[Eingeschränkte Verfügbarkeit]{class="badge informative"}

Übersicht über Data Mirror

Data Mirror ist eine Adobe Experience Platform-Funktion, die die Aufnahme von Änderungen auf Zeilenebene aus externen Datenbanken in den Data Lake mithilfe von modellbasierten Schemata ermöglicht. Sie behält Datenbeziehungen bei, erzwingt Eindeutigkeit und unterstützt die Versionierung, ohne dass vorgelagerte ETL-Prozesse (Extract, Transform, Load) erforderlich sind.

Verwenden Sie Data Mirror, um Einfügungen, Aktualisierungen und Löschungen (veränderliche Daten) aus externen Systemen wie Snowflake, Databricks oder BigQuery direkt in Experience Platform zu synchronisieren. Auf diese Weise können Sie beim Importieren von Daten in Platform die Struktur Ihres vorhandenen Datenbankmodells und die Datenintegrität beibehalten.

Funktionen und Vorteile

Data Mirror bietet die folgenden grundlegenden Funktionen für die Datenbanksynchronisierung:

Verwenden Sie Data Mirror, um Änderungen direkt aus Ihren Quellsystemen aufzunehmen, die Schemaintegrität durchzusetzen und die Daten für Analysen, Journey-Orchestrierung und Compliance-Workflows verfügbar zu machen. Data Mirror eliminiert komplexe vorgelagerte ETL-Prozesse und beschleunigt die Implementierung durch die Möglichkeit der direkten Spiegelung vorhandener Datenbankmodelle.

Planen Sie die Anforderungen für Löschung und Datenhygiene bei der Implementierung modellbasierter Schemata mit Data Mirror. Alle Programme müssen vor der Bereitstellung berücksichtigen, wie sich Löschungen auf zugehörige Datensätze, Compliance-Workflows und nachgelagerte Prozesse auswirken.

Voraussetzungen prerequisites

Bevor Sie beginnen, sollten Sie die folgenden Komponenten von Experience Platform verstehen und sicherstellen, dass Ihre Umgebung die technischen und strukturellen Anforderungen erfüllt:

Implementierungsanforderungen

Ihre Platform-Instanz und Quelldaten müssen bestimmte Anforderungen erfüllen, damit Data Mirror ordnungsgemäß funktioniert. Data Mirror erfordert modellbasierte Schemata die flexible Datenstrukturen mit erzwungenen Einschränkungen sind. Derzeit arbeitet Data Mirror hauptsächlich mit modellbasierten Schemata. Die Integration mit standardmäßigen XDM-Schemata wird jedoch durch die kommenden B2B-Funktionen für benutzerdefinierte Objekte unterstützt (geplant für Oktober 2025).

Fügen Sie Schema einen Primärschlüssel und Versionsdeskriptor) hinzu. Wenn Sie mit einem Zeitreihenschema arbeiten, ist ein "" erforderlich.

Ihre externe Datenbank muss die Änderungsdatenerfassung unterstützen oder Metadaten bereitstellen, mit denen Einfügungen, Aktualisierungen und Löschungen identifiziert werden können. Source-Daten müssen eindeutige Kennungen entweder ein einzelnes Feld oder einen zusammengesetzten Primärschlüssel und Versionsinformationen enthalten, damit das System Aktualisierungen in der richtigen Reihenfolge anwenden kann.

Um Löschvorgänge zu erkennen, fügen Sie eine _change_request_type Spalte hinzu, die angibt, ob es sich bei jedem Datensatz um eine Upsert- oder eine Löschfunktion handelt.

Implementieren von Data Mirror implementation-workflow

Im Gegensatz zu standardmäßigen Aufnahmeansätzen behält Data Mirror Ihre Datenbankmodellstruktur im Data Lake von Experience Platform bei. Durch diese Konsistenz der Datenstruktur entfällt die Notwendigkeit für eine externe Vorverarbeitung. Im Folgenden finden Sie einen allgemeinen Implementierungs-Workflow für Data Mirror. Wählen Sie Ihre Implementierungsmethode basierend auf dem Workflow und dem Quellsystem Ihres Teams aus.

Definieren der Schemastruktur

Erstellen Sie modellbasierte Schemata mit erforderlichen Deskriptoren (Metadaten, die das Schemaverhalten und Einschränkungen definieren). Wählen Sie entweder über die Benutzeroberfläche oder direkt über die API eine Methode aus, die zum Workflow Ihres Teams passt.

Zuordnen von Beziehungen und Definieren des Daten-Managements

Definieren von Verbindungen zwischen Datensätzen mithilfe von Beziehungsdeskriptoren. Verwalten Sie Beziehungen und behalten Sie die Datenqualität in allen Datensätzen bei. Diese Aufgaben stellen konsistente Joins sicher und unterstützen die Einhaltung von Datenhygiene-Anforderungen.

Konfigurieren der Quellverbindung

Wählen Sie eine Aufnahmemethode basierend auf Ihrem Quellsystem und Ihrem Anwendungsfall aus. Jede Option unterstützt verschiedene Ebenen der Automatisierung, Transformation und Skalierbarkeit.

Aufnahme von Änderungsdaten aktivieren

Einrichten von Verbindungen zur Datenerfassung für Änderungen mit unterstützten Cloud-Data-Warehouses. Nehmen Sie Änderungen auf Zeilenebene auf, während Sie die Eindeutigkeit beibehalten und Aktualisierungen in der richtigen Reihenfolge anwenden.

Häufige Anwendungsfälle use-cases

Gehen Sie die unten aufgeführten gängigen Anwendungsfälle durch, in denen Data Mirror eine präzise Datensynchronisation und die Beibehaltung von Beziehungen unterstützt. Jedes Szenario zeigt, wie Data Mirror gängige Geschäftsanforderungen für Analysen, Orchestrierung und Compliance unterstützt.

Relationale Datenmodellierung

Verwenden Sie modellbasierte Schemata (auch als relationale Schemata bezeichnet) in Data Mirror, um Entitäten darzustellen, Einfügungen, Aktualisierungen und Löschungen auf Zeilenebene zu verarbeiten und die in Ihren Datenquellen vorhandenen Primär- und Fremdschlüsselbeziehungen zu pflegen. Dieser Ansatz bringt relationale Datenmodellierungsprinzipien in Experience Platform ein und stellt die strukturelle Konsistenz über alle Datensätze hinweg sicher.

Synchronisierung von Warehouse zu Lake

Spiegeln von Ereignisdaten, Kundeninteraktionsprotokollen, Kampagnenereignissen und Zusatzdaten aus unterstützten Cloud-Data-Warehouses in Experience Platform. Dies unterstützt die Kampagneneignung, die Zielgruppenpräzision und die Nachrichtensequenzierung. Journey Optimizer und Real-Time CDP B2B nutzen dies für nahezu in Echtzeit ausgeführte Orchestrierungslogik.

Customer Journey Analytics-Integration

Synchronisieren Sie Zeitreihenereignisse wie Web-Klicks, Produktansichten, Käufe und Support-Interaktionen von Systemen wie Callcentern oder Chat-Protokollen. Ein vollständiger Änderungsverlauf unterstützt eine genaue Trendanalyse und Verhaltenssegmentierung. Experience Platform Data Mirror für Customer Journey Analytics verwendet dies, um Upserts und Löschvorgänge aus Quellsystemen widerzuspiegeln.

B2B-Beziehungsmodellierung

Beziehungen wie Konto-zu-Kontakt-, Abonnement-zu-Konto- oder Kontakt-zu-Region-Hierarchien beibehalten. Diese unterstützen die Segmentierung, Lead-Bewertung, Opportunity-Tracking und Multi-Channel-Koordination. Im Gegensatz zur Standardaufnahme, die Beziehungen reduziert, verwaltet Data Mirror sie nativ mithilfe von Deskriptoren für eine genauere Modellierung.

Abonnementverwaltung

Verfolgen Sie Ereignisse wie Verlängerungen, Stornierungen, Upgrades, Downgrades und Planänderungen mit vollständigem Versionsverlauf. Dies unterstützt Aufbewahrungskampagnen, Abwanderungsprognosen und lebenszyklusbasierte Segmentierung. Der vollständige Verlauf ermöglicht verhaltensbezogene Einblicke und präzises Targeting.

Datenhygienevorgänge

Verwenden Sie die Änderungsdatenerfassung, um präzise Löschungen auf Datensatzebene für Compliance-Zwecke (z. B. regulierte Branchen) und Bereinigungs-Workflows zu ermöglichen. Data Mirror wendet Löschungen präzise an und behält gleichzeitig die zugehörigen Daten in allen verbundenen Datensätzen bei.

Wichtige Überlegungen considerations

Überprüfen Sie diese wichtigen Überlegungen, um sicherzustellen, dass Ihre Implementierung mit unterstützten Schemaverhaltensweisen, Aufnahmemethoden und Beziehungsmustern übereinstimmt. Eine ordnungsgemäße Planung hilft, Integrationsprobleme zu vermeiden, und stellt eine genaue Datenmodellierung sicher.

Datenlöschung und Hygieneanforderungen

Alle Programme, die modellbasierte Schemata und Data Mirror verwenden, müssen die Auswirkungen des Löschens von Daten verstehen. Modellbasierte Schemata ermöglichen präzise Löschvorgänge auf Datensatzebene, die sich auf zugehörige Daten in verbundenen Datensätzen auswirken können. Diese Löschfunktionen wirken sich unabhängig von Ihrem spezifischen Anwendungsfall auf die Datenintegrität, die Compliance und das nachgelagerte Anwendungsverhalten aus. Überprüfen Sie Datenhygiene-Anforderungen und planen Sie Löschszenarien vor der Implementierung.

Auswahl des Schemaverhaltens

Modellbasierte Schemata verwenden standardmäßig Datensatzverhalten das den Entitätsstatus erfasst (Kunden, Konten usw.). Wenn Sie Zeitreihenverhalten für die Ereignisverfolgung benötigen, müssen Sie dies explizit konfigurieren.

Vergleich der Aufnahmemethoden

Verwenden Sie diese Vergleichstabelle, um die beste Aufnahmemethode für Ihre Datenanforderungen auszuwählen, unabhängig davon, ob Sie eine Echtzeit-Synchronisierung, eine SQL-basierte Transformation oder manuelle Datei-Uploads benötigen.

Einschränkungen von Beziehungen

Data Mirror unterstützt Eins-zu-eins und Viele-zu-eins-Beziehungen mit Deskriptoren. Viele-zu-viele-Beziehungen erfordern eine zusätzliche Modellierung und werden nicht direkt unterstützt.

Nächste Schritte

Nachdem Sie diese Übersicht gelesen haben, sollten Sie in der Lage sein, festzustellen, ob Data Mirror zu Ihrem Anwendungsfall passt, und die Anforderungen für die Implementierung zu verstehen. Erste Schritte:

Details zur Implementierung finden Sie in der Dokumentation zu modellbasierten Schemata.