Personnalisation à long terme avec Data Distiller
La personnalisation à long terme personnalise une expérience en temps réel à l’aide du comportement des clients qui remonte à des mois ou des années. Avec Data Distiller, vous pouvez prendre en charge ces cas d’utilisation efficacement tout en conservant votre banque de profils et votre volume total de données allégés : vous utilisez SQL pour calculer un signal compact à partir de l’historique complet du lac de données, puis vous publiez uniquement ce signal dans le profil client en temps réel pour activation. Un signal est la sortie de la transformation SQL, tel qu’un score, un niveau, un classement ou l’appartenance à une audience. Ce guide explique comment implémenter ce modèle.
Ce guide est destiné aux ingénieurs de données, aux architectes de solution et aux responsables de l’implémentation technique qui créent la solution. Il suppose que vous connaissez les principes de base d’Experience Platform et SQL.
Fonctionnement how-it-works
Le workflow de Distiller de données pour la personnalisation à long terme suit un modèle de dérive et de promotion : les événements historiques restent dans le lac de données et seule la sortie calculée est promue vers la banque de profils. Chaque étape ci-dessous renvoie à la documentation détaillée du produit.
Condition requise les données d’événement historiques doivent déjà être ingérées dans Experience Platform et disponibles dans le lac de données avant que Data Distiller puisse les interroger. La Distiller de données interroge les données dans le lac de données. Il n’ingère pas les données lui-même.
Les étapes ci-dessous illustrent le modèle d’attribut dérivé. Le modèle d’audience SQL direct utilise la même approche de calcul et d’actualisation, mais publie l’appartenance à l’audience au lieu d’un attribut de profil réutilisable, comme décrit dans la section Deux façons de diffuser le signal.
- Accès aux données historiques dans le lac de données. L’ensemble de votre historique d’événements (données web, d’application, d’achat et de fidélité) est disponible pour une requête approfondie, sans tenir compte de vos droits de profil.
- Écrivez la requête de transformation. Un ingénieur de données crée une requête SQL qui définit le signal, par exemple l’activité totale au cours des 12 derniers mois mappée à un niveau de fidélité. Voir le guide d’utilisation de Query Editor et le requêtes paramétrées.
- Générer un jeu de données dérivé. Exécutez la requête pour créer un jeu de données dérivé avec une ligne par client, contenant uniquement le signal calculé. Voir Jeux de données dérivés.
- Planifier l’actualisation. Enregistrez la requête et définissez-la pour qu’elle s’exécute à une cadence (quotidienne, hebdomadaire ou selon les besoins de votre cas d’utilisation) afin que le signal reflète toujours la dernière fenêtre. Voir plannings de requête.
- Publier dans le magasin de profils. Le jeu de données dérivé reste dans le lac de données jusqu’à ce que vous le publiiez. La publication favorise la sortie calculée dans le profil client en temps réel, où elle devient disponible dans Créateur de segments pour créer des audiences. De là, vous activez ces audiences par le biais de destinations ou de parcours Adobe Journey Optimizer.
Deux manières de délivrer le signal output-patterns
Vous pouvez diffuser le signal à la banque de profils de deux manières, selon que vous devez enrichir chaque profil ou cibler une audience spécifique.
- Attribut dérivé. Calculez une valeur telle qu’un score ou un niveau et écrivez-la dans chaque profil client, où elle sera réutilisable sur de nombreuses audiences et parcours. Utilisez ceci pour l’enrichissement de profil en cours. Voir Jeux de données dérivés.
- Audience SQL directe. Créez et publiez une appartenance à une audience directement à partir de SQL sans créer d’abord d’attribut dérivé. Utilisez cette option pour une audience de campagne ciblée lorsque vous n’avez pas besoin d’enrichir chaque profil. Voir Création d’audiences à l’aide de SQL.
Confirmation de l’adaptation de Data Distiller when-to-use
Ce guide suppose que Data Distiller est l’approche que vous avez choisie. Il est adapté lorsque votre cas d’utilisation de personnalisation à long terme appelle :
- Résultats mathématiquement précis. Précisez les déciles, les centiles et les scores de classement à partir de jeux de données historiques complets.
- Attributs dérivés sur chaque profil. Une valeur calculée telle que
loyalty_tierouchurn_risk_scoreréécrite dans chaque profil client et réutilisable dans chaque audience et parcours en aval. - Actualisation automatisée et planifiée. Un signal qui recalcule à une cadence fixe sans intervention manuelle après la configuration.
- Transformations répétables et bien définies. Cas d’utilisation dans lesquels vous pouvez définir le calcul à l’avance dans SQL.
Data Distiller est utilisé par les ingénieurs de données et les analystes SQL. Une fois qu’un signal est publié, les spécialistes du marketing et les responsables de campagnes peuvent l’utiliser dans le créateur de segments et Adobe Journey Optimizer sans aucune connaissance technique.
Exemple de cas d’utilisation : notation des déciles de fidélité des compagnies aériennes example
Prenons l’exemple d’une compagnie aérienne qui stocke deux années d’événements de transactions de vol dans Experience Platform et qui souhaite offrir des mises à niveau de sièges à ses 10 % de grands voyageurs, sans augmenter le volume total de données en conservant tous ces événements dans la boutique Profile.
Avec Data Distiller, un ingénieur de données interroge les 12 derniers mois de transactions de vol à partir du lac de données, classe les membres du programme de fidélité en déciles par nombre de miles parcourus et écrit un seul attribut dérivé par client : leur rang et leur libellé de niveau de décile. Ils planifient l’actualisation de la requête toutes les semaines et ne publient que l’attribut dérivé dans la banque de profils. Les marketeurs créent ensuite une audience « Décile 10 » et activent une offre de mise à niveau dans Adobe Journey Optimizer.
Pour la présentation SQL complète étape par étape de ce scénario, voir Création de jeux de données dérivés par décile.
Signaux courants à calculer common-signals
Utilisez la Distiller de données pour calculer des exemples de sortie tels que ceux-ci à partir d’historiques longs :
- Les audiences basées sur le classement, telles que les 10 % des meilleurs acheteurs ou les cohortes qui dépensent le plus
- Valeur de durée de vie client et modèles monétaires à fréquence de récence (RFM)
- Score du risque de résiliation
- Score de propension et affinité du produit
Veiller à ce que le magasin de profils reste propre keep-lean
La dérivation de signaux avec Data Distiller empêche les nouvelles données historiques d’accéder à la banque de profils. Pour gérer les données déjà présentes par le biais de la surveillance des droits de licence, des filtres d’ingestion et de l’hygiène des jeux de données, consultez Bonnes pratiques relatives aux droits de licence de gestion des données .
Étapes suivantes next-steps
Utilisez ces ressources pour implémenter et étendre la solution :