Langfristige Personalisierung mit Data Distiller
Langfristige Personalisierung passt ein Echtzeit-Erlebnis mit Kundenverhalten an, das Monate oder Jahre zurückreicht. Mit Data Distiller können Sie diese Anwendungsfälle effektiv unterstützen und gleichzeitig Ihren Profilspeicher und Ihr Gesamtdatenvolumen schlank halten: Sie verwenden SQL, um ein kompaktes Signal aus dem vollständigen Verlauf im Data Lake zu berechnen, und veröffentlichen dann nur dieses Signal zur Aktivierung an das Echtzeit-Kundenprofil. Ein Signal ist die Ausgabe der SQL-Transformation, z. B. Score, Stufe, Rang oder Zielgruppenzugehörigkeit. In diesem Handbuch wird beschrieben, wie Sie dieses Muster implementieren.
Dieses Handbuch richtet sich an Dateningenieure, Lösungsarchitekten und technische Implementierer, die die Lösung erstellen. Es wird davon ausgegangen, dass Sie mit den Grundlagen von Experience Platform und SQL vertraut sind.
Funktionsweise how-it-works
Der Workflow von Data Distiller für die langfristige Personalisierung folgt einem Ableitungs- und Weiterleitungsmuster: Verlaufsereignisse verbleiben im Data Lake, und nur die berechnete Ausgabe wird in den Profilspeicher übertragen. Jeder der folgenden Schritte ist mit der detaillierten Produktdokumentation verknüpft.
Voraussetzung: Ihre historischen Ereignisdaten müssen bereits in Experience Platform aufgenommen) im Data Lake verfügbar sein, bevor Data Distiller sie abfragen kann. Data Distiller fragt Daten im Data Lake ab. Es nimmt selbst keine Daten auf.
Die folgenden Schritte veranschaulichen das Muster der abgeleiteten Attribute. Das Muster der direkten SQL-Zielgruppe verwendet denselben Berechnungs- und Aktualisierungsansatz, veröffentlicht jedoch die Zielgruppenzugehörigkeit anstelle eines wiederverwendbaren Profilattributs, wie unter Zwei Möglichkeiten zur Signalbereitstellung beschrieben.
- Zugriff auf historische Daten im Data Lake. Alle Ihre Ereignisverläufe (Web-, Mobile-App-, Kauf- und Treuedaten) können in voller Tiefe abgefragt werden, ohne dass sie auf Ihre Profilberechtigung angerechnet werden müssen.
- Umwandlungsabfrage schreiben. Ein Dateningenieur erstellt eine SQL-Abfrage, die das Signal definiert, z. B. die Gesamtaktivität der letzten 12 Monate, die einer Treuestufe zugeordnet sind. Siehe Benutzerhandbuch zum Abfrage-Editor und parametrisierte Abfragen.
- Abgeleiteten Datensatz generieren. Führen Sie die Abfrage aus, um einen abgeleiteten Datensatz mit einer Zeile pro Kunde zu erstellen, der nur das berechnete Signal enthält. Siehe Abgeleitete Datensätze.
- Planung der Aktualisierung. Speichern Sie die Abfrage und legen Sie sie so fest, dass sie kadent (täglich, wöchentlich oder nach Bedarf) ausgeführt wird, sodass das Signal immer das neueste Fenster anzeigt. Siehe Abfragezeitpläne.
- Im Profilspeicher veröffentlichen. Der abgeleitete Datensatz verbleibt im Data Lake, bis Sie ihn veröffentlichen. Durch die Veröffentlichung wird die berechnete Ausgabe in das Echtzeit-Kundenprofil hochgestuft, wo sie in Segment Builder zum Erstellen von Zielgruppen verfügbar ist. Von dort aus können Sie diese Zielgruppen über Real-Time Customer Data Platform-Ziele Adobe Journey Optimizer-Journey aktivieren.
Zwei Möglichkeiten, das Signal zu senden output-patterns
Sie können das Signal auf zwei Arten an den Profilspeicher senden, je nachdem, ob Sie jedes Profil anreichern oder eine bestimmte Zielgruppe ansprechen möchten.
