Personalização de longo prazo com o Data Distiller
A personalização de longo prazo adapta uma experiência em tempo real usando o comportamento do cliente que se estende por meses ou anos. Com o Data Distiller, você pode oferecer suporte a esses casos de uso de maneira eficaz, mantendo o armazenamento do seu Perfil e o Volume total de dados reduzidos: você usa o SQL para calcular um sinal compacto a partir do histórico completo no data lake e, em seguida, publica somente esse sinal no Perfil do cliente em tempo real para ativação. Um sinal é a saída da transformação SQL, como uma pontuação, camada, classificação ou associação de público-alvo. Este guia mostra como implementar esse padrão.
Este guia é para engenheiros de dados, arquitetos de soluções e implementadores técnicos que criam a solução. Ele está familiarizado com os fundamentos de Experience Platform e SQL.
Como funciona how-it-works
O fluxo de trabalho do Data Distiller para personalização de longo prazo segue um padrão derivar-e-promover: os eventos históricos permanecem no data lake e somente a saída calculada é promovida para o armazenamento de perfil. Cada etapa abaixo vincula-se à documentação detalhada do produto.
Pré-requisito: seus dados históricos de eventos já devem estar assimilados na Experience Platform e disponíveis no data lake para que o Data Distiller possa consultá-los. O Data Distiller consulta dados no data lake. Ele não assimila os dados propriamente ditos.
As etapas abaixo ilustram o padrão de atributo derivado. O padrão de público-alvo SQL direto usa a mesma abordagem de computação e atualização, mas publica a associação de público-alvo em vez de um atributo de perfil reutilizável, conforme descrito em Duas maneiras de fornecer o sinal.
- Acessar dados históricos no data lake. Todo o seu histórico de eventos (dados da Web, do aplicativo, de compras e de fidelidade) está disponível para consulta em toda a profundidade, sem contar para os direitos do seu Perfil.
- Gravar a consulta de transformação. Um engenheiro de dados cria uma consulta SQL que define o sinal, por exemplo, a atividade total nos últimos 12 meses mapeada para uma camada de fidelidade. Consulte o guia do usuário do Editor de Consultas e as consultas parametrizadas.
- Gerar um conjunto de dados derivado. Execute a consulta para criar um conjunto de dados derivado com uma linha por cliente, contendo apenas o sinal calculado. Consulte conjuntos de dados derivados.
- Agendar a atualização. Salve a consulta e defina-a para ser executada em uma cadência (diariamente, semanalmente ou conforme o caso de uso exigir) para que o sinal sempre reflita a janela mais recente. Consulte agendamentos de consulta.
- Publicar no repositório de perfis. O conjunto de dados derivado permanece no data lake até que você o publique. A publicação promove a saída calculada no Perfil do cliente em tempo real, onde ela fica disponível no Construtor de segmentos para construir públicos. A partir daí, ative esses públicos-alvo por meio de destinos do Real-Time Customer Data Platform ou do Adobe Journey Optimizer jornada.
Duas maneiras de enviar o sinal output-patterns
Você pode enviar o sinal para a loja de perfis de duas maneiras, dependendo se você precisa enriquecer cada perfil ou direcionar um público-alvo específico.
- Atributo derivado. Calcule um valor, como uma pontuação ou camada, e grave-o em cada perfil de cliente, onde ele seja reutilizável em muitos públicos-alvo e jornadas. Use isso para o enriquecimento contínuo do perfil. Consulte conjuntos de dados derivados.
- Público-alvo de SQL direto. Crie e publique uma associação de público diretamente do SQL sem primeiro criar um atributo derivado. Use isso para um público-alvo de campanha direcionado quando não precisar enriquecer todos os perfis. Consulte compilar públicos usando SQL.
Confirmar se o Data Distiller se ajusta when-to-use
Este guia supõe que o Data Distiller seja a abordagem escolhida. É a opção correta quando seu caso de uso de personalização de longo prazo requer:
- Saídas matematicamente precisas. Decis exatos, percentis e pontuações classificadas de conjuntos de dados históricos completos.
- Atributos derivados em cada perfil. Um valor calculado como
loyalty_tierouchurn_risk_scoregravado de volta em cada perfil de cliente e reutilizável em cada público downstream e jornada. - Atualização automatizada e agendada. Um sinal que é recalculado em uma cadência fixa sem intervenção manual após a configuração.
- Transformações bem definidas repetíveis. Casos de uso em que você pode definir o cálculo antecipadamente no SQL.
O Data Distiller é usado pelos engenheiros de dados e analistas SQL. Depois que um sinal é publicado, os profissionais de marketing e gerentes de campanha podem usá-lo no Construtor de segmentos e no Adobe Journey Optimizer sem qualquer conhecimento técnico.
Exemplo de caso de uso: pontuação decil de fidelidade aérea example
Considere uma companhia aérea que armazena dois anos de eventos de transação de voo no Experience Platform e deseja oferecer atualizações de assento para seus 10% principais de passageiros frequentes, sem aumentar o Volume total de dados, mantendo todos esses eventos na loja de perfis.
Com o Data Distiller, um engenheiro de dados consulta os últimos 12 meses de transações de migração do data lake, classifica os membros de fidelidade em decis pelo total de milhas voadas e grava um único atributo derivado por cliente: sua classificação decil e rótulo de nível. Eles programam a consulta para atualizar semanalmente e publicar somente o atributo derivado no armazenamento de perfil. Os profissionais de marketing criam um público-alvo do tipo “Decile 10” e ativam uma oferta de atualização no Adobe Journey Optimizer.
Para obter a apresentação completa passo a passo do SQL para esse cenário, consulte Criar conjuntos de dados derivados baseados em decil.
Sinais comuns para computação common-signals
Use o Data Distiller para calcular saídas de exemplo como estas de históricos longos:
- Públicos-alvo com base em classificação, como os 10% principais de compradores ou os coortes de maior gasto
- Valor vitalício do cliente e modelos recency-frequency-monetary (RFM)
- Pontuação de risco de churn
- Pontuação de propensão e afinidade de produto
Manter o armazenamento de perfil limpo keep-lean
A derivação de sinais com o Data Distiller mantém os novos dados históricos fora do armazenamento de Perfis. Para gerenciar dados que já estão lá por meio do monitoramento de direitos 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
Use estes recursos para implementar e estender a solução: