Blueprint de Ciência de dados personalizada para enriquecimento de perfis

Última atualização em 2023-03-27
  • Criado para:
  • Developer
    User

O Blueprint de Ciência de dados personalizada para enriquecimento de perfis ilustra como os dados podem ser usados para treinar, implantar e pontuar modelos para fornecer insights de aprendizado de máquina para a Experience Platform e a Real-time Customer Data Platform por meio de ferramentas de aprendizado de máquina e ciência de dados. É possível assimilar insights modelados na Experience Platform para enriquecer o perfil do cliente em tempo real. Exemplos de insights de aprendizado de máquina incluem pontuação de valor vitalício, afinidade de categorias e produtos, propensão à conversão ou ao churn.

Casos de uso

  • Extraia insights e descubra padrões a partir de dados do cliente; treine e pontue modelos de acordo com esses dados.
  • Aprimore o Perfil de cliente em tempo real com insights e atributos orientados por modelos para uma personalização mais detalhada e jornadas aperfeiçoadas.
  • Treine e classifique modelos para determinar insights do cliente, como valor vitalício do cliente, propensão à conversão ou à rotatividade, afinidade de conteúdos e produtos e classificação de engajamentos.

Arquitetura

Blueprint de arquitetura de referência para Ciência de dados personalizada para enriquecimento de perfis

Medidas de proteção

  • Para obter medidas de proteção detalhadas e latências de ponta a ponta ao assimilar resultados de ciência de dados na Experience Platform e no Perfil de cliente em tempo real, consulte as medidas de proteção de assimilação de dados e o diagrama de latências referenciados no documento de medidas de proteção de implantação.

Etapas de implantação

  1. Crie esquemas para que os dados sejam assimilados.
  2. Crie conjuntos de dados para que os dados sejam assimilados.
  3. Assimile dados na Experience Platform.

Para que os resultados do modelo sejam assimilados no Perfil do cliente em tempo real, faça o seguinte antes da assimilar dados:

  1. Configure as identidades corretas e os namespaces de identidade no esquema para assegurar que os dados assimilados possam aderir a um perfil unificado.
  2. Habilite os esquemas e conjuntos de dados para o perfil.

Considerações de implantação

  • Na maioria dos casos, o resultado do modelo deve ser assimilado como atributos de perfil, e não como eventos de experiência. Os resultados do modelo podem ser uma cadeia de caracteres de atributo simples. Se houver vários resultados de modelo a assimilar, é recomendável usar um campo de tipo matriz ou mapa.
  • O conjunto de dados de instantâneo de perfil diário, que é uma exportação diária dos dados de atributo de perfil unificado, pode ser aproveitado para treinar modelos em dados de atributo de perfil. A documentação do conjunto de dados de instantâneo de perfil pode ser acessada aqui.
  • Para extrair dados da Experience Platform, os seguintes métodos podem ser usados
    • SDK de acesso a dados
      • Os dados estão na forma de arquivo bruto
      • Os dados do evento de experiência de perfil permanecem em seu estado bruto e não unificado.
    • Destinos da RTCDP
      • É possível fazer a saída de atributos de perfil e associações de segmento.

Documentação relacionada

Publicações do blog relacionadas

Nesta página