Adobe Experience Platform Data Distillerで価値を最大限に高めるためのトップヒント - OS656

このページには、Adobe Summit セッション「OS656 - Adobe Experience Platform Data Distillerで価値を最大化するためのトップヒント」で学んだことを適用できるサンプルデータセットが含まれています。 リアルタイム顧客プロファイルデータを強化して、Adobe Real-Time Customer Data PlatformとJourney Optimizerの実装を高速化する方法を説明します。 このエンリッチメントでは、顧客の行動パターンに関する深いインサイトを活用して、エクスペリエンスの配信および最適化のためのオーディエンスを構築します。

Luma のケーススタディを通じて、ユーザーの行動データを分析し、最新性、頻度、通貨（RFM） モデルを作成します。これは、購入パターンに基づいて顧客をセグメント化するためのマーケティング分析手法です。

前提条件

このユースケースを実行するには、Adobe Experience Platform インスタンスが Data Distiller のライセンスを取得している必要があります。 詳しくは、Adobe担当者にお問い合わせください。

また、クエリの実行に必要な 組織のテナント ID を把握している必要があります。 テナント ID は、Experience Platformにログインした際の URL の最初の部分で、@記号の直後に表示されます。

例として、次の URL を見てみましょう。

https://experience.adobe.com/#/@pfreportingonprod/sname:prod/platform/home

テナント ID は pfreportingonprod です。

RFM モデルの概要 rfm-overview

RFM は、リーセンシー（R）、フリークエンシー（F）、通貨（M）の略で、顧客のセグメント化と分析に対するデータ駆動型アプローチです。 この方法では、顧客の行動の 3 つの重要な側面、つまり、顧客が購入を行った最近、関与の頻度、支出の額を評価します。 これらの要因を定量化することで、企業は顧客セグメントに関する実用的なインサイトを得て、個々の顧客のニーズをより適切に満たすターゲットマーケティング戦略を開発できます。

RFM モデルを使用した顧客の行動について understand-customer-behavior

RFM モデルでは、3 つの主要なパラメータを使用して、トランザクション動作に基づいて顧客をセグメント化します。

これらの要因を組み合わせることで、企業は数値スコア（通常は 1～4 のスケール）を各顧客に割り当てます。 スコアが低いほど、転帰が良好であることを示す。 例えば、すべてのカテゴリの顧客スコアリング 1 は、最近のアクティビティ、高いエンゲージメント、重要な支出を示す、最も優れた指標の 1 つと見なされます。

RFM モデルの利点と制限事項 benefits-and-limitations

すべてのマーケティングモデリング技術には、メリットと制限の両方を提供するトレードオフが含まれます。 RFM モデリングは、顧客の行動を理解し、マーケティング戦略を調整するための貴重なツールです。 その利点には、顧客をセグメント化してメッセージングをパーソナライズしたり、収益を最適化したり、応答率、保持率、満足度、顧客生涯価値（CLTV）を向上させたりすることが含まれます。

ただし、RFM モデリングには制限があります。 最新性、頻度、金銭的価値に基づいてセグメント内の均一性を前提としているので、顧客行動が単純化されすぎる可能性があります。 また、モデルはこれらの要因に同じ重みを割り当てるため、顧客の価値を誤解する可能性があります。 さらに、製品固有の特性や顧客の好みなどのコンテキストは考慮されておらず、購買行動の誤解を招く可能性があります。

動的 RFM スコアベースの SQL オーディエンスの作成 build-a-dynamic-rfm-audience

次のインフォグラフィックは、このチュートリアルで説明する RFM SQL オーディエンス作成ワークフローの概要を示しています。

Luma のケーススタディを開始する前に、サンプルデータセットを取り込む必要があります。 まず、​ リンクを選択して、luma_web_data.zip のデータセットをローカルにダウンロードします ​。 サンプルデータセットは、ユースケースに合わせるために、圧縮.zip 形式の CSV ファイルです。 Adobe Acrobatまたはオペレーティング システムに組み込まれているユーティリティなどの信頼できるファイル解凍ツールを使用して、この ZIP ファイルを解凍します。 実際には、通常、Adobe Analytics、Adobe CommerceまたはAdobe web/モバイル SDKからデータを取得します。

