Mappage d’un fichier CSV à un schéma XDM à l’aide de recommandations générées par l’IA
Pour ingérer des données CSV dans Adobe Experience Platform, les données doivent être mappées à un schéma (XDM) Experience Data Model. Vous pouvez choisir de mapper à un schéma existant, mais si vous ne savez pas exactement quel schéma utiliser ou comment il doit être structuré, vous pouvez utiliser des recommandations dynamiques basées sur des modèles de machine-learning (ML) dans l’interface utilisateur de Platform.
Prise en main
Ce tutoriel nécessite une connaissance pratique des composants suivants de Platform :
- Experience Data Model (XDM System) : cadre normalisé selon lequel Platform organise les données de l’expérience client.
- Vous devez au minimum comprendre le concept de comportements dans XDM, afin que vous puissiez décider de mapper vos données à une classe de profil (comportement d’enregistrement) ou à une classe ExperienceEvent (comportement de série temporelle).
- Ingestion par lots : méthode employée par Platform pour ingérer des données à partir de fichiers de données fournis par l’utilisateur.
- Préparation de données Adobe Experience Platform : suite de fonctionnalités permettant de mapper et de transformer des données ingérées pour les rendre conformes aux schémas XDM. La documentation relative aux fonctions de préparation des données est spécifiquement pertinente pour le mappage de schéma.
Fournir des détails sur le flux de données
Dans l’interface utilisateur d’Experience Platform, sélectionnez Sources dans le volet de navigation de gauche. Sur la vue Catalogue, accédez à la catégorie Système local. Sous Chargement de fichier local, sélectionnez Ajouter des données.
Le workflow Mapper CSV à un schéma XDM apparaît, en commençant par l’étape Détails du flux de données.
Sélectionner Créer un nouveau schéma à l’aide de recommandations ML provoque l’affichage de nouvelles commandes. Sélectionnez la classe appropriée pour les données CSV que vous souhaitez mapper (Profil ou ExperienceEvent). Vous pouvez éventuellement utiliser le menu déroulant pour sélectionner le secteur d’activité approprié à votre entreprise ou laisser ce champ vide si les catégories fournies ne vous concernent pas. Si votre organisation fonctionne sous un modèle business-to-business (B2B), cochez la case Données B2B.
À partir de là, indiquez un nom pour le schéma qui sera créé à partir des données CSV, ainsi qu’un nom pour le jeu de données de sortie qui contiendra les données ingérées sous ce schéma.
Vous pouvez éventuellement configurer les fonctionnalités supplémentaires suivantes pour le flux de données :
Lorsque vous avez terminé de configurer le flux de données, sélectionnez Suivant.
Sélectionner les données
Lors de l’étape Sélectionner des données, utilisez la colonne de gauche pour charger votre fichier CSV. Vous pouvez sélectionner Choisir les fichiers pour ouvrir une boîte de dialogue de l’explorateur de fichiers à partir de laquelle sélectionner le fichier, ou vous pouvez également faire glisser le fichier directement dans la colonne.
Une fois le fichier chargé, une section de données d’exemple s’affiche. Elle présente les dix premières lignes des données reçues afin que vous puissiez vérifier qu’elles ont bien été chargées. Sélectionnez Suivant pour continuer.
Configurer les mappages de schéma
Les modèles ML sont exécutés pour générer un nouveau schéma basé sur votre configuration de flux de données et votre fichier CSV chargé. Une fois le processus terminé, l’étape Mappage est renseignée pour afficher les mappages de chaque champ individuel avec une vue entièrement navigable de la structure de schéma générée.
{width="100" modal="regular"}
À partir de là, vous pouvez éventuellement modifier les mappages des champs ou modifier les groupes de champs auxquels ils sont associés selon vos besoins. Lorsque vous êtes satisfait(e), sélectionnez Terminer pour terminer le mappage et lancer le flux de données que vous avez configuré précédemment. Les données CSV sont ingérées dans le système et renseignent un jeu de données en se basant sur la structure de schéma générée, qui sera prêt à être utilisé par les services Platform en aval.
Modifier les mappages de champs edit-mappings
Utilisez l’aperçu du mappage des champs pour modifier les mappages existants ou les supprimer entièrement. Pour plus d’informations sur la gestion d’un jeu de mappages dans l’interface utilisateur, reportez-vous à la section Guide de l’interface utilisateur pour le mappage de la préparation des données.
Modifier des groupes de champs edit-field-groups
Les champs CSV sont automatiquement mappés à des groupes de champs existants à l’aide de modèles ML. Si vous souhaitez modifier le groupe de champs d’un champ CSV particulier, sélectionnez Modifier à côté de l’arborescence du schéma.
Une boîte de dialogue s’affiche, vous permettant de modifier le nom d’affichage, le type de données et le groupe de champs de n’importe quel champ du mappage. Sélectionnez l’icône Modifier ( ) à côté d’un champ source pour modifier ses détails dans la colonne de droite avant de sélectionner Appliquer.
Lorsque vous avez terminé d’ajuster les recommandations de schéma pour vos champs sources, sélectionnez Enregistrer pour appliquer les modifications.
Étapes suivantes
Ce guide explique comment mapper un fichier CSV à un schéma XDM à l’aide de recommandations générées par l’IA, ce qui vous permet d’importer ces données dans Platform par ingestion par lots.
Pour savoir comment mapper un fichier CSV à un schéma existant, reportez-vous à la section workflow de mappage de schéma existant. Pour plus d’informations sur la diffusion en continu de données vers Platform en temps réel par le biais de connexions source préconfigurées, reportez-vous à la section présentation des sources.
Vous pouvez également utiliser des algorithmes d’apprentissage automatique pour générer un schéma à partir d’exemples de données CSV. Ce workflow crée automatiquement un nouveau schéma en fonction de la structure et du contenu de votre fichier CSV. Ce nouveau schéma correspond au format de vos données afin de gagner du temps et d’accroître la précision lors de la définition de la structure, des champs et des types de données pour les jeux de données complexes de grande taille. Pour plus d’informations sur ce processus, consultez le guide de création de schéma assisté ML .