Wichtigste Tipps zur Wertmaximierung mit Adobe Experience Platform Data Distiller - OS656

Diese Seite enthält den Beispieldatensatz, damit Sie das anwenden können, was Sie in der Adobe Summit-Sitzung „OS656 - Top-Tipps zur Wertmaximierung mit Adobe Experience Platform Data Distiller" gelernt haben. Sie erfahren, wie Sie Implementierungen von Adobe Real-Time Customer Data Platform und Journey Optimizer beschleunigen können, indem Sie Echtzeit-Kundenprofildaten anreichern. Diese Anreicherung nutzt tiefe Einblicke in Kundenverhaltensmuster, um Zielgruppen für die Bereitstellung und Optimierung von Erlebnissen zu erstellen.

Mithilfe der Fallstudie zu Luma analysieren Sie die Verhaltensdaten der Benutzer und erstellen ein Modell Neuigkeit, Häufigkeit, Währung (RFM) eine Marketing-Analysetechnik für die Kundensegmentierung basierend auf Kaufmustern.

Voraussetzung

Um diesen Anwendungsfall ausführen zu können, muss Ihre Adobe Experience Platform-Instanz für Data Distiller lizenziert sein. Weitere Informationen erhalten Sie vom Adobe-Support.

Außerdem müssen Sie die Mandanten ID Ihrer Organisation kennen, für die Ausführung von Abfragen erforderlich ist. Ihre Mandanten-ID ist der erste Teil der URL, wenn Sie sich bei Experience Platform anmelden. Sie wird unmittelbar nach dem @-Symbol angezeigt.

Beispielsweise in der folgenden URL:

https://experience.adobe.com/#/@pfreportingonprod/sname:prod/platform/home

Die Mandanten-ID ist pfreportingonprod.

Überblick über das RFM-Modell rfm-overview

RFM, kurz für Recency ®, Frequency (F), and Monetary (M), ist ein datengestützter Ansatz zur Kundensegmentierung und -analyse. Diese Methode bewertet drei wichtige Aspekte des Kundenverhaltens: wie kürzlich ein Kunde einen Kauf getätigt hat, wie oft er interagiert und wie viel er ausgibt. Durch die Quantifizierung dieser Faktoren können Unternehmen verwertbare Einblicke in Kundensegmente gewinnen und zielgerichtete Marketing-Strategien entwickeln, die den individuellen Kundenbedürfnissen besser entsprechen.

Kundenverhalten mit dem RFM-Modell verstehen understand-customer-behavior

Das RFM-Modell segmentiert Kundinnen und Kunden basierend auf dem Transaktionsverhalten mithilfe von drei Schlüsselparametern.

Durch Kombination dieser Faktoren weisen Unternehmen jedem Kunden numerische Werte (in der Regel auf einer Skala von 1 bis 4) zu. Niedrigere Werte weisen auf günstigere Ergebnisse hin. Beispielsweise wird ein 1 in allen Kategorien als einer der besten betrachtet, der die jüngste Aktivität, die hohe Interaktion und erhebliche Ausgaben zeigt.

Vorteile und Einschränkungen des RFM-Modells benefits-and-limitations

Jede Marketing-Modellierungstechnik beinhaltet Kompromisse, die sowohl Vorteile als auch Einschränkungen bieten. Die RFM-Modellierung ist ein wertvolles Tool zum Verständnis des Kundenverhaltens und zur Verfeinerung von Marketing-Strategien. Zu den Vorteilen gehört die Segmentierung von Kunden, um Messaging zu personalisieren, Umsätze zu optimieren und Reaktionsraten, Kundenbindung, Kundenzufriedenheit und den Customer Lifetime Value (CLTV) zu verbessern.

Die RFM-Modellierung hat jedoch Einschränkungen. Sie setzt Einheitlichkeit innerhalb von Segmenten auf der Grundlage von Neuigkeit, Häufigkeit und Geldwert voraus, was das Kundenverhalten übermäßig vereinfachen kann. Das Modell weist diesen Faktoren ebenfalls dieselbe Gewichtung zu, was den Kundenwert möglicherweise falsch darstellt. Darüber hinaus berücksichtigt es nicht den Kontext, z. B. produktspezifische Eigenschaften oder Kundenpräferenzen, die zu Fehlinterpretationen des Kaufverhaltens führen können.

Erstellen einer dynamischen, auf RFM-Werten basierenden SQL-Zielgruppe build-a-dynamic-rfm-audience

Die folgende Infografik bietet einen allgemeinen Überblick über den Workflow zur Erstellung von RFM-SQL-Zielgruppen, der in diesem Tutorial beschrieben wird.

Bevor Sie mit der Fallstudie zu Luma beginnen, müssen Sie einen Beispieldatensatz aufnehmen. Wählen ​ zunächst den Link aus, um den luma_web_data.zip-Datensatz lokal herunterzuladen. Der Beispieldatensatz ist eine CSV-Datei im komprimierten ZIP-Format, die an den Anwendungsfall angepasst wird. Entpacken Sie diese ZIP-Datei mit Adobe Acrobat oder einem vertrauenswürdigen Dateiextraktions-Tool, z. B. dem integrierten Dienstprogramm Ihres Betriebssystems. In der Praxis würden Sie Daten normalerweise aus Adobe Analytics, Adobe Commerce oder Adobe Web/Mobile SDK beziehen.

In diesem Tutorial verwenden Sie Data Distiller, um relevante Ereignisse und Felder in ein standardisiertes CSV-Format zu extrahieren. Ziel ist es, nur wesentliche Felder einzubeziehen und gleichzeitig eine flache Datenstruktur für Effizienz und Benutzerfreundlichkeit beizubehalten.

Schritt 1: CSV-Daten in Experience Platform hochladen upload-csv-data

Führen Sie die folgenden Schritte aus, um eine CSV-Datei in Adobe Experience Platform hochzuladen.

Erstellen eines Datensatzes aus einer CSV-Datei create-a-dataset

Wählen Sie in der Experience Platform-Benutzeroberfläche Datensätze in der linken Navigationsleiste und anschließend Datensatz erstellen. Wählen Sie dann Datensatz aus CSV-Datei erstellen aus den verfügbaren Optionen aus.

Das Datensatz konfigurieren wird angezeigt. Geben im Feld den Datensatznamen als „luma_web_data“ ein und wählen Sie Weiter.

Das Daten hinzufügen wird angezeigt. Ziehen Sie die CSV-Datei in das Feld Daten hinzufügen oder wählen Sie Datei auswählen aus, um die Datei zu suchen und hochzuladen.

Weitere Informationen zu diesem Prozess finden Sie im Tutorial zur BatchAufnahme und im Workflow für die Datensatzerstellung im Handbuch zur Datensatz-Benutzeroberfläche.

Überprüfen und Abschließen des Uploads review-and-complete-upload

Nach dem Hochladen der Datei wird unten in der Benutzeroberfläche eine Datenvorschau angezeigt. Wählen Sie Beenden aus, um den Upload abzuschließen.

Die Ansicht Datensatzaktivitäten für den Datensatz „luma_web_data“ wird angezeigt. Manueller Upload der CSV-Datei
wird als Batch aufgenommen und durch eine Batch-ID gekennzeichnet. In einem Bedienfeld auf der rechten Seite wird der Tabellenname als luma_web_data angezeigt.

Nachdem die Verarbeitung der Daten abgeschlossen ist, wählen Sie Vorschau des Datensatzes in der oberen rechten Ecke aus, um eine Vorschau des Datensatzes anzuzeigen. So wird die Datensatzvorschau angezeigt:

Überlegungen zum Schema schema-considerations

Ein strukturiertes XDM-Schema (z. B. Datensatz, Ereignis oder B2B-Schemata) ist nicht erforderlich, da die Daten als CSV-Rohdatei importiert werden. Stattdessen verwendet der Datensatz ein Ad-hoc-Schema.

Während Data Distiller alle Schematypen unterstützt, verwendet der endgültige Datensatz für die Aufnahme in das Echtzeit-Kundenprofil ein XDM-Datensatzschema.

Schritt 2: Verbinden mit dem Data Lake und Erkunden verfügbarer Datensätze connect-to-the-data-lake-and-explore-datasets

Der nächste Schritt besteht darin, Daten im Data Lake von Adobe Experience Platform zu untersuchen, um Genauigkeit und Integrität sicherzustellen. Die Daten müssen präzise und vollständig sein, um aussagekräftige Einblicke zu gewinnen, doch können bei Datenübertragungen Fehler, Inkonsistenzen oder fehlende Werte auftreten. Dies macht die Datenüberprüfung und -erkundung unerlässlich.

Verwenden Sie Data Distiller, um die Qualität und Vollständigkeit von Datensätzen durch verschiedene Vorgänge zu überprüfen. Um zu bestätigen, dass die Daten bei der Aufnahme korrekt übersetzt wurden, führen Sie SELECT Abfragen aus, um sie zu untersuchen, zu validieren und zu analysieren. Dieser Prozess hilft beim Identifizieren und Beheben von Diskrepanzen, Inkonsistenzen oder fehlenden Informationen.

Durchführen einer einfachen Explorationsabfrage basic-exploration-queries

Wählen Sie in der Adobe Experience Platform-Benutzeroberfläche Abfragen in der linken Navigationsleiste und anschließend Abfrage erstellen. Der Abfrage-Editor wird angezeigt.

Fügen Sie die folgende Abfrage in den Editor ein und führen Sie sie aus:

SELECT * FROM luma_web_data;

Die Abfrageergebnisse werden unter dem Abfrage-Editor auf der Registerkarte Ergebnisse angezeigt. Um die Ergebnisse in einem neuen Dialogfeld zu erweitern, wählen Sie Ergebnisse anzeigen aus. Die Ergebnisse sehen in etwa wie in der Abbildung unten aus.

Weitere Informationen finden Sie ​ Dokument „Allgemeine Leitlinien ​ die Ausführung von Abfragen“.

Fokus auf Bestellungen und Ausschließen stornierter Transaktionen focus-orders-exclude-cancelled

Das RFM-Modell bewertet Neuigkeit, Häufigkeit und Geldwert basierend auf abgeschlossenen Käufen. Nicht-Transaktionsereignisse wie Seitenansichten und Checkout-Interaktionen sind von der Analyse ausgeschlossen. Darüber hinaus müssen stornierte Bestellungen entfernt werden, da sie nicht zu gültigen RFM-Berechnungen beitragen und einen anderen Verarbeitungsansatz erfordern.

So stellen Sie die Genauigkeit sicher:

Die folgenden Abfragen zeigen, wie Sie stornierte Bestellungen identifizieren und aus dem Datensatz ausschließen.

Diese erste Abfrage wählt alle Kauf-IDs ungleich null aus, die mit einer Stornierung verbunden sind, und aggregiert sie mithilfe von GROUP BY. Die resultierenden Kauf-IDs müssen aus dem Datensatz ausgeschlossen werden.

CREATE VIEW orders_cancelled
AS
  SELECT purchase_id
  FROM   luma_web_data
  WHERE  event_type IN ( 'order', 'cancellation' )
         AND purchase_id IS NOT NULL
  GROUP  BY purchase_id
  HAVING Count(DISTINCT event_type) = 2;

Die zweite Abfrage ruft nur die Kauf-IDs ab, die nicht in diesem ausgeschlossenen Satz enthalten sind.

SELECT *
FROM   luma_web_data
WHERE  purchase_id NOT IN (SELECT purchase_id
                           FROM   orders_cancelled)
        OR purchase_id IS NULL;

Die dritte Abfrage entfernt alle Ereignisse, die nicht zur Reihenfolge gehören, aus dem Datensatz.

SELECT *
FROM   luma_web_data
WHERE  event_type = 'order'
       AND purchase_id NOT IN (SELECT purchase_id
                               FROM   orders_cancelled);

Schritt 3: Anreichern der Daten mithilfe von Data Distiller-Funktionen enrich-the-data

Als Nächstes verwenden Sie Data Distiller, um Kundendaten zu extrahieren und umzuwandeln, RFM-Bewertungen zu generieren, Transaktionen zu aggregieren und Kunden durch Kaufverhalten zu segmentieren. Führen Sie diese Schritte aus, um die Werte für Neuigkeit, Häufigkeit und Geldwert (RFM) zu berechnen, ein Zielgruppenmodell zu erstellen und Einblicke für die Aktivierung vorzubereiten.

Berechnung des RFM-Werts für jede eindeutige Benutzer-ID

Um die RFM-Bewertungen zu berechnen, extrahieren Sie mithilfe der Feldfilterung Schlüsselfelder aus den Rohdaten.

Die nächste Abfrage baut auf der Logik des vorherigen Abschnitts auf, indem E-Mail als userid ausgewählt wird, da jede Bestellung eine E-Mail-Anmeldung erfordert. Data Distiller wendet die TO_DATE an, um den Zeitstempel in ein Datumsformat zu konvertieren. Das Feld total_revenue stellt den Preis jeder Transaktion dar und wird später durch Addition für jede userid aggregiert.

SELECT email AS userid,
       purchase_id AS purchaseid,
       price_total AS total_revenue, -- reflects the price for each individual transaction
       TO_DATE(timestamp) AS purchase_date -- converts timestamp to date format
FROM luma_web_data
WHERE event_type = 'order'
      AND purchase_id NOT IN (SELECT purchase_id FROM orders_cancelled)
      AND email IS NOT NULL;

Die Ergebnisse sehen wie in der Abbildung unten aus.

Als Nächstes erstellen Sie eine TABLE, um die Ergebnisse der vorherigen Abfrage in einem abgeleiteten Datensatz zu speichern. Kopieren Sie den folgenden Befehl und fügen Sie ihn in den Abfrage-Editor ein, um eine TABLE zu erstellen.

CREATE TABLE IF NOT EXISTS order_data AS
  SELECT email              AS userid,
         purchase_id        AS purchaseid,
         price_total        AS total_revenue,
         To_date(timestamp) AS purchase_date
  FROM   luma_web_data
  WHERE  event_type = 'order'
         AND purchase_id NOT IN (SELECT purchase_id FROM orders_cancelled)
         AND email IS NOT NULL;

Das Ergebnis sieht dem folgenden Bild ähnlich, weist jedoch eine andere Datensatz-ID auf.

Führen Sie als Best Practice eine einfache Erkundungsabfrage aus, um die Daten im Datensatz zu überprüfen. Mit der folgenden Anweisung können Sie Ihre Daten anzeigen.

SELECT * FROM order_data;

Transaktionen aggregieren, um die RFM-Werte zu generieren aggregate-transactions

Um die RFM-Werte zu berechnen, aggregiert diese Abfrage Transaktionen für jeden Benutzer.

Die DATEDIFF(CURRENT_DATE, MAX(purchase_date)) AS days_since_last_purchase berechnet für jede Benutzerin und jeden Benutzer die Anzahl der Tage seit dem letzten Kauf.

Verwenden Sie die folgende SQL-Abfrage:

SELECT
    userid,
    DATEDIFF(CURRENT_DATE, MAX(purchase_date)) AS days_since_last_purchase,
    COUNT(purchaseid) AS orders,
    SUM(total_revenue) AS total_revenue
FROM order_data
GROUP BY userid;

Die Ergebnisse sehen wie in der Abbildung unten aus.

Um die Abfrageeffizienz und Wiederverwendbarkeit zu verbessern, erstellen Sie ein VIEW zum Speichern der aggregierten RFM-Werte.

CREATE VIEW rfm_values
AS
  SELECT userid,
         DATEDIFF(current_date, MAX(purchase_date)) AS days_since_last_purchase,
         COUNT(purchaseid)                          AS orders,
         SUM(total_revenue)                         AS total_revenue
  FROM   order_data
  GROUP BY userid;

Das Ergebnis ähnelt dem folgenden Bild, jedoch mit einer anderen ID.

Führen Sie wiederum als Best Practice eine einfache Erkundungsabfrage aus, um die Daten in der Ansicht zu überprüfen. Verwenden Sie die folgende Anweisung.

SELECT * FROM rfm_values;

Der folgende Screenshot zeigt ein Beispielergebnis der Abfrage mit den berechneten RFM-Werten für die einzelnen Benutzenden. Das Ergebnis entspricht der Ansicht-ID aus der CREATE VIEW.

Erzeugen des multidimensionalen RFM-Cubes generate-multi-dimensional-cube

Verwenden Sie einen mehrdimensionalen RFM-Cube, um Kundinnen und Kunden anhand ihrer RFM-Bewertungen zu segmentieren. Die Funktion NTILE-Fenster sortiert Werte in sortierte Behälter und unterteilt jede Dimension in vier gleiche Gruppen (Quartile), was eine strukturierte Segmentierung ermöglicht.

Führen Sie die folgende SQL-Abfrage aus, um den multidimensionalen RFM-Cube zu generieren:

SELECT userid,
       days_since_last_purchase,
       orders,
       total_revenue,
       5 - NTILE(4)
             OVER (
               ORDER BY days_since_last_purchase DESC) AS recency,
       NTILE(4)
         OVER (
           ORDER BY orders DESC)                       AS frequency,
       NTILE(4)
         OVER (
           ORDER BY total_revenue DESC)                AS monetization
FROM rfm_values;

Die Ergebnisse sehen wie auf den folgenden Bildern aus.

Als Nächstes verwenden Sie die folgende Anweisung, um eine VIEW für diese Daten zu erstellen.

