Principais dicas para maximizar o valor com o Adobe Experience Platform Data Distiller - OS656

Esta página contém o conjunto de dados de exemplo para que você aplique o que aprendeu na sessão do Adobe Summit "OS656 - Principais dicas para maximizar o valor com o Adobe Experience Platform Data Distiller". Você aprenderá a acelerar as implementações do Adobe Real-Time Customer Data Platform e do Journey Optimizer, enriquecendo os dados do Perfil do cliente em tempo real. Esse enriquecimento aproveita insights profundos nos padrões de comportamento do cliente para criar públicos-alvo para entrega e otimização de experiência.

Através do estudo de caso Luma, você analisará os dados comportamentais do usuário e criará um modelo de Recenticidade, Frequência, Monetário (RFM) — uma técnica de análise de marketing para segmentação de clientes com base nos padrões de compra.

Pré-requisito

Para executar este caso de uso, sua instância do Adobe Experience Platform deve ser licenciada para o Data Distiller. Entre em contato com seu representante da Adobe para obter mais informações.

Você também precisa saber a ID de locatário da sua organização, que é necessária para executar consultas. Sua ID de locatário é a primeira parte do URL ao fazer logon no Experience Platform, aparecendo imediatamente após o símbolo @.

Por exemplo, no URL a seguir:

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

A ID do locatário é pfreportingonprod.

Visão geral do modelo RFM rfm-overview

RFM, abreviação de Recency ®, Frequency (F) e Monetary (M), é uma abordagem orientada por dados para a segmentação e análise do cliente. Essa metodologia avalia três aspectos principais do comportamento do cliente: quanto tempo um cliente fez uma compra, com que frequência ele interage e quanto gasta. Ao quantificar esses fatores, as empresas podem obter insights acionáveis sobre os segmentos de clientes e desenvolver estratégias de marketing direcionadas que atendam melhor às necessidades individuais dos clientes.

Entender o comportamento do cliente com o modelo RFM understand-customer-behavior

O modelo RFM segmenta os clientes com base no comportamento transacional usando três parâmetros principais.

Ao combinar esses fatores, as empresas atribuem pontuações numéricas (normalmente em uma escala de 1 a 4) a cada cliente. Pontuações mais baixas indicam resultados mais favoráveis. Por exemplo, um cliente que marca 1 em todas as categorias é considerado um dos melhores, demonstrando atividade recente, alto engajamento e gastos significativos.

Benefícios e limitações do modelo RFM benefits-and-limitations

Toda técnica de modelagem de marketing envolve compensações, oferecendo benefícios e limitações. A modelagem RFM é uma ferramenta valiosa para entender o comportamento do cliente e refinar as estratégias de marketing. Suas vantagens incluem a segmentação de clientes para personalizar mensagens, otimizar a receita e melhorar as taxas de resposta, a retenção, a satisfação e o Valor vitalício do cliente (CLTV).

No entanto, a modelagem RFM tem limitações. Ele presume uniformidade dentro dos segmentos com base na recenticidade, frequência e valor monetário, o que pode simplificar demais o comportamento do cliente. O modelo também atribui peso igual a esses fatores, possivelmente representando incorretamente o valor do cliente. Além disso, não leva em conta o contexto, como características específicas do produto ou preferências do cliente, o que pode levar a interpretações incorretas do comportamento de compra.

Criar um público-alvo SQL dinâmico baseado em pontuação RFM build-a-dynamic-rfm-audience

O infográfico a seguir fornece uma visão geral de alto nível do fluxo de trabalho de criação de público-alvo SQL RFM descrito neste tutorial.

Antes de iniciar o estudo de caso do Luma, é necessário assimilar um conjunto de dados de amostra. Primeiro, selecione o link para baixar o conjunto de dados luma_web_data.zip localmente. O conjunto de dados de exemplo é um arquivo csv em um formato .zip compactado para alinhar-se ao caso de uso. Descompacte esse arquivo ZIP usando o Adobe Acrobat ou uma ferramenta confiável de extração de arquivos, como o utilitário integrado do sistema operacional. Na prática, você normalmente obteria dados do Adobe Analytics, Adobe Commerce ou Adobe Web/Mobile SDK.

Neste tutorial, você usará o Data Distiller para extrair eventos e campos relevantes em um formato CSV padronizado. O objetivo é incluir apenas campos essenciais, mantendo uma estrutura de dados plana para oferecer eficiência e facilidade de uso.

Etapa 1: Fazer upload dos dados CSV na Experience Platform upload-csv-data

Siga estas etapas para fazer upload de um arquivo CSV para o Adobe Experience Platform.

Criar um conjunto de dados de um arquivo CSV create-a-dataset

Na interface do usuário do Experience Platform, selecione Conjuntos de dados no painel de navegação esquerdo, seguido de Criar conjunto de dados. Em seguida, selecione Criar conjunto de dados do arquivo CSV nas opções disponíveis.

O painel Configurar Conjunto de Dados é exibido. No campo Nome, insira o nome do conjunto de dados como "luma_web_data" e selecione Próximo.

O painel Adicionar dados é exibido. Arraste e solte o arquivo CSV na caixa Adicionar dados ou selecione Escolher Arquivo para procurar e carregar o arquivo.

Para saber mais sobre este processo, consulte o tutorial de assimilação em lote e o fluxo de trabalho de criação do conjunto de dados no guia da interface do usuário do conjunto de dados.

Revisar e concluir o upload review-and-complete-upload

Depois que o arquivo for carregado, uma pré-visualização de dados será exibida na parte inferior da interface. Selecione Concluir para concluir o carregamento.

A exibição das atividades do conjunto de dados para o conjunto de dados "luma_web_data" é exibida. O upload manual do arquivo CSV
é assimilado como um lote e identificado por uma ID do lote. Um painel no lado direito exibe o nome da tabela como luma_web_data.

Após concluir o processamento dos dados, selecione Visualizar conjunto de dados no canto superior direito para visualizar o conjunto de dados. É assim que a pré-visualização do conjunto de dados aparece:

Considerações sobre esquema schema-considerations

Um esquema XDM estruturado (por exemplo, registro, evento ou esquemas B2B) não é necessário porque os dados são importados como um arquivo CSV bruto. Em vez disso, o conjunto de dados usa um esquema ad hoc.

Embora o Data Distiller seja compatível com todos os tipos de esquema, o conjunto de dados final para assimilação no Perfil do cliente em tempo real usará um esquema XDM de registro.

Etapa 2: conecte-se ao data lake e explore os conjuntos de dados disponíveis connect-to-the-data-lake-and-explore-datasets

A próxima etapa é explorar os dados no data lake da Adobe Experience Platform para garantir precisão e integridade. Os dados devem ser precisos e completos para gerar insights significativos, mas erros, inconsistências ou valores ausentes podem ocorrer durante as transferências de dados. Isso torna essencial a verificação e a exploração de dados.

Use o Data Distiller para verificar a qualidade e a integridade do conjunto de dados por meio de várias operações. Para confirmar se os dados foram convertidos com precisão durante a assimilação, execute SELECT consultas para inspecioná-los, validá-los e analisá-los. Esse processo ajuda a identificar e resolver discrepâncias, inconsistências ou informações ausentes.

Executar uma consulta básica de exploração basic-exploration-queries

Na interface do usuário do Adobe Experience Platform, selecione Consultas no painel de navegação esquerdo e, em seguida, Criar consulta. O Editor de consultas é exibido.

Cole a seguinte consulta no editor e execute-a:

SELECT * FROM luma_web_data;

Os resultados da consulta são exibidos abaixo do Editor de consultas na guia Resultados. Para expandir os resultados em um novo diálogo, selecione Exibir resultados. Os resultados são semelhantes à imagem abaixo.

Consulte o documento orientação geral para execução de consulta para obter mais informações.

Focalizar em pedidos e excluir transações canceladas focus-orders-exclude-cancelled

O modelo RFM avalia a recenticidade, a frequência e o valor monetário com base nas compras concluídas. Eventos não transacionais, como exibições de página e interações de check-out, são excluídos da análise. Além disso, as ordens canceladas devem ser removidas, pois não contribuem para cálculos RFM válidos e exigem uma abordagem de processamento diferente.

Para garantir a precisão:

As consultas a seguir demonstram como identificar e excluir pedidos cancelados do conjunto de dados.

Esta primeira consulta seleciona todas as IDs de compra não nulas associadas a um cancelamento e as agrega usando GROUP BY. As IDs de compra resultantes devem ser excluídas do conjunto de dados.

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;

A segunda query recupera somente as IDs de compra que não estão nesse conjunto excluído.

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

A terceira consulta remove todos os eventos que não são de ordem do conjunto de dados.

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

Etapa 3: enriquecer os dados usando as funções do Data Distiller enrich-the-data

Em seguida, use o Data Distiller para extrair e transformar dados do cliente, gerar pontuações RFM, agregar transações e segmentar clientes por meio do comportamento de compra. Siga estas etapas para calcular valores de Recenticidade, Frequência e Monetário (RFM), criar um modelo de público-alvo e preparar insights para ativação.

Calcular a pontuação de RFM para cada ID de usuário exclusiva

Para calcular as pontuações RFM, extraia os campos principais dos dados brutos usando a filtragem de campo.

