Elija el enfoque de personalización a largo plazo adecuado
La personalización a largo plazo significa adaptar una experiencia en tiempo real en función del comportamiento del cliente que se remonta a seis meses, un año o más. Puede admitir estos casos de uso sin almacenar años de historial de eventos sin procesar en el almacén de perfiles: mantenga el historial detallado en la capa analítica, derive una señal compacta de él y promueva solo esa señal para su activación. Esta guía de decisión compara los enfoques disponibles y le ayuda a elegir el que se adapte a su arquitectura. Explica cuándo, por qué y qué enfoque utilizar. Para ver los pasos de configuración y la sintaxis SQL, siga la documentación del producto vinculada.
Esta guía está destinada a arquitectos de soluciones, arquitectos de plataformas y responsables técnicos de la toma de decisiones que evalúan los enfoques de personalización a largo plazo en Experience Platform. Supone estar familiarizado con perfiles, audiencias, el lago de datos y el almacén de perfiles.
Por qué el historial a largo plazo no pertenece al almacén de perfiles customer-problem
Muchas organizaciones acumulan grandes volúmenes de datos de eventos históricos en el almacén de perfiles bajo el supuesto de que una mayor cantidad de datos almacenados produce una mejor personalización. En la práctica, esto aumenta el tamaño del almacén de perfiles y el derecho de volumen total de datos sin mejorar las experiencias que reciben sus clientes.
Los casos de uso de personalización a largo plazo son comunes en industrias con ciclos de compra largos o relaciones con clientes que evolucionan lentamente:
- Un cliente de servicios financieros que abrió una cuenta de ahorros hace 18 meses y ahora está investigando productos hipotecarios.
- Un comprador minorista que visitó el inventario de temporada el año pasado, pero que nunca compró.
- Viajero frecuente de una aerolínea cuyo nivel de fidelidad refleja 12 meses de actividad acumulada.
- Un cliente de telecomunicaciones que canceló la compra hace ocho meses y que desde entonces ha regresado, identificable como en riesgo por comportamiento histórico.
En cada caso, los datos relevantes son históricos, pero el momento de la personalización debe producirse en tiempo real. El problema surge cuando las organizaciones almacenan todo ese historial de nivel de evento directamente en el almacén de perfiles para admitir esos momentos.
El almacén de perfiles está optimizado para la velocidad, no para el volumen, y cada registro que contiene cuenta para su asignación de volumen de datos total. Los eventos sin procesar de hace 12, 18 o 24 meses o más son valiosos para el análisis, pero rara vez necesitan residir en el almacén de perfiles para admitir la activación.
Cómo identificar un caso de uso de personalización a largo plazo identify
Utilice las siguientes preguntas para determinar si su organización impone exigencias analíticas al almacén de perfiles que van más allá del ámbito deseado. Si se aplican dos o más, es probable que tenga un caso de uso de personalización a largo plazo que una arquitectura de señales derivadas funcionaría de forma más eficiente.
- ¿Hasta dónde se remonta su lógica de segmentación? Las audiencias creadas con la lógica de “cualquier momento” o ventanas retrospectivas más allá de 30-90 días son una señal potente.
- ¿Se está acercando o excediendo su asignación de volumen de datos total? Si es así, examine qué parte de ese volumen son datos de evento históricos que rara vez se utilizan para la activación en tiempo real.
- ¿Qué tiempo de vida está configurado en los datos del perfil? Ningún TTL, o un TTL de 12 o más meses, significa que es probable que los eventos sin procesar se acumulen sin un claro propósito de activación.
- ¿Se caracteriza su sector por ciclos de compra largos? Las hipotecas, los seguros, los contratos B2B, el comercio minorista estacional y las recompensas por viajes implican relaciones que evolucionan a lo largo de meses o años.
- ¿Tiene licencia de Data Distiller o Customer Journey Analytics, pero no se utiliza para la creación de audiencias? Estas herramientas están diseñadas para el trabajo analítico que puede estar solicitando a la tienda de perfiles.
Si estas preguntas apuntan a un patrón de personalización a largo plazo, el siguiente paso es comprender a qué parte de Experience Platform pertenece cada tipo de datos.
Dónde deben residir los datos: flujos de trabajo analíticos y de participación workflows
Experience Platform almacena datos en dos repositorios que sirven a diferentes flujos de trabajo. La coincidencia de cada conjunto de datos con el flujo de trabajo que admite es la base de una arquitectura de personalización a largo plazo eficaz.
El principio rector es personalizar la señal, no el historial sin procesar. No es necesario que almacene años de eventos de comportamiento sin procesar en el almacén de perfiles para saber que un cliente cumple los requisitos para ser miembro del nivel de lealtad, comprador de alto valor o productor en riesgo. Estas etiquetas se calculan a partir de los datos históricos en el flujo de trabajo analítico y se almacena únicamente la etiqueta (la señal) en el almacén de perfiles. El historial sin procesar permanece en el lago de datos, donde no se cuenta para la asignación de derechos del perfil.
Arquitectura recomendada architecture
La arquitectura recomendada separa el almacenamiento a largo plazo de la activación en tiempo real:
- Los datos del evento del cliente se acumulan en el lago de datos. Los registros web, de aplicación, de compra, de lealtad y sin conexión se conservan con una profundidad histórica completa sin contribuir a la asignación de derechos del perfil.
- El flujo de trabajo analítico deriva una señal. Las consultas o los análisis transforman meses o años de historia en un resultado compacto: un nivel de lealtad, una puntuación de riesgo de pérdida, una clasificación de valor de duración o una audiencia cualificada.
- La señal se ha promocionado al almacén de perfiles. Solo el resultado, no el historial de eventos subyacente, entra en el flujo de trabajo de participación.
- Real-Time Customer Data Platform y Adobe Journey Optimizer se activan en la señal. La capa de activación funciona con datos actuales e independientes y responde en milisegundos.
Los enfoques de esta guía son diferentes maneras de realizar los pasos 2 y 3. Antes de elegir entre ellos, confirme que su caso de uso requiere un flujo de trabajo analítico que vaya más allá de Real-Time CDP y Adobe Journey Optimizer.
Antes de elegir: confirme que tiene una necesidad a largo plazo qualifier
No todas las organizaciones necesitan un enfoque analítico. Si toda la lógica de segmentación y personalización funciona dentro de un intervalo de comportamiento de 30 a 90 días, y los atributos de perfil actuales más los eventos recientes en el almacén de perfiles contienen todo lo que requieren sus decisiones, Real-Time CDP y Adobe Journey Optimizer por sí solos son suficientes. No se requieren herramientas adicionales y la activación se ejecuta directamente desde el Almacenamiento de perfiles.
Esta línea de base es el punto de partida, no un cuarto enfoque. En ese límite es donde los enfoques restantes proporcionan valor adicional: cuando la lógica de segmentación se extiende más allá de 30-90 días, o la personalización depende de insight derivado de meses o años de historial, almacenar ese historial en el almacén de perfiles eleva el volumen total de datos sin mejorar los resultados. Si el diagnóstico de la sección anterior indica una necesidad a largo plazo, elija uno de los tres enfoques siguientes.
Selector rápido quick-chooser
Si ya conoce su objetivo, utilice esta tabla para encontrar un punto de partida probable y, a continuación, lea las secciones de aproximación y la guía de decisión para confirmar.
Elegir un enfoque analítico approaches
Cada uno de los enfoques que se describen a continuación describe qué hace, cuándo utilizarla y sus puntos fuertes y limitaciones. Salte al enfoque al que le señaló el Selector rápido o lea los tres para compararlos.
Data Distiller data-distiller
Para consultar, transformar y enriquecer datos a escala mediante SQL, use Data Distiller, un complemento de Experience Platform. Para la personalización a largo plazo, lee datos de evento históricos del lago de datos, aplica la lógica de transformación y escribe solo la señal resultante en el almacén de perfiles.
Con SQL, un ingeniero de datos define la lógica de transformación y produce un conjunto de datos derivado, una salida compacta como un nivel de lealtad o una puntuación de pérdida. La consulta está programada para actualizarse automáticamente y publica solo esa señal en el almacén de perfiles. Data Distiller también puede generar y publicar audiencias directamente desde SQL sin crear primero un atributo derivado.
- Ideal para: puntuación de lealtad y pérdida, valor de duración, clasificaciones de deciles y percentiles, modelos RFM y actualización recurrente automatizada.
- Fortalezas: produce resultados matemáticamente exactos, se actualiza automáticamente según una programación y mantiene los datos sin procesar en el lago de datos.
- Limitaciones: requiere SQL y un ingeniero de datos. La transformación debe definirse de antemano, por lo que no es adecuada para análisis exploratorio.
Para implementar este enfoque, incluido un ejemplo completo, vea Personalización a largo plazo con Data Distiller.
Customer Journey Analytics customer-journey-analytics
Para analizar el comportamiento de los clientes en varios canales y a lo largo del tiempo, usa Customer Journey Analytics. Para una personalización a largo plazo, proporciona un entorno visual sin código para explorar recorridos históricos y una ruta directa (Publicación de audiencias) para promocionar las audiencias resultantes al almacén de perfiles.
