Benutzerdefinierte Datenwissenschaft für Profil-Anreicherungs-Blueprint

Last update: Wed Apr 03 2024 00:00:00 GMT+0000 (Coordinated Universal Time)

Erstellt für:

Developer
User

Die benutzerdefinierte Datenwissenschaft für den Entwurf der Profilanreicherung zeigt, wie Daten zum Trainieren, Bereitstellen und Präsentieren von Modellen verwendet werden können, um Einblicke in maschinelles Lernen zu erhalten Experience Platform und Real-Time Customer Data Platform aus Datenwissenschaft und Instrumenten des maschinellen Lernens.

Modellierte Einblicke können in Experience Platform um das Echtzeit-Kundenprofil anzureichern. Beispiele für ML-Erkenntnisse sind Lebenszeitwertbewertung, Produkt- und Kategorieaffinität, Konversions- oder Abwanderungsneigung.

Anwendungsfälle

Extrahieren Sie Erkenntnisse 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 die Blueprint „Benutzerdefinierte Datenwissenschaft zur Profilanreicherung“

Leitlinien

Für detaillierte Limits und Ende-to-End-Latenzen bei der Erfassung von Datenwissenschaftsergebnissen in Experience Platform und das Echtzeit-Kundenprofil beziehen sich auf die Datenaufnahme-Limits und das Latenzdiagramm, auf die im Abschnitt Dokument mit Bereitstellungsgarantien.

Implementierungsschritte

Erstellen Sie Schemas für die zu erfassenden Daten.
Erstellen Sie Datensätze für die zu erfassenden Daten.
Daten erfassen in Experience Platform.

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

Konfigurieren Sie die korrekten Identitäten und Identitäts-Namespaces im Schema, um sicherzustellen, dass aufgenommene Daten zu einem einheitlichen Profil zusammengefügt werden können.
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 einfache Attributzeichenfolgen 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.
Zum Extrahieren von Daten aus Experience Platform die folgenden Methoden können verwendet werden
- Data Access SDK
  - Daten liegen als Rohdaten vor
  - Profil-Ereigniserlebnis-Daten bleiben im nicht einheitlichen Rohzustand.
- RTCDP-Ziele
  - Es können Profilattribute und Segmentmitgliedschaften ausgegeben werden.