Die Erstellung eines VIEW für den multidimensionalen RFM-Cube verbessert die Effizienz, indem vorsegmentierte Daten gespeichert werden, sodass die RFM-Bewertungen in zukünftigen Abfragen nicht neu berechnet werden müssen. Es vereinfacht SQL-Anweisungen, stellt die Datenkonsistenz sicher und verbessert die Wiederverwendbarkeit für weitere Analysen.

CREATE OR replace VIEW rfm_scores
AS
  SELECT userid,
         days_since_last_purchase,
         orders,
         total_revenue,
         5 - NTILE(4)
               over (
                 ORDER BY days_since_last_purchase DESC) AS recency,
         NTILE(4)
           over (
             ORDER BY orders DESC)                       AS frequency,
         NTILE(4)
           over (
             ORDER BY total_revenue DESC)                AS monetization
  FROM   rfm_values;

Das Ergebnis sieht ähnlich wie in der folgenden Abbildung aus, hat jedoch eine andere Ansicht-ID.

RFM-Segmente modellieren model-rfm-segments

Mit den berechneten RFM-Scores können Kunden in die folgenden sechs Prioritätssegmente kategorisiert werden:

Um den Zugriff und die Wiederverwendung zu optimieren, erstellen Sie ein VIEW, in dem die RFM-Segmente, Bewertungen und Werte gespeichert werden.

Die CASE-Anweisungen in der folgenden SQL kategorisieren Kundinnen und Kunden basierend auf ihren RFM-Bewertungen in Segmente und weisen die Ergebnisse der RFM_Model-Variablen zu.

CREATE OR replace VIEW rfm_model_segment
AS
  SELECT userid,
         days_since_last_purchase,
         orders,
         total_revenue,
         recency,
         frequency,
         monetization,
         CASE
           WHEN recency = 1
                AND frequency = 1
                AND monetization = 1 THEN '1. Core - Your Best Customers'
           WHEN recency IN( 1, 2, 3, 4 )
                AND frequency = 1
                AND monetization IN ( 1, 2, 3, 4 ) THEN
           '2. Loyal - Your Most Loyal Customers'
           WHEN recency IN( 1, 2, 3, 4 )
                AND frequency IN ( 1, 2, 3, 4 )
                AND monetization = 1 THEN
           '3. Whales - Your Highest Paying Customers'
           WHEN recency IN( 1, 2, 3, 4 )
                AND frequency IN ( 1, 2, 3 )
                AND monetization IN( 2, 3, 4 ) THEN
           '4. Promising - Faithful customers'
           WHEN recency = 1
                AND frequency = 4
                AND monetization IN ( 1, 2, 3, 4 ) THEN
           '5. Rookies - Your Newest Customers'
           WHEN recency IN ( 2, 3, 4 )
                AND frequency = 4
                AND monetization IN ( 1, 2, 3, 4 ) THEN
           '6. Slipping - Once Loyal, Now Gone'
         END RFM_Model
  FROM   rfm_scores;

Die generierte VIEW folgt derselben Struktur wie vorherige Erstellungen, jedoch mit einer anderen ID.

Führen Sie am besten eine einfache Erkundungsabfrage aus, um die Daten in der Ansicht zu überprüfen. Verwenden Sie die folgende Anweisung.

SELECT * FROM rfm_model_segment;

Die folgenden Screenshots zeigen ein Beispielergebnis der SELECT * FROM rfm_model_segment;-Abfrage mit den segmentierten RFM-Modelldaten. Die Ausgabe spiegelt die Struktur der generierten VIEW wider, einschließlich zugewiesener Kundensegmente auf der Grundlage von RFM-Bewertungen.

Schritt 4: Verwenden Sie SQL, um RFM-Daten per Batch in das Echtzeit-Kundenprofil aufzunehmen sql-batch-ingest-rfm-data

Nehmen Sie als Nächstes per Batch RFM-angereicherte Kundendaten in das Echtzeit-Kundenprofil auf. Erstellen Sie zunächst einen profilaktivierten Datensatz und fügen Sie die umgewandelten Daten mithilfe von SQL ein.

Erstellen eines abgeleiteten Datensatzes zum Speichern von RFM-Attributen create-a-derived-dataset

Da dieser Datensatz in den Profilspeicher aufgenommen wird, ist ein Partitionsschlüssel erforderlich.

Erstellen Sie einen leeren Datensatz, um RFM-Attribute zu speichern und eine primäre Identität zuzuweisen.