このチュートリアルでは、Data Distillerを使用して、関連するイベントやフィールドを標準化された CSV 形式に抽出します。 効率と使いやすさを確保するために、フラットなデータ構造を維持しながら、必須フィールドのみを含めることを目標としています。

手順 1:CSV データをExperience Platformにアップロードする upload-csv-data

次の手順に従って、CSV ファイルをAdobe Experience Platformにアップロードします。

CSV ファイルからのデータセットの作成 create-a-dataset

Experience Platform UI の左側のナビゲーションパネルで データセット」を選択し、次に データセットを作成 を選択します。 次に、使用可能なオプションから CSV ファイルからデータセットを作成 を選択します。

​ データセットを設定 ​ パネルが表示されます。 「名前」フィールドにデータセット名「luma_web_data」と入力し、「次へ」を選択します。

​ データを追加 ​ パネルが表示されます。 CSV ファイルを データを追加 ボックスにドラッグ&ドロップするか、「ファイルを選択 を選択して、ファイルを参照してアップロードします。

このプロセスについて詳しくは、データセット UI ガイドの ​ バッチ取り込みのチュートリアル ​ および ​ データセット作成ワークフロー ​ を参照してください。

アップロードのレビューと完了 review-and-complete-upload

ファイルがアップロードされると、UI の下部にデータプレビューが表示されます。 「完了」を選択して、アップロードを完了します。

「luma_web_data」データセットのデータセットアクティビティビューが表示されます。 CSV ファイルの手動アップロード
はバッチとして取り込まれ、​ バッチ ID で識別されます。 右側のパネルには、テーブル名が luma_web_data のように表示されます。

データの処理が完了したら、右上隅の ​ データセットをプレビュー ​ を選択して、データセットをプレビューします。 データセットプレビューは次のように表示されます。

スキーマに関する考慮事項 schema-considerations

構造化された XDM スキーマ（レコード、イベント、B2B スキーマなど）は、データが生の CSV ファイルとしてインポートされるので、必要ありません。 代わりに、データセットではアドホックスキーマを使用します。

Data Distillerではすべてのスキーマタイプをサポートしていますが、リアルタイム顧客プロファイルに取り込む最終的なデータセットでは、レコード XDM スキーマを使用します。

手順 2：データレイクに接続し、使用可能なデータセットを調べる connect-to-the-data-lake-and-explore-datasets

次の手順では、Adobe Experience Platform Data Lake でデータを調べて、精度と整合性を確保します。 有意義なインサイトを生成するには、データが正確で完全である必要がありますが、データ転送中にエラー、不整合、または値の欠落が発生する場合があります。 これにより、データの検証と探索が不可欠になります。

Data Distillerを使用して、様々な操作によるデータセットの品質と完全性を検証します。 取り込み中にデータが正確に翻訳されたことを確認するには、SELECT クエリを実行して、データの検査、検証、分析を行います。 このプロセスは、不一致、不整合、情報の欠落を特定して解決するのに役立ちます。

基本的な検索クエリの実行 basic-exploration-queries

Adobe Experience Platform UI の左側のナビゲーションパネルで「クエリ」を選択し、「クエリを作成」を選択します。 クエリエディターが表示されます。

次のクエリをエディターに貼り付けて実行します。

SELECT * FROM luma_web_data;

クエリ結果は、「結果 タブのクエリエディターの下に表示されます。 新しいダイアログで結果を展開するには、「結果を表示」を選択します。 結果は、次の画像のようになります。

詳しくは、​ クエリ実行の一般的なガイダンス ​ ドキュメントを参照してください。

注文にフォーカスし、キャンセルされたトランザクションを除外します focus-orders-exclude-cancelled

RFM モデルは、完了した購入に基づいてリーセンシー、頻度、および金銭的価値を評価します。 ページビューやチェックアウトインタラクションなどの、トランザクション以外のイベントは、分析から除外されます。 さらに、キャンセルされた注文は、有効な RFM 計算に影響を与えず、別の処理アプローチを必要とするため、削除する必要があります。

精度を確保するには：

次のクエリは、キャンセルされた注文を特定してデータセットから除外する方法を示しています。

この最初のクエリでは、キャンセルに関連付けられたすべての null 以外の購入 ID を選択し、GROUP BY を使用してそれらを集計します。 結果の購入 ID は、データセットから除外する必要があります。

CREATE VIEW orders_cancelled
AS
  SELECT purchase_id
  FROM   luma_web_data
  WHERE  event_type IN ( 'order', 'cancellation' )
         AND purchase_id IS NOT NULL
  GROUP  BY purchase_id
  HAVING Count(DISTINCT event_type) = 2;

2 番目のクエリでは、この除外セットにない購入 ID のみを取得します。

SELECT *
FROM   luma_web_data
WHERE  purchase_id NOT IN (SELECT purchase_id
                           FROM   orders_cancelled)
        OR purchase_id IS NULL;

3 番目のクエリでは、順序以外のすべてのイベントをデータセットから削除します。

SELECT *
FROM   luma_web_data
WHERE  event_type = 'order'
       AND purchase_id NOT IN (SELECT purchase_id
                               FROM   orders_cancelled);

手順 3:Data Distiller関数を使用したデータのエンリッチメント enrich-the-data

次に、Data Distillerを使用して、顧客データの抽出と変換、RFM スコアの生成、トランザクションの集計、購買行動による顧客のセグメント化を行います。 次の手順に従って、最新性、頻度および通貨（RFM）値の計算、オーディエンスモデルの作成、アクティベーションに関するインサイトの準備を行います。

一意のユーザー ID ごとに RFM スコアを計算します

RFM スコアを計算するには、フィールド フィルタリングを使用して生データからキーフィールドを抽出します。

すべての注文には電子メールでのログインが必要なので、次のクエリは、userid として電子メールを選択することで、前のセクションのロジックに基づいて構築されます。 Data Distillerは、TO_DATE 関数を適用してタイムスタンプを日付形式に変換します。 total_revenue フィールドは、各トランザクションの価格を表し、後で各トラン userid クションの合計によって集計されます。

SELECT email AS userid,
       purchase_id AS purchaseid,
       price_total AS total_revenue, -- reflects the price for each individual transaction
       TO_DATE(timestamp) AS purchase_date -- converts timestamp to date format
FROM luma_web_data
WHERE event_type = 'order'
      AND purchase_id NOT IN (SELECT purchase_id FROM orders_cancelled)
      AND email IS NOT NULL;

結果は次の画像のようになります。

次に、前のクエリの結果を派生データセットに保存する TABLE を作成します。 次のコマンドをコピーしてクエリエディターに貼り付け、TABLE を作成します。

CREATE TABLE IF NOT EXISTS order_data AS
  SELECT email              AS userid,
         purchase_id        AS purchaseid,
         price_total        AS total_revenue,
         To_date(timestamp) AS purchase_date
  FROM   luma_web_data
  WHERE  event_type = 'order'
         AND purchase_id NOT IN (SELECT purchase_id FROM orders_cancelled)
         AND email IS NOT NULL;

結果は次の画像に似ていますが、データセット ID が異なります。

ベストプラクティスとして、簡単な調査クエリを実行して、データセット内のデータを調べます。 次のステートメントを使用して、データを表示します。

SELECT * FROM order_data;

トランザクションを集計して RFM 値を生成します aggregate-transactions

RFM 値を計算するために、このクエリは各ユーザーのトランザクションを集約します。

DATEDIFF(CURRENT_DATE, MAX(purchase_date)) AS days_since_last_purchase 関数は、各ユーザーの最新の購入からの経過日数を計算します。

次の SQL クエリを使用します。

SELECT
    userid,
    DATEDIFF(CURRENT_DATE, MAX(purchase_date)) AS days_since_last_purchase,
    COUNT(purchaseid) AS orders,
    SUM(total_revenue) AS total_revenue
FROM order_data
GROUP BY userid;

結果は次の画像のようになります。

クエリの効率と再利用性を向上させるには、集計された RFM 値を格納する VIEW を作成します。

CREATE VIEW rfm_values
AS
  SELECT userid,
         DATEDIFF(current_date, MAX(purchase_date)) AS days_since_last_purchase,
         COUNT(purchaseid)                          AS orders,
         SUM(total_revenue)                         AS total_revenue
  FROM   order_data
  GROUP BY userid;

結果は、次の画像に似ていますが、ID が異なります。

ここでも、ベストプラクティスとして、簡単な探索クエリを実行して、ビューのデータを調べます。 次のステートメントを使用します。

SELECT * FROM rfm_values;

次のスクリーンショットは、各ユーザの計算された RFM 値を表示するクエリのサンプル結果を示しています。 結果は、CREATE VIEW クエリのビュー ID に対応します。

RFM 多次元キューブの生成 generate-multi-dimensional-cube

RFM スコアに基づいて顧客をセグメント化するには、RFM 複数ディメンション キューブを使用します。 NTILE ウィンドウ関数は、値をランク付けされたグループに並べ替え、各ディメンションを 4 つの等しいグループ（四分位数）に分割して、構造化されたセグメント化を可能にします。

次の SQL 問合せを実行して、RFM 多次元キューブを生成します。

SELECT userid,
       days_since_last_purchase,
       orders,
       total_revenue,
       5 - NTILE(4)
             OVER (
               ORDER BY days_since_last_purchase DESC) AS recency,
       NTILE(4)
         OVER (
           ORDER BY orders DESC)                       AS frequency,
       NTILE(4)
         OVER (
           ORDER BY total_revenue DESC)                AS monetization
FROM rfm_values;

結果は次の画像のようになります。

次に、次の文を使用して、このデータの VIEW を作成します。

RFM 多次元キューブの VIEW を作成すると、事前にセグメント化されたデータが保存されるため、将来のクエリで RFM スコアを再計算する必要がなくなります。 これにより、SQL 文を簡素化し、データの一貫性を確保し、再利用性を高めて詳細な分析を行うことができます。

CREATE OR replace VIEW rfm_scores
AS
  SELECT userid,
         days_since_last_purchase,
         orders,
         total_revenue,
         5 - NTILE(4)
               over (
                 ORDER BY days_since_last_purchase DESC) AS recency,
         NTILE(4)
           over (
             ORDER BY orders DESC)                       AS frequency,
         NTILE(4)
           over (
             ORDER BY total_revenue DESC)                AS monetization
  FROM   rfm_values;

結果は次の画像に似ていますが、ビュー ID が異なります。

RFM セグメントのモデル化 model-rfm-segments

RFM スコアを計算すると、顧客は次の 6 つの優先度セグメントに分類できます。

アクセスと再利用を効率化するには、RFM のセグメント、スコア、および値を保存する VIEW を作成します。

次の SQL の CASE ステートメントでは、RFM スコアに基づいて顧客をセグメントに分類し、その結果を RFM_Model 変数に割り当てます。

CREATE OR replace VIEW rfm_model_segment
AS
  SELECT userid,
         days_since_last_purchase,
         orders,
         total_revenue,
         recency,
         frequency,
         monetization,
         CASE
           WHEN recency = 1
                AND frequency = 1
                AND monetization = 1 THEN '1. Core - Your Best Customers'
           WHEN recency IN( 1, 2, 3, 4 )
                AND frequency = 1
                AND monetization IN ( 1, 2, 3, 4 ) THEN
           '2. Loyal - Your Most Loyal Customers'
           WHEN recency IN( 1, 2, 3, 4 )
                AND frequency IN ( 1, 2, 3, 4 )
                AND monetization = 1 THEN
           '3. Whales - Your Highest Paying Customers'
           WHEN recency IN( 1, 2, 3, 4 )
                AND frequency IN ( 1, 2, 3 )
                AND monetization IN( 2, 3, 4 ) THEN
           '4. Promising - Faithful customers'
           WHEN recency = 1
                AND frequency = 4
                AND monetization IN ( 1, 2, 3, 4 ) THEN
           '5. Rookies - Your Newest Customers'
           WHEN recency IN ( 2, 3, 4 )
                AND frequency = 4
                AND monetization IN ( 1, 2, 3, 4 ) THEN
           '6. Slipping - Once Loyal, Now Gone'
         END RFM_Model
  FROM   rfm_scores;

