"Frequently Asked Questions"},...I["cloud-cost-optimization"].en},vi:{hero:{eyebrow:"Tá»i Æ°u chi phà Äám mây",title:"Tá»i Æ°u chi phà Äám mây mà vẫn bảo vá» váºn hà nh",description:"Giảm lãng phà Äám mây mÃ
1không hy sinh các há» thá»ng Äá»i ngÅ© Äang phụ thuá»c.",details:["Chúng tôi kết ná»i chi phà vá»i workload, quyết Äá»nh váºn hà nh và các cÆ¡ chế kiá»m soát thá»±c tế."],bullets:[]},intro:{eyebrow:"Kinh tế Äám mây",title:"Biến chi phà Äám mây thà nh quyết Äá»nh váºn hà nh",description:"Mục tiêu là mô hình chi phà mà Äá»i ngÅ© có thá» sá» dụng sau khi kiá»m toán hoà n tất.",bullets:["Gắn workload vá»i chi phÃ","Ưu tiên khoản tiết kiá»m","Duy trì kiá»m soát"]},sections:{delivery:{eyebrow:"Vòng lặp triá»n khai",title:"Tìm lãng phà và ngÄn nó quay lại",description:"Tá»i Æ°u hóa kết hợp Äiá»u tra kỹ thuáºt vá»i trách nhiá»m sá» hữu và kiá»m soát váºn hà nh.",bullets:["Kiá»m toán mức sá» dụng","Triá»n khai khoản tiết kiá»m","Giám sát cÆ¡ chế kiá»m soát"]}},faq:p["cloud-cost-optimization"].faq,cta:{primary:"Trao Äá»i vá» chi phà Äám mây của bạn",secondary:"Khám phá các dá»ch vụ liên quan"},finalCta:L["cloud-cost-optimization"].vi,labels:{breadcrumb:"Tá»i Æ°u chi phà Äám mây",tabs:"Ná»i dung dá»ch vụ",accordion:"Má» hoặc thu gá»n ná»i dung",form:f,relatedServices:"Các dá»ch vụ liên quan của Van Data Team",openService:"Má» trang dá»ch vụ",faq:"Câu há»i thÆ°á»ng gặp"},...D["cloud-cost-optimization"]}},"web-scraping-automation":{en:{hero:{eyebrow:"Web Scraping & Automation",title:"Web Scraping & Automation services: cost, scope, and how to hire",description:"The honest cost to hire production grade web scraping services in 2026 runs from $500 to $2,000 one time at a founder led boutique like Van Data Team - scoped per project, with proxies, compute, and selector maintenance billed only when actually used. The same scope at a US agency runs $25K to $120K plus $5K to $25K per month. Managed APIs (Bright Data, Apify, ScrapingBee) win for public, moderate volume targets and lose on cost the moment you cross 200K pages per month or need custom delivery into a governed warehouse.",details:["Van Data Team is a Vietnam based, founder led engineering practice that ships Playwright first scraping runtimes, browser pools, proxy rotation, selector contracts, validators, and structured delivery into BigQuery, Snowflake, Postgres, or S3. Not a freelancer who disappears the moment the first selector breaks. Not a per page meter that quietly turns into a $15K per month line item at scale."],bullets:["Founder led delivery","Free Strategy Sprint","150+ projects across 15+ countries","5.0/5.0 across 70+ verified Upwork engagements"]},intro:{eyebrow:"Data collection",title:"Make web data a dependable input",description:"We design collection systems that handle changing pages, quality checks, and operational failures.",bullets:["Runtime strategy","Validation rules","Warehouse delivery"]},sections:{delivery:{eyebrow:"Delivery loop",title:"From target site to usable data",description:"The workflow makes collection, validation, and handoff visible and manageable.",bullets:["Assess source constraints","Build the runtime","Monitor and maintain"]}},faq:[{question:"How much does it cost to hire web scraping services in 2026?",answer:"A custom Playwright build with proxy strategy, validators, and warehouse delivery is scoped per project at Van Data Team. Most one to five source builds land between $500 and $2,000, fixed bid after the free Strategy Sprint. Proxies and compute pass through to your providers, and maintenance is scoped separately when needed."