Scegli l’approccio di personalizzazione a lungo termine giusto
Personalizzazione a lungo termine significa adattare un’esperienza in tempo reale in base al comportamento del cliente, che dura sei mesi, un anno o più. Puoi supportare questi casi d’uso senza memorizzare anni di cronologia degli eventi non elaborati nell’archivio Profili: conserva la cronologia dettagliata nel livello analitico, ricava un segnale compatto da esso e promuovi solo tale segnale per l’attivazione. Questa guida alle decisioni mette a confronto gli approcci disponibili e ti aiuta a scegliere quello che si adatta alla tua architettura. Spiega quando, perché e quale approccio utilizzare. Per i passaggi di configurazione e la sintassi SQL, consulta la documentazione del prodotto collegata.
Questa guida è destinata agli architetti di soluzioni, agli architetti di piattaforme e ai responsabili tecnici delle decisioni che valutano approcci di personalizzazione a lungo termine in Experience Platform. È necessario avere familiarità con profili, tipi di pubblico, data lake e archivio profili.
Perché la cronologia a lungo termine non appartiene all’archivio profili customer-problem
Molte organizzazioni accumulano grandi quantità di dati storici sugli eventi nell’archivio Profili partendo dal presupposto che una maggiore quantità di dati memorizzati produca una personalizzazione migliore. In pratica, questo aumenta le dimensioni dell’archivio profili e il diritto a Volume di dati totale senza migliorare le esperienze ricevute dai clienti.
I casi di utilizzo della personalizzazione a lungo termine sono comuni nei settori con cicli di acquisto lunghi o relazioni cliente in lenta evoluzione:
- Un cliente di servizi finanziari che ha aperto un conto di risparmio 18 mesi fa e ora sta cercando prodotti ipotecari.
- Un acquirente al dettaglio che ha navigato nell’inventario stagionale lo scorso anno ma non ha mai acquistato.
- Un volantino frequente di una compagnia aerea il cui livello di fedeltà riflette 12 mesi di attività cumulativa.
- Un cliente di telecomunicazioni che si è inabissato otto mesi fa e da allora è ritornato, identificabile come a rischio da un comportamento storico.
In ogni caso, i dati rilevanti sono storici, ma il momento di personalizzazione deve avvenire in tempo reale. Il problema si verifica quando le organizzazioni memorizzano tutta la cronologia a livello di evento direttamente nell’archivio Profili per supportare tali momenti.
L’archivio profili è ottimizzato per velocità, non per volume, e ogni record che contiene conta per il tuo diritto Volume totale dati. Gli eventi non elaborati di 12, 18 o 24 mesi fa sono utili per l’analisi, ma raramente devono risiedere nell’archivio Profili per supportare l’attivazione.
Come identificare un caso di utilizzo di personalizzazione a lungo termine identify
Per determinare se nell’archivio profili vengono inserite richieste analitiche che vanno oltre l’ambito previsto, utilizza le domande seguenti. Se si applicano due o più, è probabile che si verifichi un caso di utilizzo di personalizzazione a lungo termine che un’architettura di segnale derivato sarebbe utile in modo più efficiente.
- Quanto indietro nel tempo appare la logica di segmentazione? I tipi di pubblico creati con logica “in qualsiasi momento” o intervalli di lookback superiori a 30-90 giorni sono un segnale forte.
- Ti stai avvicinando o stai superando il tuo diritto Volume dati totale? In tal caso, esamina la quantità di dati evento storici che viene raramente utilizzata per l’attivazione in tempo reale.
- Qual è la durata configurata nei dati del profilo? L’assenza di TTL, o un TTL di 12 o più mesi, indica che gli eventi non elaborati si stanno probabilmente accumulando senza un chiaro scopo di attivazione.
- Il tuo settore è caratterizzato da lunghi cicli di acquisto? Mutui, assicurazioni, contratti B2B, vendite al dettaglio stagionali e premi di viaggio implicano relazioni che evolvono nel corso di mesi o anni.
- Data Distiller o Customer Journey Analytics è concesso in licenza ma non è utilizzato per la creazione di tipi di pubblico? Questi strumenti sono progettati per il lavoro di analisi che potrebbe essere richiesto all’archivio profili di fare.
Se queste domande puntano a un modello di personalizzazione a lungo termine, il passaggio successivo consiste nel capire a dove appartiene ogni tipo di dati in Experience Platform.
Dove dovrebbero vivere i dati: flussi di lavoro analitici e coinvolgenti workflows
Experience Platform archivia i dati in due archivi destinati a flussi di lavoro diversi. La corrispondenza di ogni set di dati con il flusso di lavoro supportato rappresenta la base di un’architettura di personalizzazione efficiente a lungo termine.