生成された VIEW は、以前の作成と同じ構造に従いますが、異なる ID を持ちます。

ベストプラクティスとして、簡単な探索クエリを実行して、ビューのデータを調べます。 次のステートメントを使用します。

SELECT * FROM rfm_model_segment;

次のスクリーンショットは、セグメント化された RFM モデル データを示す SELECT * FROM rfm_model_segment; クエリのサンプル結果を示しています。 出力には、RFM スコアに基づいて割り当てられた顧客セグメントなど、生成された VIEW ークフローの構造が反映されています。

手順 4:SQL を使用して RFM データをリアルタイム顧客プロファイルにバッチ取り込む sql-batch-ingest-rfm-data

次に、RFM でエンリッチメントされた顧客データをリアルタイム顧客プロファイルにバッチで取り込みます。 まず、プロファイル対応データセットを作成し、SQL を使用して変換されたデータを挿入します。

RFM 属性を格納する派生データセットの作成 create-a-derived-dataset

このデータセットはプロファイルストアに取り込まれるので、パーティションキーが必要です。

RFM 属性を保存し、プライマリ ID を割り当てるための空のデータセットを作成します。

この SQL 文では、次のようになります。

クエリエディターは順次実行をサポートしているので、テーブル作成クエリとデータ挿入クエリを 1 つのセッションに含めることができます。 次の SQL では、まず、RFM 属性を格納するプロファイル対応テーブルを作成します。 次に、rfm_model_segment から RFM で強化された顧客データを adls_rfm_profile テーブルに挿入し、リアルタイム顧客プロファイルの取り込みに必要な、テナント固有の名前空間の下で各レコードを構造化します。

クエリエディターは順次実行をサポートしているので、テーブル作成クエリとデータ挿入クエリを 1 つのセッションで実行できます。 次の SQL では、まず、RFM 属性を格納するプロファイル対応テーブルを作成します。 次に、rfm_model_segment から RFM を拡張した顧客データを adls_rfm_profile テーブルに挿入し、各レコードがテナント固有の名前空間（_{TENANT_ID}）の下で適切に構造化されるようにします。 この名前空間は、リアルタイム顧客プロファイルの取り込みと正確な ID 解決に不可欠です。

CREATE TABLE IF NOT EXISTS adls_rfm_profile (
    userId TEXT PRIMARY IDENTITY NAMESPACE 'Email',
    days_since_last_purchase INTEGER,
    orders INTEGER,
    total_revenue DECIMAL(18, 2),
    recency INTEGER,
    frequency INTEGER,
    monetization INTEGER,
    rfm_model TEXT
) WITH (LABEL = 'PROFILE');

INSERT INTO adls_rfm_profile
SELECT STRUCT(userId, days_since_last_purchase, orders, total_revenue, recency,
              frequency, monetization, rfm_model) _{TENANT_ID}
FROM rfm_model_segment;

このクエリの結果は、このプレイブック内の以前のデータセットの作成に似ていますが、ID が異なります。

データセットを作成したら、データセット/参照/adls_rfm_profile に移動して、データセットが空であることを確認します。

スキーマ/参照/adls_rfm_profile に移動して、新しく作成したデータセットの XDM 個人プロファイルスキーマ図と、そのカスタムフィールドグループを表示することもできます。

新しく作成された派生データセットへのデータの挿入 insert-data-into-derived-dataset

次に、rfm_model_segment VIEW からのデータを adls_rfm_profile に挿入します。これは、リアルタイム顧客プロファイルに対して有効になります。

INSERT ステートメントの SELECT クエリのフィールド順序が、rfm_model_segment の構造に完全に一致することを確認してください。 この整列により、rfm_model_segment の値がターゲットテーブルの対応するフィールドに正しく挿入されます。 ソースフィールドとターゲットフィールドの位置ずれは、データの不一致を引き起こす可能性があります。

INSERT INTO adls_rfm_profile
SELECT Struct(userid, days_since_last_purchase, orders, total_revenue, recency,
              frequency, monetization, rfm_model) _{TENANT_ID}
FROM   rfm_model_segment;

