Personalizzazione a lungo termine con Data Distiller
La personalizzazione a lungo termine personalizza un’esperienza in tempo reale utilizzando il comportamento del cliente che dura mesi o anni. Con Data Distiller, puoi supportare questi casi d’uso in modo efficace mantenendo l’archivio profili e il volume totale di dati snello: puoi utilizzare SQL per calcolare un segnale compatto dalla cronologia completa nel data lake, quindi pubblicare solo tale segnale su Real-Time Customer Profile per l’attivazione. Un segnale è l’output della trasformazione SQL, ad esempio un punteggio, un livello, una classificazione o l’appartenenza a un pubblico. Questa guida mostra come implementare tale pattern.
Questa guida è destinata a data engineer, architetti di soluzioni e implementatori tecnici che creano la soluzione. È necessario avere familiarità con le nozioni di base di Experience Platform e SQL.
Come funziona how-it-works
Il flusso di lavoro di Data Distiller per la personalizzazione a lungo termine segue un pattern derivato e promosso: gli eventi storici rimangono nel data lake e solo l’output calcolato viene promosso all’archivio profili. Ogni passaggio seguente contiene collegamenti verso la documentazione dettagliata del prodotto.
Prerequisito: I dati dell’evento storico devono essere già acquisiti in Experience Platform e disponibili nel data lake prima che Data Distiller possa eseguirne la query. Data Distiller esegue query sui dati nel data lake. Non acquisisce i dati di per sé.
I passaggi seguenti illustrano il pattern di attributi derivati. Il modello di pubblico diretto SQL utilizza lo stesso approccio di calcolo e aggiornamento, ma pubblica l’appartenenza al pubblico invece di un attributo di profilo riutilizzabile, come descritto in Due modi per inviare il segnale.
- Accedere ai dati storici nel data lake. Tutta la cronologia degli eventi (dati web, app, acquisti e fidelizzazione) è disponibile per le query a profondità intera, senza contare i diritti al profilo.
- Scrivere la query di trasformazione. Un data engineer crea una query SQL che definisce il segnale, ad esempio l’attività totale negli ultimi 12 mesi mappata a un livello di fedeltà. Consulta la guida utente di Query Editor e query con parametri.
- Genera un set di dati derivato. Esegui la query per creare un set di dati derivato con una riga per cliente, contenente solo il segnale calcolato. Vedi set di dati derivati.
- Pianifica l’aggiornamento. Salva la query e impostala per l’esecuzione su una cadenza (giornaliera, settimanale o come richiesto dal tuo caso d’uso) in modo che il segnale rifletta sempre la finestra più recente. Vedi pianificazioni query.
- Pubblica nell’archivio profili. Il set di dati derivato rimane nel data lake fino alla pubblicazione. La pubblicazione promuove l’output calcolato in Real-Time Customer Profile, dove diventa disponibile in Segment Builder per creare tipi di pubblico. Da qui, puoi attivare tali tipi di pubblico tramite destinazioni Real-Time Customer Data Platform o percorsi Adobe Journey Optimizer.
Due modi per inviare il segnale output-patterns
Puoi inviare il segnale all’archivio profili in due modi, a seconda che sia necessario arricchire ogni profilo o rivolgersi a un pubblico specifico.
- Attributo derivato. Calcola un valore come un punteggio o un livello e scrivilo in ogni profilo cliente, dove è riutilizzabile in molti tipi di pubblico e percorsi. Utilizzalo per un arricchimento continuo del profilo. Vedi set di dati derivati.
- Pubblico SQL diretto. Crea e pubblica un’appartenenza a un pubblico direttamente da SQL senza prima creare un attributo derivato. Utilizzalo per un pubblico di campagne mirato quando non devi arricchire tutti i profili. Consulta generare tipi di pubblico utilizzando SQL.
Conferma adattamenti di Data Distiller when-to-use
Questa guida presuppone che Data Distiller sia l’approccio scelto. È la soluzione giusta quando il caso di utilizzo della personalizzazione a lungo termine richiede:
- Output matematicamente precisi. Decili esatti, percentili e punteggi classificati da set di dati storici completi.
- Attributi derivati su ogni profilo. Valore calcolato come
loyalty_tierochurn_risk_scorescritto in ogni profilo cliente e riutilizzabile in ogni pubblico e percorso a valle. - Aggiornamento automatico pianificato. Un segnale che ricalcola su una frequenza fissa senza alcun intervento manuale dopo la configurazione.
- Trasformazioni ripetibili e ben definite. Casi di utilizzo in cui è possibile definire il calcolo in anticipo in SQL.
Data Distiller viene utilizzato da data engineer e analisti SQL. Dopo la pubblicazione di un segnale, gli esperti di marketing e i responsabili delle campagne possono utilizzarlo in Segment Builder e Adobe Journey Optimizer senza alcuna conoscenza tecnica.
Caso di utilizzo di esempio: punteggio decile fedeltà compagnia aerea example
Prendiamo in considerazione una compagnia aerea che memorizza due anni di eventi di transazione di volo in Experience Platform e che desidera offrire aggiornamenti dei posti al suo 10% di voli frequenti, senza far salire il volume totale di dati mantenendo tutti questi eventi nell’archivio Profili.
Con Data Distiller, un ingegnere dati interroga gli ultimi 12 mesi di transazioni di volo dal data lake, classifica i membri fedeltà in decili in base al totale delle miglia percorse e scrive un singolo attributo derivato per cliente: il loro livello decile e l’etichetta livello. Pianifica l’aggiornamento settimanale della query e pubblica solo l’attributo derivato nell’archivio Profili. Gli addetti al marketing creano quindi un pubblico “Decile 10” e attivano un’offerta di aggiornamento in Adobe Journey Optimizer.
Per informazioni dettagliate sulle istruzioni SQL relative a questo scenario, vedere Creare set di dati derivati basati su decile.
Segnali comuni da calcolare common-signals
Utilizza Data Distiller per calcolare output di esempio simili a quelli ottenuti da lunghe storie:
- Tipi di pubblico basati su classifica, ad esempio il 10% più numeroso degli acquirenti o le coorti che spendono di più
- Valore del ciclo di vita del cliente e modelli RFM (Recency-frequency-monetary)
- Punteggio del rischio di abbandono
- Punteggio tendenza e affinità prodotto
Mantieni l’archivio dei profili snello keep-lean
La derivazione dei segnali con Data Distiller mantiene i nuovi dati storici fuori dall’archivio dei profili. Per gestire i dati già presenti tramite 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
Utilizza queste risorse per implementare ed estendere la soluzione: