Choisir la bonne approche de personnalisation à long terme
La personnalisation à long terme consiste à personnaliser une expérience en temps réel en fonction du comportement des clients sur une période de six mois, un an ou plus. Vous pouvez prendre en charge ces cas d’utilisation sans stocker des années d’historique brut des événements dans la banque de profils : conservez l’historique détaillé dans la couche analytique, obtenez-en un signal compact et promouvez uniquement ce signal pour l’activation. Ce guide de décision compare les approches disponibles et vous aide à choisir celle qui correspond à votre architecture. Il explique quand, pourquoi et quelle approche utiliser. Pour connaître les étapes de configuration et la syntaxe SQL, consultez la documentation du produit associé.
Ce guide est destiné aux architectes de solution, aux architectes de plateforme et aux décideurs techniques qui évaluent les approches de personnalisation à long terme dans Experience Platform. Il suppose que vous connaissez les profils, les audiences, le lac de données et la banque de profils.
Pourquoi l’historique à long terme n’appartient pas au magasin de profils customer-problem
De nombreuses entreprises accumulent d’importants volumes de données d’événement historiques dans la banque de profils en partant du principe que davantage de données stockées produit une meilleure personnalisation. En pratique, cela augmente la taille de la banque de profils et les droits Volume total de données sans améliorer les expériences que vos clients reçoivent.
Les cas d’utilisation de la personnalisation à long terme sont courants dans les secteurs où les cycles d’achat sont longs ou les relations client évoluant lentement :
- Un client des services financiers qui a ouvert un compte d’épargne il y a 18 mois et qui étudie maintenant des produits hypothécaires.
- Acheteur au détail qui a parcouru les stocks saisonniers l’année dernière mais n’a jamais acheté.
- Un grand voyageur aérien dont le niveau de fidélité reflète 12 mois d’activité cumulée.
- Un client du secteur des télécommunications qui s’est rétracté il y a huit mois et qui est revenu depuis, identifiable comme étant à risque en raison d’un comportement historique.
Dans chaque cas, les données pertinentes sont historiques, mais le moment de la personnalisation doit se produire en temps réel. Le problème se produit lorsque les entreprises stockent tout cet historique au niveau des événements directement dans la banque de profils pour prendre en charge ces moments.
La banque de profils est optimisée pour la vitesse, et non le volume, et chaque enregistrement qu’elle contient est comptabilisé dans vos droits au volume total de données. Les événements bruts d’il y a 12, 18, 24 mois ou plus sont utiles pour l’analyse, mais ils ont rarement besoin d’être conservés dans la banque de profils pour prendre en charge l’activation.
Comment identifier un cas d’utilisation de la personnalisation à long terme identify
Répondez aux questions suivantes pour déterminer si votre entreprise place des demandes analytiques sur la banque de profils qui vont au-delà de sa portée prévue. Si plusieurs s’appliquent, vous disposez probablement d’un cas d’utilisation de la personnalisation à long terme qu’une architecture de signal dérivé servirait plus efficacement.
- Jusqu’à quand remonte votre logique de segmentation ? Les audiences créées avec une logique « à tout moment » ou des intervalles de recherche en amont au-delà de 30 à 90 jours constituent un signal fort.
- Avez-vous approché ou dépassé le volume total de données autorisé ? Si tel est le cas, examinez la partie de ce volume correspondant aux données d’événement historiques rarement utilisées pour l’activation en temps réel.
- Quelle durée de vie est configurée sur vos données de profil ? Aucune durée de vie, ou une durée de vie de 12 mois ou plus, signifie que les événements bruts sont susceptibles de s’accumuler sans objectif d’activation clair.
- Votre secteur se caractérise-t-il par de longs cycles d’achat ? Les prêts hypothécaires, les assurances, les contrats B2B, la vente au détail saisonnière et les récompenses de voyage impliquent tous des relations qui évoluent sur des mois ou des années.
- Disposez-vous d’une licence Data Distiller ou Customer Journey Analytics mais qui n’est pas utilisée pour la création d’audiences ? Ces outils sont conçus pour le travail analytique que vous pouvez actuellement demander au magasin de profils d’effectuer.
Si ces questions pointent vers un modèle de personnalisation à long terme, l’étape suivante consiste à comprendre la place de chaque type de données dans Experience Platform.
Emplacement souhaité de vos données : workflows d’analyse et d’engagement workflows
Experience Platform stocke les données dans deux référentiels qui servent des workflows différents. La correspondance de chaque jeu de données avec le workflow qu’il prend en charge est la base d’une architecture de personnalisation efficace à long terme.
Le principe directeur est de personnaliser sur le signal, pas sur l’histoire brute. Vous n’avez pas besoin de stocker des années d’événements comportementaux bruts dans la banque de profils pour savoir qu’un client est qualifié de membre du niveau de fidélité, d’acheteur à forte valeur ajoutée ou de client à risque. Vous calculez ces libellés à partir des données historiques dans le workflow analytique et stockez uniquement le libellé (le signal) dans la banque de profils. L’historique brut reste dans le lac de données, où il n’est pas pris en compte dans vos droits de profil.
Architecture recommandée architecture
L’architecture recommandée sépare le stockage à long terme de l’activation en temps réel :
- Les données d’événement client s’accumulent dans le lac de données. Les enregistrements web, d’application, d’achat, de fidélité et hors ligne sont conservés à une profondeur historique complète sans contribuer aux droits de votre profil.
- Le workflow analytique génère un signal. Les requêtes ou les analyses transforment des mois ou des années d’histoire en une sortie compacte : un niveau de fidélité, un score de risque d’attrition, un classement de valeur sur toute la durée de vie ou une audience qualifiée.
- Le signal est promu vers la banque de profils. Seule la sortie, et non l’historique des événements sous-jacents, entre dans le workflow d’engagement.
- Real-Time Customer Data Platform et Adobe Journey Optimizer s’activent sur le signal. La couche d’activation fonctionne sur des données à jour allégées et répond en millisecondes.
Les approches de ce guide sont différentes manières d’effectuer les étapes 2 et 3. Avant de choisir parmi celles-ci, vérifiez que votre cas d’utilisation nécessite en fait un workflow analytique allant au-delà de Real-Time CDP et Adobe Journey Optimizer.
Avant de choisir : confirmez que vous avez un besoin à long terme qualifier
Toutes les organisations n’ont pas besoin d’une approche analytique. Si toute votre logique de segmentation et de personnalisation fonctionne dans une fenêtre comportementale de 30 à 90 jours et que les attributs de profil actuels ainsi que les événements récents dans la banque de profils contiennent tout ce dont vos décisions ont besoin, Real-Time CDP et Adobe Journey Optimizer seuls sont suffisants. Aucun outil supplémentaire n’est nécessaire et l’activation s’exécute directement à partir de la banque de profils.
Cette base est le point de départ, et non une quatrième approche. C’est là que les approches restantes offrent une valeur supplémentaire : lorsque la logique de segmentation s’étend au-delà de 30 à 90 jours ou que la personnalisation dépend d’insight dérivé de mois ou d’années d’historique, le stockage de cet historique dans la banque de profils augmente le volume total de données sans améliorer les résultats. Si votre diagnostic de la section précédente a mis en évidence un besoin à long terme, choisissez l’une des trois approches suivantes.
Sélecteur rapide quick-chooser
Si vous connaissez déjà votre objectif, utilisez ce tableau pour trouver un point de départ probable, puis lisez les sections approche et le guide de décision pour confirmer.
Choisir une approche analytique approaches
Chaque approche ci-dessous décrit son fonctionnement, le moment où l’utiliser, ainsi que ses forces et ses limites. Accédez à l’approche que le sélecteur rapide vous a présentée ou lisez les trois pour les comparer.
Data Distiller data-distiller
Pour interroger, transformer et enrichir des données à grande échelle à l’aide de SQL, utilisez Data Distiller, un module complémentaire d’Experience Platform. Pour une personnalisation à long terme, il lit les données d’événement historiques du lac de données, applique la logique de transformation et écrit uniquement le signal résultant dans la banque de profils.
À l’aide de SQL, un ingénieur de données définit la logique de transformation et produit un jeu de données dérivé, une sortie compacte telle qu’un niveau de fidélité ou un score d’attrition. La requête est planifiée pour s’actualiser automatiquement et ne publie que ce signal dans la banque de profils. Data Distiller peut également créer et publier des audiences directement à partir de SQL sans créer d’abord d’attribut dérivé.
- Idéal pour : score de fidélité et d’attrition, valeur de durée de vie, classements en déciles et en centiles, modèles RFM et actualisation récurrente automatisée.
- Forces : produit des sorties mathématiquement exactes, s’actualise automatiquement selon un planning et conserve les données brutes dans le lac de données.
- Limites : nécessite l’utilisation de SQL et d’un ingénieur de données. La transformation doit être définie à l’avance et n’est donc pas adaptée à une analyse exploratoire.
Pour mettre en œuvre cette approche, y compris un exemple complet, consultez la section Personnalisation à long terme avec Data Distiller.
Customer Journey Analytics customer-journey-analytics
Pour analyser le comportement des clients sur plusieurs canaux et dans le temps, utilisez 🔗. Pour une personnalisation à long terme, il fournit un environnement visuel sans code pour explorer les parcours historiques et un chemin d’accès direct (publication d’audience) pour promouvoir les audiences obtenues auprès de la banque de profils.
Les données historiques analysées dans Customer Journey Analytics n’ont pas besoin d’être activées pour la banque de profils, de sorte que des mois ou des années d’historique d’événements peuvent y résider sans que cela soit pris en compte dans vos droits au volume total de données.