完了すると、クエリ出力のコンソールに「クエリ完了」と表示されます。

手順 5: バッチ処理用の問合せのスケジュール設定 schedule-the-query

SQL コードで、派生データセットが生成され、リアルタイム顧客プロファイルに対して有効になったので、次の手順は、特定の間隔で実行するようにクエリをスケジュールして更新を自動化することです。 データセットの自動更新により、手動で実行する必要がなくなります。

クエリの実行スケジュールの設定

SQL を保存した後、「テンプレート」タブに移動し、保存した問合せを表示してスケジューリング・プロセスを開始します。 クエリをスケジュールする方法は 2 つあります。

右側のサイドバーから スケジュールを追加 を選択します。

または、テンプレート名の下にある「スケジュール」タブを選択し、「スケジュールを追加」を選択します。

クエリのスケジュール設定について詳しくは、​ クエリスケジュールのドキュメント ​ を参照してください。

​ スケジュールの詳細 ​ ビューが表示されます。 ここから、次の詳細を入力してスケジュールを設定します。

「保存」を選択して、スケジュールを確定します。

スケジュールを保存したら、いつでも「スケジュール済みクエリ」タブに移動して、スケジュールされた Data Distiller ジョブを監視できます。 ​ クエリ実行ステータス、エラーメッセージおよびアラートの表示 ​ について詳しくは、スケジュールされたクエリの監視のドキュメントを参照してください。

設定が完了すると、SQL クエリは定義された間隔で自動的に実行されるため、手動の介入を必要とせずにデータを最新の状態に保つことができます。

手順 6:RFM ベースのオーディエンスの作成と有効化

このチュートリアルでは、RFM ベースのオーディエンスを作成およびアクティブ化する 2 つの方法があります。

ワークフローに最適なアプローチを選択します。

解決策 1:Data Distillerを使用した SQL オーディエンス data-distiller-sql-audience

CREATE AUDIENCE AS SELECT コマンドを使用して、新しいオーディエンスを定義します。 作成したオーディエンスはデータセットに保存され、Data Distiller の下の オーディエンス ワークスペースに登録されます。

SQL 拡張機能を使用して作成されたオーディエンスは、​ オーディエンス ​ ワークスペースの Data Distiller オリジンに自動的に登録されます。 ​ オーディエンスポータル ​ から、必要に応じてオーディエンスを表示、管理およびアクティブ化できます。

SQL オーディエンスについて詳しくは、Data Distiller Audiences ドキュメント ​ を参照してください。 UI でオーディエンスを管理する方法については、Audiences ポータルの概要 ​ を参照してください。

オーディエンスの作成 create-an-audience

オーディエンスを作成するには、次の SQL コマンドを使用します。

-- Define an audience for best customers based on RFM scores
CREATE AUDIENCE rfm_best_customer
WITH (
    primary_identity = _{TENANT_ID}.userId,
    identity_namespace = queryService
) AS (
    SELECT * FROM adls_rfm_profile
    WHERE _{TENANT_ID}.recency = 1
        AND _{TENANT_ID}.frequency = 1
        AND _{TENANT_ID}.monetization = 1
);

-- Define an audience that includes all customers
CREATE AUDIENCE rfm_all_customer
WITH (
    primary_identity = _{TENANT_ID}.userId,
    identity_namespace = queryService
) AS (
    SELECT * FROM adls_rfm_profile
);

-- Define an audience for core customers based on email identity
CREATE AUDIENCE rfm_core_customer
WITH (
    primary_identity = _{TENANT_ID}.userId,
    identity_namespace = Email
) AS (
    SELECT * FROM adls_rfm_profile
    WHERE _{TENANT_ID}.recency = 1
        AND _{TENANT_ID}.frequency = 1
        AND _{TENANT_ID}.monetization = 1
);

