Escolha a abordagem de personalização de longo prazo certa
Personalização de longo prazo significa personalizar uma experiência em tempo real com base no comportamento do cliente que se estende por seis meses, um ano ou mais. Você pode oferecer suporte a esses casos de uso sem armazenar anos de histórico de eventos brutos no armazenamento de Perfis: mantenha o histórico detalhado na camada analítica, obtenha um sinal compacto dele e promova apenas esse sinal para ativação. Este guia de decisão compara as abordagens disponíveis e ajuda a escolher aquela que se adapta à sua arquitetura. Ele explica quando, por que e qual abordagem usar. Para obter as etapas de configuração e a sintaxe SQL, siga a documentação do produto vinculada.
Este guia destina-se aos arquitetos de soluções, arquitetos de plataformas e responsáveis por decisões técnicas que avaliam abordagens de personalização de longo prazo no Experience Platform. Ele assume familiaridade com perfis, públicos-alvo, data lake e o armazenamento de perfis.
Por que o histórico de longo prazo não pertence à loja de perfis customer-problem
Muitas organizações acumulam grandes volumes de dados históricos de eventos no armazenamento de perfis com a premissa de que mais dados armazenados produzem uma melhor personalização. Na prática, isso aumenta o tamanho do armazenamento do Perfil e o direito ao Volume total de dados sem melhorar as experiências que seus clientes recebem.
Casos de uso de personalização de longo prazo são comuns em setores com ciclos de compra longos ou relacionamentos de cliente que evoluem lentamente:
- Um cliente de serviços financeiros que abriu uma conta poupança há 18 meses e agora está pesquisando produtos hipotecários.
- Um varejista que navegou pelo inventário sazonal no ano passado, mas nunca comprou.
- Um passageiro frequente de uma companhia aérea cujo nível de fidelidade reflete 12 meses de atividade cumulativa.
- Um cliente de telecomunicações que entrou em churn há oito meses e desde então voltou, identificável como em risco devido ao comportamento histórico.
Em cada caso, os dados relevantes são históricos, mas o momento de personalização deve ocorrer em tempo real. O problema ocorre quando as organizações armazenam todo esse histórico de nível de evento diretamente na loja de Perfis para oferecer suporte a esses momentos.
O armazenamento de perfis é otimizado para velocidade, não volume, e cada registro que mantém conta para o direito ao Volume total de dados. Eventos brutos de 12, 18 ou 24 meses ou mais atrás são valiosos para análise, mas raramente precisam viver no armazenamento de perfis para oferecer suporte à ativação.
Como identificar um caso de uso de personalização de longo prazo identify
Use as seguintes perguntas para determinar se sua organização está colocando demandas analíticas no armazenamento de perfis que vão além do escopo pretendido. Se dois ou mais se aplicam, você provavelmente terá um caso de uso de personalização de longo prazo que uma arquitetura de sinal derivado atenderia com mais eficiência.
- Até que ponto sua lógica de segmentação parece? Os públicos-alvo criados com lógica de “qualquer momento” ou janelas de pesquisa além de 30 a 90 dias são um sinal forte.
- Você está se aproximando ou excedendo seu direito ao Volume Total de Dados? Em caso afirmativo, examine o quanto desse volume são dados históricos de eventos que raramente são usados para ativação em tempo real.
- Que tempo de vida está configurado nos dados do seu Perfil? Sem TTL, ou um TTL de 12 meses ou mais, significa que eventos brutos provavelmente se acumulam sem um propósito de ativação claro.
- Seu setor é caracterizado por longos ciclos de compra? Hipotecas, seguros, contratos B2B, varejo sazonal e recompensas de viagem envolvem relacionamentos que evoluem ao longo de meses ou anos.
- Você tem o Data Distiller ou o Customer Journey Analytics licenciado mas não usado para a criação de públicos-alvo? Essas ferramentas foram projetadas para o trabalho analítico que você pode estar solicitando que a loja de perfis faça no momento.
Se essas perguntas apontarem para um padrão de personalização de longo prazo, a próxima etapa é entender onde cada tipo de dados pertence no Experience Platform.
Onde seus dados devem ficar: fluxos de trabalho analíticos e de engajamento workflows
O Experience Platform armazena dados em dois repositórios que atendem a workflows diferentes. Combinar cada conjunto de dados ao fluxo de trabalho compatível é a base de uma arquitetura de personalização eficiente de longo prazo.
