Blueprint: Benutzerdefinierte Datenwissenschaft für Profilanreicherung

Die Blueprint „Benutzerdefinierte Datenwissenschaft zur Profilanreicherung“ veranschaulicht, wie Daten in Adobe Experience Platform zum Trainieren, Bereitstellen und Bewerten von Modellen verwendet werden können, um mit Hilfe von Data-Science- und Machine-Learning-Tools Einblicke in Experience Platform und die Real-time Customer Data Platform zu erhalten. Modellierte Einblicke können in Experience Platform integriert werden, um das Echtzeit-Kundenprofil anzureichern. Beispiele für ML-Erkenntnisse sind Lebenszeitwertbewertung, Produkt- und Kategorieaffinität, Konversions- oder Abwanderungsneigung.

Anwendungsfälle

  • Extrahieren Sie Einblicke und entdecken Sie Muster in Kundendaten und trainieren und bewerten Sie Modelle anhand dieser Daten.
  • Anreichern des Echtzeit-Kundenprofils mit modellgestützten Erkenntnissen und Attributen für detailliertere Personalisierung und Journey-Optimierung.
  • Trainieren und Bewerten von Modellen, um Kundenerkenntnisse wie Kunden-Lebenszeitwert, Konversions- oder Abwanderungsneigung, Produkt- und Content-Affinität und Interaktionswerte zu ermitteln.

Architektur

Referenzarchitektur für Blueprint „Benutzerdefinierte Datenwissenschaft für Profilanreicherung“

Implementierungsschritte

  1. Erstellen Sie Schemas für die zu erfassenden Daten.
  2. Erstellen Sie Datensätze für die zu erfassenden Daten.
  3. Aufnehmen der Daten in Experience Platform.

Damit Modellergebnisse in das Echtzeit-Kundenprofil aufgenommen werden, müssen Sie vor der Aufnahme von Daten folgende Schritte ausführen:

  1. Konfigurieren Sie die korrekten Identitäten und Identitäts-Namespaces im Schema, um sicherzustellen, dass aufgenommene Daten zu einem einheitlichen Profil zusammengefügt werden können.
  2. Aktivieren Sie die Schemas und Datensätze für Profile.

Überlegungen bei der Implementierung

  • In den meisten Fällen muss das Modellergebnis als Profilattribute und nicht als Erlebnisereignisse erfasst werden. Bei den Modellergebnissen kann es sich um eine einfache Attributzeichenfolge handeln. Wenn mehrere Modellergebnisse aufgenommen werden sollen, wird empfohlen, ein Feld vom Typ Array oder Zuordnung zu verwenden.
  • Der tägliche Datensatz mit dem Profil-Schnappschuss, der einen täglichen Export der einheitlichen Profilattributdaten darstellt, kann genutzt werden, um Modelle für Profilattributdaten zu trainieren. Die Dokumentation zu Profildatensätzen ist hier verfügbar.
  • Für das Extrahieren von Daten aus Experience Platform können die folgenden Methoden verwendet werden:
    • Data Access SDK
      • Daten liegen als Rohdaten vor
      • Profil-Ereigniserlebnis-Daten bleiben im nicht einheitlichen Rohzustand.
    • RTCDP-Ziele
      • Es können nur Profilattribute und Segmentmitgliedschaften ausgegeben werden.
    • Abfrage-Service
      • Der Zugriff auf große Mengen an Rohdaten kann dazu führen, dass die Abfrage beim 10-minütigen Timeout eine Zeitüberschreitung aufweist. Es wird empfohlen, Daten schrittweise abzufragen.

Verwandte Dokumentation

Verwandte Blog-Posts

Auf dieser Seite