},{question:"Playwright vs Selenium vs Scrapy for production scraping?",answer:"Playwright is the default for modern JavaScript heavy sites and anti bot pressure. Scrapy is better for high volume plain HTML where async throughput matters most. Selenium still fits some legacy or grid based automation cases. The framework should follow the workflow, not vendor preference."},{question:"How do you scrape Cloudflare protected sites without getting blocked?",answer:"Cloudflare class targets require a layered strategy: residential proxies where appropriate, modern browser automation, realistic timing, fingerprint management, and rate limits that respect the target. We disclose the planned approach during discovery and decline targets we cannot sustain."},{question:"Should I use a managed scraping API or hire a custom build?",answer:"Managed APIs win when targets are public, volume is moderate, business logic is simple, and API shaped delivery is fine. Custom Web Scraping & Automation wins when anti bot pressure is sophisticated, volume crosses 200K pages per month, login or session state is required, or the data must land in your warehouse with validated schemas."},{question:"How long does it take to build a production grade scraper?",answer:"Most one to five source builds take 2 to 6 weeks from kickoff to production, plus stabilization. Plain HTML targets can be faster. Cloudflare class detection, login gated sources, or complex delivery contracts push the timeline longer."},{question:"Is web scraping legal in 2026?",answer:"Public data scraping is legal in many US, UK, EU, and Australian contexts when done at reasonable rates and with privacy obligations respected. Personally identifiable information requires a lawful basis under GDPR or CCPA. We scrape public data, treat robots.txt as a strong signal, and decline targets that require breaking authentication or paywalls."},{question:"Can scraped data be delivered ready for LLM and RAG pipelines?",answer:"Yes. We deliver structured JSON, Markdown, or warehouse rows with provenance fields such as source URL, fetch timestamp, selector version, and success rate baseline, so downstream AI agents can cite and audit retrieved data with confidence."}],cta:{primary:"Book a Free Strategy Sprint",secondary:"See Case Studies"},finalCta:L["web-scraping-automation"].en,labels:{breadcrumb:"Web Scraping & Automation",tabs:"Service content",accordion:"Expand or collapse content",form:m,relatedServices:"Related Van Data Team service lines",openService:"Open service page",faq:"Frequently asked questions"},...I["web-scraping-automation"].en},vi:{hero:{eyebrow:"Thu tháºp web và Tá»± Äá»ng hóa",title:"Thu tháºp dữ liá»u web và tá»± Äá»ng hóa cho môi trÆ°á»ng thá»±c tế",description:"Thu tháºp, kiá»m tra và phân phá»i dữ liá»u web qua má»t quy trình váºn hà nh Äáng tin cáºy.",details:["Công viá»c bao gá»m thiết kế runtime, kiá»m tra dữ liá»u và phân phá»i Äến các há» thá»ng sá» dụng dữ liá»u."],bullets:["Founder trá»±c tiếp triá»n khai","Strategy Sprint miá»
n phÃ","HÆ¡n 150 dá»± án tại 15 quá»c gia","Äiá»m 5.0/5.0 từ hÆ¡n 70 dá»± án Äã xác minh trên Upwork"]},intro:{eyebrow:"Thu tháºp dữ liá»u",title:"Biến dữ liá»u web thà nh Äầu và o Äáng tin cáºy",description:"Chúng tôi thiết kế há» thá»ng thu tháºp xá» lý trang thay Äá»i, kiá»m tra chất lượng và lá»i váºn hà nh.",bullets:["Chiến lược runtime","Quy tắc kiá»m tra","Phân phá»i Äến kho dữ liá»u"]},sections:{delivery:{eyebrow:"Vòng lặp triá»n khai",title:"Từ website mục tiêu Äến dữ liá»u có thá» sá» dụng",description:"Quy trình giúp viá»c thu tháºp, kiá»m tra và bà n giao trá» nên rõ rà ng, dá»
quản lý.",bullets:["Äánh giá rà ng buá»c
1nguá»n","Xây dá»±ng runtime","Giám sát và bảo trì"]}},faq:p["web-scraping-automation"].faq,cta:{primary:"Trao Äá»i vá» quy trình thu tháºp dữ liá»u của bạn",secondary:"Khám phá các dá»ch vụ liên quan"},finalCta:L["web-scraping-automation"].vi,labels:{breadcrumb:"Thu tháºp web và Tá»± Äá»ng hóa",tabs:"Ná»i dung dá»ch vụ",accordion:"Má» hoặc thu gá»n ná»i dung",form:y,relatedServices:"Các dá»ch vụ liên quan của Van Data Team",openService:"Má» trang dá»ch vụ",faq:"Câu há»i thÆ°á»ng gặp"},...D["web-scraping-automation"]}}},q=new Set(["accent","bannerVariant","caseNumber","engagementHref","gradient","href","icon","image","imageAlt","imageSrc","initials","layout","logoClassName","logoFit","logoSrc","number","pattern","sourceHref","theme","tone","years"]),M=new Set(["AWS","Azure","BigQuery","ChromaDB","Claude","Cloud Run","CVE ⢠CWE ⢠ATT&CK","CrewAI","DataDome","Docker","EKS","GCP","GPT-4.1","GPT-4 Turbo","GPT-4o","LangChain","LangGraph","LangMem","MCP","NIST AI","NVIDIA ACE","OpenAI","OpenAI Agents SDK","OpenAI GPT-4o","Postgres","PostgreSQL","PostgreSQL 15","Python","S3","Snowflake","Selenium","Scrapy","Playwright","hCaptcha","p99","DLQ","idempotent"]),B=new Set(["Access KPI Analytics Warehouse","Alliance","BR","Credit Club","EM","Envoy","Intelligence","Kiki","LR","Marketo + JIRA Health Analyzer","OBJX","OBJX Intelligence","Pareto","Polygon","SeaSure","Snowflake","Stage 2 Stocks","T>P","TriageAI","VLAD AI","White Ribbon","Zeno","envoy"]);n.s(["getLocalizedServiceHref",0,function(n,e){return(0,t.localizePath)(n,e)},"getServiceLocaleCopy",0,function(n,t){let e=x[n];return"vi"===t&&(!function n(t,e,i="copy"){if("string"==typeof t){if("string"!=typeof e||t.trim()&&!e.trim())throw Error(`Missing Vietnamese service copy at ${i}`);return}if(Array.isArray(t)){if(!Array.isArray(e)||e.length!==t.length)throw Error(`Vietnamese service copy shape mismatch at ${i}`);t.forEach((t,a)=>n(t,e[a],`${i}[${a}]`));return}if(null===t){if(null!==e)throw Error(`Vietnamese service copy shape mismatch at ${i}`);return}if(t&&"object"==typeof t){if(!e||"object"!=typeof e||Array.isArray(e))throw Error(`Vietnamese service copy shape mismatch at ${i}`);let a=Object.keys(t).sort(),o=Object.keys(e).sort();if(a.join("|")!==o.join("|")){let n=a.find(n=>!o.includes(n))??"unknown";throw Error(`Vietnamese service copy shape mismatch at ${i}.${n}`)}a.forEach(a=>n(t[a],e[a],`${i}.${a}`))}}(e.en,e.vi,n),!function n(t,e,i="copy"){if("string"==typeof t){let n,a;if("string"!=typeof e||t.trim()&&t===e&&(a=(n=i.split(/[.[\]]/).filter(Boolean)).at(-1)??"",!(!t.trim()||q.has(a)||/^(https?:\/\/|\/)/.test(t)||/^[\d\s+%$â¬Â£.,:/()<>\-ââ~]+$/.test(t)||["cloud","platform"].includes(a)||n.some(n=>["stack","technologies","tools"].includes(n))||(n.includes("metrics")&&["value","detail"].includes(a)?/^[\d\s+%$â¬Â£.,:/()<>\-ââ~A-Za-z]+$/.test(t)||M.has(t):M.has(t)||B.has(t)||/^[ââ\uFE0F\s]+$/.test(t)))))throw Error(`Vietnamese service copy is still English at ${i}`);return}if(Array.isArray(t)){let a=Array.isArray(e)?e:[];t.forEach((t,e)=>n(t,a[e],`${i}[${e}]`));return}t&&"object"==typeof t&&Object.keys(t).forEach(a=>n(t[a],e?.[a],`${i}.${a}`))}(e.en,e.vi,n)),e[t]}],39043)}]);
Line numbers count LF bytes from the start of the resource, as the search results do. Vendor segments are library code the classifier recognised; they are stored but not indexed. Bytes are shown as Latin1 characters, one per byte.