A orientação é personalizar no sinal, não no histórico bruto. Você não precisa armazenar anos de eventos comportamentais brutos na loja de Perfis para saber que um cliente se qualifica como um membro do nível de fidelidade, um comprador de alto valor ou um churner de risco. Você calcula esses rótulos a partir dos dados históricos no fluxo de trabalho analítico e armazena somente o rótulo (o sinal) no armazenamento Perfil. O histórico bruto permanece no data lake, onde não conta para o seu Direito de perfil.
Arquitetura recomendada architecture
A arquitetura recomendada separa o armazenamento de longo prazo da ativação em tempo real:
- Os dados do evento do cliente são acumulados no data lake. Os registros da Web, do aplicativo, da compra, da fidelidade e offline são retidos na profundidade total do histórico, sem contribuir com seus direitos de Perfil.
- O fluxo de trabalho analítico deriva um sinal. Consultas ou análises transformam meses ou anos de histórico em uma saída compacta: um nível de fidelidade, uma pontuação de risco de churn, uma classificação de valor vitalício ou um público qualificado.
- O sinal foi promovido para o repositório de perfis. Somente a saída, não o histórico de eventos subjacente, entra no fluxo de trabalho de envolvimento.
- Real-Time Customer Data Platform e Adobe Journey Optimizer são ativados no sinal. A camada de ativação opera em dados lean, atuais e responde em milissegundos.
As abordagens neste guia são maneiras diferentes de executar as etapas 2 e 3. Antes de escolher entre eles, confirme se seu caso de uso realmente requer um fluxo de trabalho analítico além do Real-Time CDP e do Adobe Journey Optimizer.
Antes de escolher: confirme se você tem uma necessidade de longo prazo qualifier
Nem todas as organizações precisam de uma abordagem analítica. Se toda a sua lógica de segmentação e personalização funcionar em uma janela comportamental de 30 a 90 dias, e os atributos de perfil atuais, além dos eventos recentes no armazenamento de Perfil, contiverem tudo o que suas decisões exigem, o Real-Time CDP e o Adobe Journey Optimizer são suficientes. Nenhuma ferramenta adicional é necessária e a ativação é executada diretamente do armazenamento de perfis.
Essa linha de base é o ponto de partida, não uma quarta abordagem. Esse limite é onde as abordagens restantes fornecem valor adicional: quando a lógica de segmentação se estende além de 30 a 90 dias ou a personalização depende do insight derivado de meses ou anos de histórico, armazenar esse histórico no armazenamento de perfil gera o Volume total de dados sem melhorar os resultados. Se seu diagnóstico na seção anterior apontou para uma necessidade de longo prazo, escolha uma das três abordagens a seguir.
Seletor rápido quick-chooser
Se você já conhece sua meta, use esta tabela para encontrar um provável ponto de partida, em seguida, leia as seções de abordagem e o guia de decisão para confirmar.
Escolha uma abordagem analítica approaches
Cada abordagem abaixo descreve o que faz, quando usá-lo e seus pontos fortes e limitações. Pule para a abordagem que o Quick chooser apontou para você, ou leia todos os três para compará-los.
Destilador de dados data-distiller
Para consultar, transformar e enriquecer dados em escala usando SQL, use o Data Distiller, um complemento do Experience Platform. Para personalização de longo prazo, ele lê os dados históricos do evento do data lake, aplica a lógica de transformação e grava somente o sinal resultante no armazenamento de perfis.
Usando o SQL, um engenheiro de dados define a lógica de transformação e produz um conjunto de dados derivado, uma saída compacta, como uma camada de fidelidade ou pontuação de churn. A query é agendada para ser atualizada automaticamente e publica somente esse sinal na loja de perfil. O Data Distiller também pode criar e publicar públicos diretamente do SQL sem primeiro criar um atributo derivado.
- Melhor para: pontuação de fidelidade e churn, valor vitalício, classificações de decis e percentis, modelos RFM e atualização recorrente automatizada.
- Vantagens: produz saídas matematicamente exatas, é atualizado automaticamente de acordo com um agendamento e mantém dados brutos no data lake.
- Limitações: requer SQL e um engenheiro de dados. A transformação deve ser definida com antecedência, de modo que não é adequada para análise exploratória.
Para implementar esta abordagem, incluindo um exemplo completo e trabalhado, consulte Personalização de longo prazo com o Data Distiller.
Customer Journey Analytics customer-journey-analytics
Para analisar o comportamento do cliente entre canais e ao longo do tempo, use o Customer Journey Analytics. Para personalização de longo prazo, ele fornece um ambiente visual sem código para explorar jornadas históricas e um caminho direto (Publicação de público-alvo) para promover os públicos resultantes para a loja de perfis.