Il principio guida è personalizzare il segnale, non la cronologia non elaborata. Non è necessario memorizzare anni di eventi comportamentali non elaborati nell’archivio Profili per sapere che un cliente si qualifica come membro del livello fedeltà, acquirente di valore elevato o abbandonante a rischio. Puoi calcolare tali etichette dai dati storici nel flusso di lavoro analitico e memorizzare solo l’etichetta (il segnale) nell’archivio Profili. La cronologia non elaborata rimane nel data lake, dove non viene conteggiata per l’adesione al profilo.
Architettura consigliata architecture
L’architettura consigliata separa lo storage a lungo termine dall’attivazione in tempo reale:
- I dati dell’evento del cliente si accumulano nel data lake. I record Web, app, acquisto, fedeltà e offline vengono conservati a pieno spessore storico senza contribuire all’adesione al profilo.
- Il flusso di lavoro analitico ricava un segnale. Le query o le analisi trasformano mesi o anni di storia in un output compatto: un livello di fedeltà, un punteggio relativo al rischio di abbandono, una classificazione del valore del ciclo di vita o un pubblico qualificato.
- Il segnale è stato promosso all’archivio profili. Solo l’output, non la cronologia degli eventi sottostante, entra nel flusso di lavoro del coinvolgimento.
- Real-Time Customer Data Platform e Adobe Journey Optimizer vengono attivati sul segnale. Il livello di attivazione funziona su dati snelli e correnti e risponde in millisecondi.
Gli approcci descritti in questa guida sono diversi modi per eseguire i passaggi 2 e 3. Prima di scegliere uno dei due, verifica che il tuo caso d’uso richieda effettivamente un flusso di lavoro analitico che vada oltre Real-Time CDP e Adobe Journey Optimizer.
Prima di scegliere: confermare di avere un’esigenza a lungo termine qualifier
Non tutte le organizzazioni hanno bisogno di un approccio analitico. Se tutta la logica di segmentazione e personalizzazione funziona all’interno di una finestra comportamentale di 30-90 giorni e gli attributi di profilo correnti più gli eventi recenti nell’archivio profili contengono tutto ciò che le tue decisioni richiedono, allora Real-Time CDP e Adobe Journey Optimizer da soli sono sufficienti. Non sono necessari strumenti aggiuntivi e l’attivazione viene eseguita direttamente dall’archivio profili.
Questa linea di base è il punto di partenza, non un quarto approccio. Questo limite è il punto in cui gli approcci rimanenti forniscono un valore aggiuntivo: quando la logica di segmentazione si estende oltre i 30-90 giorni, o la personalizzazione dipende da insight derivata da mesi o anni di storia, la memorizzazione di tale cronologia nell’archivio dei profili aumenta il volume totale dei dati senza migliorare i risultati. Se la diagnosi di cui al paragrafo precedente indicava una necessità a lungo termine, scegli uno dei tre approcci che seguono.
Selettore rapido quick-chooser
Se conosci già il tuo obiettivo, utilizza questa tabella per trovare un probabile punto di partenza, quindi leggi le sezioni di approccio e la guida alla decisione per confermare.
Scegli un approccio analitico approaches
Ogni approccio descritto di seguito descrive cosa fa, quando usarlo, e i suoi punti di forza e limiti. Passa all’approccio a cui il selettore rapido ti ha indicato o leggi tutti e tre per confrontarli.
Data Distiller data-distiller
Per eseguire query, trasformare e arricchire dati in scala utilizzando SQL, utilizzare Data Distiller, un componente aggiuntivo di Experience Platform. Per la personalizzazione a lungo termine, legge i dati storici degli eventi dal data lake, applica la logica di trasformazione e scrive solo il segnale risultante nell’archivio Profili.
Utilizzando SQL, un data engineer definisce la logica di trasformazione e produce un set di dati derivato, un output compatto come un livello di fedeltà o un punteggio di abbandono. L’aggiornamento automatico della query è pianificato e pubblica solo il segnale nell’archivio Profili. Data Distiller può anche generare e pubblicare tipi di pubblico direttamente da SQL senza prima creare un attributo derivato.
- Ideale per: punteggio fedeltà e abbandono, valore del ciclo di vita, classificazioni decile e percentile, modelli RFM e aggiornamento periodico automatico.
- Punti di forza: produce output matematicamente esatti, si aggiorna automaticamente secondo una pianificazione e mantiene i dati non elaborati nel data lake.
- Limitazioni: richiede SQL e un data engineer. La trasformazione deve essere definita in anticipo, quindi non è adatta per l’analisi esplorativa.
Per implementare questo approccio, incluso un esempio di lavoro end-to-end, vedi Personalizzazione a lungo termine con Data Distiller.
Customer Journey Analytics customer-journey-analytics
Per analizzare il comportamento dei clienti nei diversi canali e nel tempo, utilizza Customer Journey Analytics. Per la personalizzazione a lungo termine, fornisce un ambiente visivo senza codice per esplorare percorsi storici e un percorso diretto (Pubblicazione dei tipi di pubblico) per promuovere i tipi di pubblico risultanti nell’archivio Profili.
Non è necessario abilitare i dati storici analizzati in Customer Journey Analytics per l’archivio Profili, pertanto mesi o anni di cronologia eventi possono risiedere lì senza contare per il diritto Volume totale dati.
Gli analisti esplorano visivamente i percorsi su qualsiasi orizzonte temporale, combinano criteri comportamentali in un pubblico e li pubblicano nell’archivio Profili, dove diventano disponibili in Real-Time CDP e Adobe Journey Optimizer. I tipi di pubblico possono essere pubblicati una volta per una campagna o aggiornati automaticamente.
- Ideale per: tipi di pubblico rilevati tramite esplorazione, analisi di percorso multicanale, campagne di ricoinvolgimento e tipi di pubblico una tantum associati a un evento specifico.
- Punti di forza: self-service per analisti e addetti al marketing, senza SQL richiesto. Esplorazione prima di tutto, in modo che le definizioni del pubblico possano emergere dai dati. Pubblica nell’attivazione in pochi minuti.
- Limitazioni: output sono appartenenze di pubblico, non attributi calcolati riscritti in ogni profilo. La precisione basata sui filtri è approssimativa anziché esatta.
Composizione di pubblico federato federated-audience-composition
Per creare e qualificare i tipi di pubblico direttamente dai dati in un data warehouse aziendale esterno, senza spostare i dati sottostanti in Experience Platform, utilizza Composizione pubblico federata. Le definizioni del pubblico vengono applicate ai dati di warehouse utilizzando un’area di lavoro per la composizione senza codice e solo l’iscrizione del pubblico risultante viene inviata ad Experience Platform per l’attivazione.
- Ideale per: organizzazioni i cui dati storici sono il sistema di record in un data warehouse come Snowflake, Databricks, Google BigQuery o Amazon Redshift e che desiderano attivarli senza un progetto di acquisizione completa.
- Punti di forza: i dati sottostanti non lasciano mai il magazzino, il che soddisfa i requisiti di governance e sovranità. Non è richiesta l’acquisizione su larga scala.
- Limitazioni: dipendenti dalla connettività e dalla composizione del magazzino. L’attivazione è limitata all’iscrizione al pubblico.
Confrontare gli approcci comparison
La tabella seguente confronta i tre approcci. Real-Time CDP e Adobe Journey Optimizer da soli rimangono la linea di base per i casi d’uso che richiedono solo dati recenti, come descritto in Prima di scegliere.
Decidere quale approccio utilizzare decision-guide
Il selettore rapido fornisce un punto di partenza. Per risolvere casi sfumati o combinati, utilizza le domande seguenti.
Sono necessari output matematicamente precisi? Se il caso d’uso richiede una classificazione esatta (ad esempio, il primo 10% dei clienti per una metrica calcolata o un valore del ciclo di vita nell’ottavo decile), scegli Data Distiller. Se non riesci a definire il calcolo con precisione in anticipo, inizia con Customer Journey Analytics.
Stai iniziando dall’esplorazione? Se non sai ancora come si presenta il pubblico e vuoi scoprire i modelli visivamente, inizia con Customer Journey Analytics. Una volta convalidato un pattern, un ingegnere dati può creare una versione pianificata con un punteggio di precisione in Data Distiller, se necessario.
È necessario un attributo di profilo riutilizzabile o un pubblico occasionale? Data Distiller scrive un attributo derivato, ad esempio un punteggio o un livello, in ogni profilo e può ricalcolarlo automaticamente in base a una pianificazione. Utilizzalo quando il segnale deve essere riutilizzabile in molti tipi di pubblico e percorsi. Customer Journey Analytics pubblica invece un’iscrizione al pubblico, che si adatta a un pubblico della campagna o a una definizione di percorso in più passaggi creata senza coinvolgimento del team tecnico.
Che cosa consentono la posizione dei dati e le licenze? Se i dati storici devono rimanere in un data warehouse esterno, utilizza Federated Audience Composition. In caso contrario, lascia che siano gli strumenti per i quali hai concesso la licenza e la disponibilità del supporto tecnico a guidare la scelta.
Mantieni l’archivio dei profili snello keep-lean
La scelta dell’approccio corretto evita che i nuovi dati storici vengano memorizzati nell’archivio Profili. Gestire attivamente ciò che è già disponibile è una pratica complementare e continua per ogni implementazione. Invece di ripetere questa guida qui, utilizza la risorsa dedicata:
- Per il monitoraggio dell’adesione alla licenza, i filtri di acquisizione e l’igiene dei set di dati, consulta Best practice per l’adesione alla licenza di gestione dati.
Passaggi successivi next-steps
La personalizzazione a lungo termine non richiede la memorizzazione di anni di dati evento non elaborati nell’archivio Profili. Richiede di ricavare il giusto segnale da quella storia e di rendere disponibile solo quel segnale per l’attivazione in tempo reale. Conferma di avere un’esigenza a lungo termine, scegli l’approccio che si adatta all’architettura e al team e segui la documentazione del prodotto collegata per implementarlo.