Les analystes explorent les parcours visuellement à travers n’importe quel horizon temporel, combinent des critères comportementaux dans une audience et les publient dans la banque de profils, où ils deviennent disponibles dans Real-Time CDP et Adobe Journey Optimizer. Les audiences peuvent être publiées une fois pour une campagne ou actualisées automatiquement.
- Idéal pour : les audiences découvertes par le biais de l’exploration, de l’analyse de parcours multicanal, des campagnes de réengagement et des audiences uniques liées à un événement spécifique.
- Points forts : libre-service pour les analystes et les spécialistes du marketing, sans SQL requis. Exploration d’abord, afin que les définitions d’audience puissent émerger des données. Publie vers l’activation en quelques minutes.
- Limitations : sorties sont des appartenances à l’audience, et non des attributs calculés réécrits dans chaque profil. La précision basée sur les filtres est approximative et non exacte.
Composition d’audiences fédérées federated-audience-composition
Pour créer et qualifier des audiences directement à partir des données d’un entrepôt de données d’entreprise externe, sans déplacer les données sous-jacentes dans Experience Platform, utilisez Composition d’audience fédérée. Les définitions d’audience sont appliquées aux données de l’entrepôt à l’aide d’un canevas de composition sans code. Seule l’appartenance à l’audience résultante est envoyée à Experience Platform pour activation.
- Idéal pour : les organisations dont les données historiques constituent le système d’enregistrement d’un entrepôt tel que Snowflake, Databricks, Google BigQuery ou Amazon Redshift et qui souhaitent les activer sans projet d’ingestion complet.
- Avantages : les données sous-jacentes ne quittent jamais l’entrepôt, ce qui répond aux exigences de gouvernance et de souveraineté. Aucune ingestion à grande échelle n’est requise.
- Limites : dépend de la connectivité et de la composition de l’entrepôt de données. L’activation est limitée à l’appartenance à une audience.
Comparer les approches comparison
Le tableau suivant compare les trois approches. Real-Time CDP et Adobe Journey Optimizer restent la seule référence pour les cas d’utilisation qui n’ont besoin que de données récentes, comme décrit dans la section Avant de choisir .
Choix de l’approche à utiliser decision-guide
Le Sélecteur rapide fournit un point de départ. Répondez aux questions suivantes pour résoudre des cas nuancés ou combinés.
Avez-vous besoin de résultats mathématiquement précis ? Si votre cas d’utilisation nécessite un classement exact (par exemple, les 10 % de clients les plus importants par une mesure calculée ou une valeur de durée de vie au huitième décile), choisissez Data Distiller. Si vous ne pouvez pas définir le calcul précisément à l’avance, commencez par Customer Journey Analytics.
Commencez-vous par l’exploration ? Si vous ne connaissez pas encore l’audience et souhaitez découvrir des modèles visuellement, commencez par Customer Journey Analytics. Une fois un modèle validé, un ingénieur de données peut créer une version planifiée avec une notation de précision dans Data Distiller si cette rigueur est nécessaire.
Avez-vous besoin d’un attribut de profil réutilisable ou d’une audience unique ? Data Distiller écrit un attribut dérivé, tel qu’un score ou un niveau, sur chaque profil et peut le recalculer automatiquement selon un planning. Utilisez-le lorsque le signal doit être réutilisable sur de nombreuses audiences et de nombreux parcours. Customer Journey Analytics publie à la place une appartenance à une audience, qui convient à une audience de campagne ou à une définition de parcours à plusieurs étapes créée sans implication de l’ingénierie.
Qu’est-ce que l’emplacement des données et les licences permettent ? Si les données historiques doivent rester dans un entrepôt externe, utilisez la composition d’audiences fédérées. Sinon, laissez les outils sous licence et la disponibilité de l’assistance technique vous guider dans votre choix.
Veiller à ce que le magasin de profils reste propre keep-lean
Choisir la bonne approche évite que de nouvelles données historiques soient conservées en dehors de la banque de profils. La gestion active de ce qui existe déjà est une pratique complémentaire et continue pour chaque déploiement. Au lieu de répéter ces conseils ici, utilisez la ressource dédiée :
- Pour la surveillance des droits de licence, les filtres d’ingestion et l’hygiène des jeux de données, consultez Bonnes pratiques relatives aux droits de licence de gestion des données.
Étapes suivantes next-steps
La personnalisation à long terme ne nécessite pas de stocker des années de données d’événement brutes dans la banque de profils. Cela nécessite de dériver le bon signal de cet historique et de rendre uniquement ce signal disponible pour une activation en temps réel. Confirmez que vous avez un besoin à long terme, choisissez l’approche qui correspond à votre architecture et à votre équipe, puis suivez la documentation du produit lié pour le mettre en œuvre.