In dieser SQL-Anweisung:

Da der Abfrage-Editor die sequenzielle Ausführung unterstützt, können Sie die Abfragen zur Tabellenerstellung und zur Dateneinfügung in eine einzige Sitzung einbeziehen. Die folgende SQL erstellt zunächst eine profilaktivierte Tabelle zum Speichern von RFM-Attributen. Anschließend werden mit RFM angereicherte Kundendaten aus rfm_model_segment in die adls_rfm_profile eingefügt, wobei jeder Datensatz unter Ihrem mandantenspezifischen Namespace strukturiert wird, der für die Echtzeit-Kundenprofilaufnahme erforderlich ist.

Da der Abfrage-Editor die sequenzielle Ausführung unterstützt, können Sie die Tabellenerstellung und die Dateneinfügeabfragen in einer einzigen Sitzung ausführen. Die folgende SQL erstellt zunächst eine profilaktivierte Tabelle zum Speichern von RFM-Attributen. Anschließend werden mit RFM angereicherte Kundendaten aus rfm_model_segment in die adls_rfm_profile eingefügt, um sicherzustellen, dass jeder Datensatz ordnungsgemäß unter Ihrem mandantenspezifischen Namespace (_{TENANT_ID}) strukturiert ist. Dieser Namespace ist für die Aufnahme von Echtzeit-Kundenprofilen und eine genaue Identitätsauflösung unerlässlich.

CREATE TABLE IF NOT EXISTS adls_rfm_profile (
    userId TEXT PRIMARY IDENTITY NAMESPACE 'Email',
    days_since_last_purchase INTEGER,
    orders INTEGER,
    total_revenue DECIMAL(18, 2),
    recency INTEGER,
    frequency INTEGER,
    monetization INTEGER,
    rfm_model TEXT
) WITH (LABEL = 'PROFILE');

INSERT INTO adls_rfm_profile
SELECT STRUCT(userId, days_since_last_purchase, orders, total_revenue, recency,
              frequency, monetization, rfm_model) _{TENANT_ID}
FROM rfm_model_segment;

Das Ergebnis dieser Abfrage ähnelt früheren Datensatzerstellungen in diesem Playbook, jedoch mit einer anderen ID.

Navigieren Sie nach dem Erstellen des Datensatzes zu Datensätze > Durchsuchen > adls_rfm_profile, um sicherzustellen, dass der Datensatz leer ist.

Sie können auch zu Schemas > Durchsuchen > adls_rfm_profile navigieren, um das Schema-Diagramm XDM-Kontaktprofil Ihres neu erstellten Datensatzes und seiner benutzerdefinierten Feldergruppen anzuzeigen.

Fügen Sie Daten in den neu erstellten abgeleiteten Datensatz ein insert-data-into-derived-dataset

Fügen Sie anschließend die Daten aus dem rfm_model_segment VIEW in adls_rfm_profile ein, das für das Echtzeit-Kundenprofil aktiviert ist.

Stellen Sie sicher, dass die Feldreihenfolge in der SELECT Abfrage der INSERT-Anweisung genau mit der Struktur der rfm_model_segment übereinstimmt. Diese Ausrichtung stellt sicher, dass Werte aus rfm_model_segment korrekt in die entsprechenden Felder in der Zieltabelle eingefügt werden. Fehlende Ausrichtung zwischen Quell- und Zielfeldern kann zu Datenabweichungen führen.

INSERT INTO adls_rfm_profile
SELECT Struct(userid, days_since_last_purchase, orders, total_revenue, recency,
              frequency, monetization, rfm_model) _{TENANT_ID}
FROM   rfm_model_segment;

Nach Abschluss zeigt die Abfrageausgabe in der Konsole „Abfrage abgeschlossen“ an.

Schritt 5: Planen der Abfrage für die Batch-Verarbeitung schedule-the-query

Nachdem Ihr SQL-Code jetzt einen abgeleiteten Datensatz generiert und ihn für das Echtzeit-Kundenprofil aktiviert, besteht der nächste Schritt darin, Aktualisierungen zu automatisieren, indem die Abfrage für bestimmte Intervalle ausgeführt wird. Durch automatische Aktualisierungen von Datensätzen ist eine manuelle Ausführung nicht mehr erforderlich.

Planen der Abfrageausführung

Navigieren Sie nach dem Speichern Ihrer SQL zur Registerkarte Vorlagen , um die gespeicherte Abfrage anzuzeigen und den Planungsprozess zu starten. Es gibt zwei Möglichkeiten, eine Abfrage zu planen:

Wählen Zeitplan hinzufügen in der rechten Seitenleiste aus.

Alternativ können Sie die Registerkarte Zeitpläne unter dem Vorlagennamen auswählen und dann Zeitplan hinzufügen.

Weitere Informationen zum Planen von Abfragen finden Sie in der Dokumentation zu Abfragezeitplänen.

Die Zeitplandetails wird angezeigt. Geben Sie von hier aus die folgenden Details ein, um den Zeitplan zu konfigurieren:

Klicken Sie Speichern, um den Zeitplan zu bestätigen.

Nachdem Sie den Zeitplan gespeichert haben, können Sie jederzeit zur Registerkarte Geplante Abfragen navigieren, um geplante Distiller-Datenaufträge zu überwachen. Weitere Informationen zum Anzeigen des Abfrageausführungsstatus, von Fehlermeldungen und Warnhinweisen finden Sie im Dokument Überwachen geplanter Abfragen .

Nach der Konfiguration wird die SQL-Abfrage automatisch in den definierten Intervallen ausgeführt, um sicherzustellen, dass die Daten auf dem neuesten Stand bleiben, ohne dass ein manuelles Eingreifen erforderlich ist.

Schritt 6: Erstellen und Aktivieren einer RFM-basierten Zielgruppe

In diesem Tutorial gibt es zwei Methoden zum Erstellen und Aktivieren einer RFM-basierten Zielgruppe.

Wählen Sie den Ansatz aus, der am besten zu Ihrem Workflow passt.

Lösung 1: SQL-Zielgruppe über Data Distiller data-distiller-sql-audience

Verwenden Sie den Befehl CREATE AUDIENCE AS SELECT , um eine neue Audience zu definieren. Die erstellte Zielgruppe wird in einem Datensatz gespeichert und im Arbeitsbereich Zielgruppen unter "Distiller registriert.

Audiences, die mit der SQL-Erweiterung erstellt wurden, werden automatisch unter der Data Distiller im Arbeitsbereich Audiences registriert. Im Zielgruppenportal können Sie Ihre Zielgruppen nach Bedarf anzeigen, verwalten und aktivieren.

Weitere Informationen zu SQL-Audiences finden Sie in der Data Distiller Audiences-Dokumentation. Informationen zum Verwalten von Zielgruppen in der Benutzeroberfläche finden Sie in der Zielgruppen-Portal - Übersicht.

Erstellen einer Zielgruppe create-an-audience

Verwenden Sie zum Erstellen einer Zielgruppe die folgenden SQL-Befehle:

-- Define an audience for best customers based on RFM scores
CREATE AUDIENCE rfm_best_customer
WITH (
    primary_identity = _{TENANT_ID}.userId,
    identity_namespace = queryService
) AS (
    SELECT * FROM adls_rfm_profile
    WHERE _{TENANT_ID}.recency = 1
        AND _{TENANT_ID}.frequency = 1
        AND _{TENANT_ID}.monetization = 1
);

-- Define an audience that includes all customers
CREATE AUDIENCE rfm_all_customer
WITH (
    primary_identity = _{TENANT_ID}.userId,
    identity_namespace = queryService
) AS (
    SELECT * FROM adls_rfm_profile
);

-- Define an audience for core customers based on email identity
CREATE AUDIENCE rfm_core_customer
WITH (
    primary_identity = _{TENANT_ID}.userId,
    identity_namespace = Email
) AS (
    SELECT * FROM adls_rfm_profile
    WHERE _{TENANT_ID}.recency = 1
        AND _{TENANT_ID}.frequency = 1
        AND _{TENANT_ID}.monetization = 1
);

Erstellen eines leeren Zielgruppen-Datensatzes create-empty-audience-dataset

Erstellen Sie vor dem Hinzufügen von Profilen einen leeren Datensatz, um Audience-Datensätze zu speichern.

-- Create an empty audience dataset
CREATE AUDIENCE adls_rfm_audience
WITH (
    primary_identity = userId,
    identity_namespace = Email
) AS
SELECT
    CAST(NULL AS STRING) userId,
    CAST(NULL AS INTEGER) days_since_last_purchase,
    CAST(NULL AS INTEGER) orders,
    CAST(NULL AS DECIMAL(18,2)) total_revenue,
    CAST(NULL AS INTEGER) recency,
    CAST(NULL AS INTEGER) frequency,
    CAST(NULL AS INTEGER) monetization,
    CAST(NULL AS STRING) rfm_model
WHERE FALSE;

Einfügen von Profilen in eine bestehende Audience insert-an-audience

Um Profile zu einer bestehenden Audience hinzuzufügen, verwenden Sie den Befehl INSERT INTO . Auf diese Weise können Sie einzelne Profile oder ganze Zielgruppensegmente zu einem vorhandenen Zielgruppendatensatz hinzufügen.