No es necesario habilitar para el almacén de perfiles los datos históricos analizados en Customer Journey Analytics, por lo que los meses o años de historial de eventos pueden residir allí sin contar para el derecho de volumen total de datos.
Los analistas exploran los recorridos visualmente en cualquier horizonte temporal, combinan criterios de comportamiento en una audiencia y la publican en el almacén de perfiles, donde estará disponible en Real-Time CDP y Adobe Journey Optimizer. Las audiencias se pueden publicar una vez para una campaña o actualizarse automáticamente.
- Se detectaron audiencias óptimas para: mediante exploración, análisis de recorridos multicanal, campañas de renovación de la participación y audiencias únicas vinculadas a un evento específico.
- Puntos fuertes: autoservicio para analistas y especialistas en marketing, sin necesidad de SQL. Exploration-First, para que las definiciones de audiencia puedan surgir de los datos. Publica en la activación en cuestión de minutos.
- Limitaciones: las salidas son pertenencias a audiencias, no atributos calculados escritos en cada perfil. La precisión basada en filtros es aproximada en lugar de exacta.
Composición de público federado federated-audience-composition
Para generar y calificar audiencias directamente a partir de datos de un almacén de datos empresarial externo, sin mover los datos subyacentes a Experience Platform, use Federated Audience Composition. Las definiciones de audiencia se aplican a los datos de almacén utilizando un lienzo de composición sin código y solo se envía a Experience Platform el abono de audiencia resultante para su activación.
- Ideal para: organizaciones cuyos datos históricos son el sistema de registro de un almacén como Snowflake, Databricks, Google BigQuery o Amazon Redshift, y que desean activarlo sin un proyecto de ingesta completo.
- Puntos fuertes: los datos subyacentes nunca salen del almacén, lo que satisface los requisitos de gobernanza y soberanía. No se requiere una ingesta a gran escala.
- Limitaciones: dependen de la conectividad y composición del almacén. La activación se limita a los miembros de audiencia.
Comparar los enfoques comparison
En la tabla siguiente se comparan los tres enfoques. Real-Time CDP y Adobe Journey Optimizer por sí solos siguen siendo la línea de base para los casos de uso que solo necesitan datos recientes, como se describe en Antes de elegir.
Decida qué método utilizar decision-guide
El Selector rápido proporciona un punto de partida. Utilice las siguientes preguntas para resolver casos con matices o combinados.
¿Necesita resultados matemáticamente precisos? Si su caso de uso requiere clasificaciones exactas (por ejemplo, el 10 % de clientes principales por una métrica calculada o un valor de duración en el octavo decil), elija Data Distiller. Si no puede definir el cálculo con precisión por adelantado, comience por Customer Journey Analytics.
¿Estás empezando desde la exploración? Si todavía no sabe qué aspecto tiene la audiencia y desea descubrir patrones visualmente, comience por Customer Journey Analytics. Una vez validado un patrón, un ingeniero de datos puede crear una versión programada con puntuación de precisión en Data Distiller si es necesario ese rigor.
¿Necesita un atributo de perfil reutilizable o una audiencia única? Data Distiller escribe un atributo derivado, como una puntuación o nivel, en cada perfil y puede volver a calcularlo automáticamente según una programación. Utilícela cuando la señal deba reutilizarse en muchas audiencias y recorridos. En su lugar, Customer Journey Analytics publica una pertenencia a audiencias, que se adapta a una audiencia de campaña o a una definición de recorrido de varios pasos creada sin participación de ingenieros.
¿Qué permiten la ubicación de datos y las licencias? Si los datos históricos deben permanecer en un almacén externo, utilice la Composición de audiencias federada. De lo contrario, deje que las herramientas con licencia y la disponibilidad de soporte de ingeniería guíen la elección.
Mantener la tienda de perfiles limpia keep-lean
Si elige el método adecuado, los nuevos datos históricos no se almacenarán en el almacén de perfiles. La administración activa de lo que ya existe es una práctica complementaria y continua para cada implementación. En lugar de repetir esa guía aquí, utilice el recurso dedicado:
- Para obtener información sobre la supervisión del derecho de licencia, los filtros de ingesta y la higiene del conjunto de datos, consulte Prácticas recomendadas sobre el derecho de licencia de administración de datos.
Próximos pasos next-steps
La personalización a largo plazo no requiere almacenar años de datos de evento sin procesar en el almacén de perfiles. Requiere obtener la señal correcta de ese historial y hacer que solo esa señal esté disponible para la activación en tiempo real. Confirme que tiene una necesidad a largo plazo, elija el enfoque que se adapte a su arquitectura y equipo, y siga la documentación del producto vinculada para implementarla.