Os dados históricos analisados no Customer Journey Analytics não precisam ser ativados para o armazenamento de Perfil, portanto, meses ou anos de histórico de eventos podem ficar lá sem contar para o direito ao Volume total de dados.
Os analistas exploram jornadas visualmente em qualquer horizonte de tempo, combinam critérios comportamentais em um público-alvo e o publicam na loja de Perfis, onde ele fica disponível no Real-Time CDP e no Adobe Journey Optimizer. Os públicos podem ser publicados uma vez para uma campanha ou atualizados automaticamente.
- Recomendado para: públicos-alvo descobertos através de exploração, análise de jornada multicanal, campanhas de reengajamento e públicos-alvo únicos vinculados a um evento específico.
- Vantagens: autoatendimento para analistas e profissionais de marketing, sem a necessidade de SQL. Exploração - primeiro, para que as definições de público-alvo possam surgir dos dados. Publica na ativação em minutos.
- Limitações: as saídas são associações de público-alvo, e não atributos computados gravados em todos os perfis. A precisão baseada em filtros é aproximada em vez de exata.
Composição de público-alvo federado federated-audience-composition
Para criar e qualificar públicos-alvo diretamente dos dados de um data warehouse corporativo externo, sem mover os dados subjacentes para o Experience Platform, use a Composição de Público-Alvo Federado. As definições de público-alvo são aplicadas em relação aos dados do warehouse usando uma tela de composição sem código e somente a associação de público resultante é enviada para a Experience Platform para ativação.
- Recomendado para: organizações cujos dados históricos são o sistema de registro em um depósito, como Snowflake, Databricks, Google BigQuery ou Amazon Redshift, e que desejam ativá-los sem um projeto de assimilação completa.
- Vantagens: os dados subjacentes nunca saem do depósito, o que satisfaz os requisitos de governança e soberania. Não é necessária assimilação em grande escala.
- Limitações: dependem da conectividade e da composição do warehouse. A ativação está limitada à associação de público-alvo.
Comparar as abordagens comparison
A tabela a seguir compara as três abordagens. O Real-Time CDP e o Adobe Journey Optimizer por conta própria permanecem como a linha de base para casos de uso que precisam apenas de dados recentes, conforme descrito em Antes de escolher.
Decidir qual abordagem usar decision-guide
O Seletor rápido fornece um ponto de partida. Use as seguintes perguntas para resolver casos aprimorados ou combinados.
Você precisa de saídas matematicamente precisas? Se o caso de uso exigir classificações exatas (por exemplo, os 10% principais de clientes por uma métrica calculada ou um valor vitalício no oitavo decil), escolha Data Distiller. Se não for possível definir o cálculo com precisão antecipadamente, comece com Customer Journey Analytics.
Você está começando a partir da exploração? Se você ainda não souber como o público-alvo se parece e quiser descobrir padrões visualmente, comece com o Customer Journey Analytics. Depois que um padrão é validado, um engenheiro de dados pode criar uma versão programada e com pontuação de precisão no Data Distiller, se esse rigor for necessário.
Você precisa de um atributo de perfil reutilizável ou de um público-alvo único? O Data Distiller grava um atributo derivado, como uma pontuação ou camada, em cada perfil e pode recalculá-lo automaticamente de acordo com um agendamento. Use-o quando o sinal precisar ser reutilizável em vários públicos-alvo e jornadas. Em vez disso, a Customer Journey Analytics publica uma associação de público-alvo, que se adapta a um público-alvo de campanha ou a uma definição de jornada de várias etapas criada sem envolvimento de engenharia.
O que sua localização de dados e licenciamento permitem? Se os dados históricos precisarem permanecer em um warehouse externo, use a Composição de público-alvo federado. Caso contrário, deixe as ferramentas licenciadas e a disponibilidade do suporte de engenharia orientarem a escolha.
Manter o armazenamento de perfil limpo keep-lean
Escolher a abordagem correta mantém os novos dados históricos fora do armazenamento de Perfis. O gerenciamento ativo do que já existe é uma prática contínua e complementar para cada implantação. Em vez de repetir essa orientação aqui, use o recurso dedicado:
- Para monitoramento de direito de licença, filtros de assimilação e higiene do conjunto de dados, consulte Práticas recomendadas de direito de licença de gerenciamento de dados.
Próximas etapas next-steps
A personalização de longo prazo não requer o armazenamento de anos de dados de evento brutos no armazenamento de Perfil. Exige obter o sinal certo a partir desse histórico e disponibilizar apenas esse sinal para ativação em tempo real. Confirme se você tem uma necessidade de longo prazo, escolha a abordagem que se adapta à arquitetura e à equipe e siga a documentação do produto vinculada para implementá-la.