-- Insert profiles into the audience dataset
INSERT INTO AUDIENCE adls_rfm_audience
SELECT
    _{TENANT_ID}.userId,
    _{TENANT_ID}.days_since_last_purchase,
    _{TENANT_ID}.orders,
    _{TENANT_ID}.total_revenue,
    _{TENANT_ID}.recency,
    _{TENANT_ID}.frequency,
    _{TENANT_ID}.monetization
FROM adls_rfm_profile
WHERE _{TENANT_ID}.rfm_model = '6. Slipping - Once Loyal, Now Gone';

Löschen einer Zielgruppe delete-an-audience

Um eine vorhandene Zielgruppe zu löschen, verwenden Sie den Befehl ZIELGRUPPE ABLEGEN . Wenn die Zielgruppe nicht vorhanden ist, tritt eine Ausnahme auf, es sei denn, IF EXISTS wurde angegeben.

DROP AUDIENCE IF EXISTS adls_rfm_audience;

Lösung 2: Erstellen einer Zielgruppe mit RFM-Attributen create-audience-with-rfm-attributes

Verwenden Sie RFM-Attribute, um Benutzer basierend auf ihrem Verhalten und ihren Merkmalen zu segmentieren. Dieser Abschnitt führt Sie durch die Adobe Experience Platform-Benutzeroberfläche, um eine Zielgruppe mithilfe von RFM-Bewertungen zu definieren.

Um sicherzustellen, dass die Daten in das Echtzeit-Kundenprofil geladen wurden, navigieren Sie zu Kunden > Profile > Durchsuchen. Wählen Sie Identity-Namespace als Email aus und geben Sie user0076@example.com ein. Überprüfen Sie die Profildetails, um sicherzustellen, dass es die erwarteten RFM-Attribute enthält.

Um vorhandene Zielgruppen zu durchsuchen, wählen Sie Zielgruppen aus dem linken Navigationsbereich aus und stellen Sie sicher, dass die Registerkarte Durchsuchen ausgewählt ist. Die Liste der verfügbaren Zielgruppen in der Sandbox wird angezeigt. Wenn Sie eine Zielgruppe auswählen, werden ihre Beschreibung, die Regeln für die Qualifizierung und die Anzahl der enthaltenen Profile angezeigt.

Um eine neue Zielgruppe zu erstellen, wählen oben „Zielgruppe erstellen“ aus. Es wird ein Dialogfeld mit zwei Optionen angezeigt. Wählen Regel erstellen gefolgt von Erstellen aus.

Die Benutzeroberfläche für die Zielgruppenkomposition bietet Zugriff auf Profilattribute. Navigieren Sie zu Attribute > Individuelles XDM-Profil, um verfügbare Attribute anzuzeigen.

Weitere Informationen zur Verwendung der Zielgruppenkomposition finden Sie im Handbuch zur Benutzeroberfläche für die Zielgruppenkomposition. Weitere Informationen zur Verwendung von Segment Builder finden Sie im Handbuch zur Benutzeroberfläche von Segment Builder.

Benutzerdefinierte Attribute, die in Data Distiller erstellt wurden, werden in dem Ordner gespeichert, der dem Namespace-Namen des Mandanten entspricht, der neben dem Sandbox-Namen angezeigt wird. Diese Attribute können zum Definieren von Kriterien für die Zielgruppensegmentierung verwendet werden.

Um eine Zielgruppe mit RFM-Attributen zu erstellen, ziehen Sie das Rfm_Model-Attribut per Drag-and-Drop in den Audience Composer. Diese Attribute können für Edge, Streaming und Batch-Zielgruppen verwendet werden.

Um die Zielgruppe abzuschließen, wählen oben rechts Speichern und veröffentlichen“ aus. Nach dem Speichern wird die neu erstellte Zielgruppe im Arbeitsbereich Zielgruppen angezeigt, wo Sie die Zusammenfassung und Qualifizierungskriterien der Zielgruppe überprüfen können.

Verwenden Sie Segment Builder, um auf die abgeleiteten RFM-Attribute zuzugreifen und zusätzliche Zielgruppen zu entwerfen. Aktivieren Sie die neu erstellte SQL-Zielgruppe basierend auf RFM-Bewertungen und senden Sie sie an ein beliebiges Ziel, einschließlich Adobe Journey Optimizer.