空のオーディエンスデータセットの作成 create-empty-audience-dataset

プロファイルを追加する前に、空のデータセットを作成して、オーディエンスレコードを保存します。

-- Create an empty audience dataset
CREATE AUDIENCE adls_rfm_audience
WITH (
    primary_identity = userId,
    identity_namespace = Email
) AS
SELECT
    CAST(NULL AS STRING) userId,
    CAST(NULL AS INTEGER) days_since_last_purchase,
    CAST(NULL AS INTEGER) orders,
    CAST(NULL AS DECIMAL(18,2)) total_revenue,
    CAST(NULL AS INTEGER) recency,
    CAST(NULL AS INTEGER) frequency,
    CAST(NULL AS INTEGER) monetization,
    CAST(NULL AS STRING) rfm_model
WHERE FALSE;

既存オーディエンスへのプロファイルの挿入 insert-an-audience

既存のオーディエンスにプロファイルを追加するには、INSERT INTO コマンドを使用します。 これにより、既存のオーディエンスデータセットに、個々のプロファイルまたはオーディエンスセグメント全体を追加できます。

-- Insert profiles into the audience dataset
INSERT INTO AUDIENCE adls_rfm_audience
SELECT
    _{TENANT_ID}.userId,
    _{TENANT_ID}.days_since_last_purchase,
    _{TENANT_ID}.orders,
    _{TENANT_ID}.total_revenue,
    _{TENANT_ID}.recency,
    _{TENANT_ID}.frequency,
    _{TENANT_ID}.monetization
FROM adls_rfm_profile
WHERE _{TENANT_ID}.rfm_model = '6. Slipping - Once Loyal, Now Gone';

オーディエンスの削除 delete-an-audience

既存のオーディエンスを削除するには、DROP AUDIENCE コマンドを使用します。 オーディエンスが存在しない場合、IF EXISTS が指定されていない限り例外が発生します。

DROP AUDIENCE IF EXISTS adls_rfm_audience;

解決策 2: RFM 属性を使用してオーディエンスを作成する create-audience-with-rfm-attributes

RFM 属性を使用して、ユーザの動作と特性に基づいてユーザをセグメント化します。 この節では、Adobe Experience Platform UI を使用して、RFM スコアを使用したオーディエンスを定義する方法について説明します。

データがリアルタイム顧客プロファイルに読み込まれていることを確認するには、顧客 ​/​ プロファイル ​/​ 参照 に移動します。 ID 名前空間 を Email として選択し、user0076@example.com と入力します。 プロファイルの詳細をチェックして、期待される RFM 属性が含まれていることを確認します。

既存のオーディエンスを参照するには、左側のナビゲーションパネルから オーディエンス を選択し、「参照 タブが選択されていることを確認します。 サンドボックス内で使用可能なオーディエンスのリストが表示されます。 オーディエンスを選択すると、説明、選定ルールおよび含まれるプロファイル数が表示されます。

新しいオーディエンスを作成するには、右上隅にある オーディエンスを作成 を選択します。 2 つのオプションを含むダイアログボックスが表示されます。 ルールを作成/作成 を選択します。

オーディエンス構成 UI から、プロファイル属性にアクセスできます。 属性 ​ / XDM 個人プロファイル に移動して、使用可能な属性を表示します。

オーディエンス構成の使用について詳しくは、​ オーディエンス構成 UI ガイド ​ を参照してください。 セグメントビルダーの使用について詳しくは、『 ​ セグメントビルダー UI ガイド ​ 』を参照してください。

Data Distillerで作成されたカスタム属性は、サンドボックス名の横に表示されるテナントの名前空間名に一致するフォルダーに保存されます。 これらの属性を使用して、オーディエンスのセグメント化条件を定義できます。

RFM 属性を使用してオーディエンスを作成するには、Rfm_Model 属性を Audience Composer にドラッグ&ドロップします。 これらの属性は、Edge、ストリーミングおよびバッチオーディエンスに使用できます。

オーディエンスを最終決定するには、右上隅の 保存して公開 を選択します。 保存後、新しく作成したオーディエンスが ​ オーディエンス ​ ワークスペースに表示され、その概要と選定条件を確認できます。

セグメントビルダーを使用して、派生 RFM 属性にアクセスし、追加のオーディエンスを設計します。 RFM スコアに基づいて新しく作成した SQL オーディエンスをアクティブ化し、Adobe Journey Optimizerを含む任意の宛先に送信します。