- Abgeleitetes Attribut. Berechnen Sie einen Wert wie z. B. eine Punktzahl oder eine Stufe und schreiben Sie ihn in jedes Kundenprofil, wo er in vielen Zielgruppen und Journey wiederverwendet werden kann. Verwenden Sie dies für die laufende Profilanreicherung. Siehe Abgeleitete Datensätze.
- Direct SQL-Zielgruppe. Erstellen und veröffentlichen Sie eine Zielgruppenzugehörigkeit direkt aus SQL, ohne zuerst ein abgeleitetes Attribut zu erstellen. Verwenden Sie diese Option für eine ausgewählte Kampagnen-Audience, wenn Sie nicht jedes Profil anreichern müssen. Siehe Erstellen von Zielgruppen mithilfe von SQL.
Bestätigen der Anpassung von Data Distiller when-to-use
In diesem Handbuch wird davon ausgegangen, dass Data Distiller Ihr gewählter Ansatz ist. Dies ist die richtige Wahl, wenn Ihr Anwendungsfall der langfristigen Personalisierung Folgendes erfordert:
- Mathematisch genaue Ausgaben. Exakte Dezilen, Perzentile und Rangfolgen aus vollständigen historischen Datensätzen.
- Abgeleitete Attribute für jedes Profil. Ein berechneter Wert, z. B.
loyalty_tieroderchurn_risk_score, der in jedes Kundenprofil zurückgeschrieben und für jede nachgelagerte Zielgruppe und jeden Journey wiederverwendet werden kann. - Automatisierte, geplante Aktualisierung. Ein Signal, das nach der Einrichtung ohne manuellen Eingriff in einen festen Rhythmus neu berechnet.
- Wiederholbare, klar definierte Umwandlungen. Anwendungsfälle, bei denen Sie die Berechnung vorab in SQL definieren können.
Data Distiller wird von Dateningenieuren und SQL-Analysten verwendet. Nach der Veröffentlichung eines Signals können Marketing-Fachleute und Kampagnen-Manager es ohne technisches Wissen in Segment Builder und Adobe Journey Optimizer verwenden.
Anwendungsbeispiel: Treuedetails für Fluggesellschaften example
Stellen Sie sich eine Fluggesellschaft vor, die zwei Jahre Flugtransaktionsveranstaltungen in Experience Platform speichert und Lizenzen-Upgrades für ihre 10 % der häufigsten Flüge anbieten möchte, ohne das gesamte Datenvolumen zu erhöhen, indem alle diese Veranstaltungen im Profilspeicher bleiben.
Mit Data Distiller fragt ein Datentechniker die letzten 12 Monate der Flugtransaktionen aus dem Data Lake ab, ordnet Mitglieder des Treueprogramms in Dezilen nach Gesamtzahl der geflogenen Meilen ein und schreibt ein einziges abgeleitetes Attribut pro Kunde: ihren Dezilrang und ihre Stufenbezeichnung. Sie planen die wöchentliche Aktualisierung der Abfrage und veröffentlichen nur das abgeleitete Attribut im Profilspeicher. Marketing-Fachleute erstellen dann eine Zielgruppe „Decile 10“ und aktivieren ein Upgrade-Angebot in Adobe Journey Optimizer.
Eine vollständige schrittweise Anleitung zu SQL in diesem Szenario finden Sie unter Erstellen von dezilbasierten abgeleiteten Datensätzen.
Gemeinsame zu berechnende Signale common-signals
Verwenden Sie Data Distiller, um Beispielausgaben wie die aus langen Verläufen zu berechnen:
- Ranking-basierte Zielgruppen, z. B. die 10 % der Käuferinnen und Käufer mit den höchsten Ausgaben
- Kundenlebenszeitwert und Aktualitäts-Frequenz-Währungsmodelle (RFM)
- Bewertung des Abwanderungsrisikos
- Tendenzauswertung und Produktaffinität
Halten Sie den Profilspeicher sauber keep-lean
Durch das Ableiten von Signalen mit Data Distiller werden neue historische Daten aus dem Profilspeicher entfernt. Informationen zum Verwalten von Daten, die bereits vorhanden sind, durch Überwachung der Lizenzberechtigungen, Aufnahmefilter und Datensatzhygiene finden Sie unter Best Practices für die Verwaltung von Lizenzberechtigungen für Daten.
Nächste Schritte next-steps
Verwenden Sie diese Ressourcen, um die Lösung zu implementieren und zu erweitern: