Warum sollten die Daten modelliert werden?

Unternehmen haben ihre eigene Sprache für die Kommunikation über ihren Bereich. Autohäuser beschäftigen sich mit Marken, Modellen und Zylindern. Fluggesellschaften kümmern sich um Flugnummern, Serviceklasse und Sitzplatzzuweisungen. Einige dieser Begriffe beziehen sich ausschließlich auf ein bestimmtes Unternehmen, andere werden in vertikalen Branchen verwendet und wieder andere werden von fast allen Unternehmen verwendet. Für Begriffe, die in einer vertikalen Branche verwendet werden oder sogar noch weiter gefasst sind, können Sie in Ihren Daten bereits viele wichtige Funktionen übernehmen, wenn Sie diese Begriffe gemeinsam benennen und strukturieren.

Viele Unternehmen bearbeiten beispielsweise Bestellungen. Was wäre, wenn diese Unternehmen gemeinsam beschließen, eine Bestellung auf ähnliche Weise zu modellieren? Was wäre beispielsweise, wenn das Datenmodell aus einem Objekt mit einer priceTotal besteht, die den Gesamtpreis der Bestellung darstellt? Was wäre, wenn dieses Objekt auch Eigenschaften mit den Namen currencyCode und purchaseOrderNumber hätte? Möglicherweise enthält das Bestellobjekt eine Eigenschaft mit dem Namen payments, die ein Array von Zahlungsobjekten wäre. Jedes Objekt würde eine Zahlung für die Bestellung darstellen. Vielleicht hat ein Kunde einen Teil der Bestellung mit einer Geschenkkarte bezahlt und der Rest mit einer Kreditkarte. Sie können mit dem Erstellen eines Modells beginnen, das in etwa wie folgt aussieht:

{
  "order": {
    "priceTotal": 89.50,
    "currencyCode": "EUR",
    "purchaseOrderNumber": "JWN20192388410012",
    "payments": [
      {
        "paymentType": "gift_card",
        "paymentAmount": 50
      },
      {
        "paymentType": "credit_card",
        "paymentAmount": 39.50
      }
    ]
  }
}

Wenn sich alle Unternehmen, die mit Bestellungen zu tun haben, dafür entscheiden würden, ihre Auftragsdaten konsistent nach branchenüblichen Begriffen zu modellieren, könnten magische Dinge passieren. Informationen können innerhalb und außerhalb Ihres Unternehmens flüssiger ausgetauscht werden, anstatt die Daten ständig zu interpretieren und zu übersetzen (Props und eVars, irgendjemand?). Maschinelles Lernen könnte leichter verstehen, was Ihre Daten bedeuten und umsetzbare Einblicke bieten. Die Benutzeroberflächen zum Aufdecken relevanter Daten könnten intuitiver werden. Ihre Daten können nahtlos mit Partnern und Anbietern integriert werden, die dieselbe Modellierung verfolgen.

Dies ist das Ziel des Experience-Datenmodells von Adobe. XDM bietet eine präskriptive Datenmodellierung, die in der Branche üblich ist, und ermöglicht es Ihnen gleichzeitig, das Modell für Ihre spezifischen Anforderungen zu erweitern. Adobe Experience Platform basiert auf XDM und daher müssen in Experience Platform gesendete Daten in XDM gespeichert werden. Anstatt darüber nachzudenken, wo und wie Sie Ihre aktuellen Datenmodelle in XDM umwandeln können, bevor Sie die Daten an Experience Platform senden, sollten Sie eher in Betracht ziehen, XDM in Ihrem Unternehmen pervasiv anzuwenden, sodass Übersetzungen selten auftreten müssen.

HINWEIS
Zu Demonstrationszwecken erstellen die Übungen in dieser Lektion ein Beispielschema zur Erfassung von Inhalten und Produkten, die von Kundinnen und Kunden auf der Demo-Site von Luma) angesehen. Sie können diese Schritte zwar verwenden, um ein anderes Schema für Ihre eigenen Zwecke zu erstellen, es wird jedoch empfohlen, zunächst das Beispielschema zu erstellen, um mehr über die Funktionen des Schema-Editors zu erfahren.

Weitere Informationen zu XDM-Schemata finden Sie in der Wiedergabeliste Modellieren Ihrer Kundenerlebnisdaten mit XDM oder in der XDM-Systemübersicht.