A próxima consulta se baseia na lógica da seção anterior selecionando email como userid, já que cada pedido requer um logon de email. O Data Distiller aplica a função TO_DATE para converter o carimbo de data/hora em um formato de data. O campo total_revenue representa o preço de cada transação e é agregado posteriormente pela soma para cada userid.

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;

Os resultados se parecem com a imagem abaixo.

Em seguida, crie um TABLE para armazenar os resultados da consulta anterior em um conjunto de dados derivado. Copie e cole o seguinte comando no Editor de Consultas para criar um TABLE.

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;

O resultado é semelhante à imagem a seguir, mas com uma ID de conjunto de dados diferente.

Como prática recomendada, execute uma consulta de exploração simples para inspecionar os dados no conjunto de dados. Use a seguinte instrução para exibir seus dados.

SELECT * FROM order_data;

Agregar as transações para gerar os valores RFM aggregate-transactions

Para calcular os valores RFM, esta consulta agrega transações para cada usuário.

A função DATEDIFF(CURRENT_DATE, MAX(purchase_date)) AS days_since_last_purchase calcula o número de dias desde a compra mais recente para cada usuário.

Use a seguinte consulta SQL:

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;

Os resultados se parecem com a imagem abaixo.

Para aprimorar a eficiência e a reutilização da consulta, crie um VIEW para armazenar os valores RFM agregados.

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;

O resultado se parece com a imagem a seguir, mas com uma ID diferente.

Novamente como prática recomendada, execute uma consulta de exploração simples para inspecionar os dados na exibição. Use a seguinte instrução.

SELECT * FROM rfm_values;

A captura de tela a seguir mostra um exemplo de resultado da consulta, exibindo os valores de RFM calculados para cada usuário. O resultado corresponde à ID de exibição da consulta CREATE VIEW.

Gerar o cubo multidimensional RFM generate-multi-dimensional-cube

Para segmentar clientes com base em suas pontuações RFM, use um cubo multidimensional RFM. A função de janela NTILE classifica valores em compartimentos classificados e divide cada dimensão em quatro grupos iguais (quartis), permitindo a segmentação estruturada.

Execute a seguinte consulta SQL para gerar o cubo multidimensional RFM:

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;

Os resultados se parecem com as imagens abaixo.

Em seguida, use a seguinte instrução para criar um VIEW para esses dados.

Criar um VIEW para o cubo multidimensional RFM melhora a eficiência armazenando dados pré-segmentados, eliminando a necessidade de recalcular as pontuações RFM em consultas futuras. Ele simplifica instruções SQL, garante a consistência dos dados e melhora a reutilização para análise adicional.

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;

O resultado é semelhante à imagem a seguir, mas com uma ID de visualização diferente.

Segmentos RFM modelo model-rfm-segments

Com as pontuações RFM calculadas, os clientes podem ser categorizados nos seis segmentos de prioridade a seguir:

Para simplificar o acesso e a reutilização, crie um VIEW que armazene os segmentos, as pontuações e os valores de RFM.

As instruções CASE no SQL a seguir categorizam clientes em segmentos com base em suas pontuações RFM e atribuem os resultados à variável RFM_Model.

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;

O VIEW gerado segue a mesma estrutura das criações anteriores, mas com uma ID diferente.

Como prática recomendada, execute uma consulta de exploração simples para inspecionar os dados na exibição. Use a seguinte instrução.

SELECT * FROM rfm_model_segment;

As capturas de tela a seguir exibem um exemplo de resultado da consulta SELECT * FROM rfm_model_segment;, mostrando os dados segmentados do modelo RFM. A saída reflete a estrutura do VIEW gerado, incluindo segmentos de clientes atribuídos com base em pontuações RFM.

Etapa 4: usar SQL para assimilar dados RFM em lote no Perfil do cliente em tempo real sql-batch-ingest-rfm-data

Em seguida, assimile dados do cliente enriquecidos com RFM em lote no Perfil do cliente em tempo real. Comece criando um conjunto de dados habilitado para perfil e inserindo os dados transformados usando SQL.

Criar um conjunto de dados derivado para armazenar atributos RFM create-a-derived-dataset

Como esse conjunto de dados será assimilado no Armazenamento de perfis, ele requer uma chave de partição.

Crie um conjunto de dados vazio para armazenar atributos RFM e atribuir uma identidade principal.

Nesta instrução SQL:

Como o Editor de consultas oferece suporte à execução sequencial, você pode incluir a criação de tabelas e consultas de inserção de dados em uma única sessão. O SQL a seguir cria primeiro uma tabela ativada por perfil para armazenar atributos RFM. Em seguida, ele insere dados de clientes enriquecidos com RFM de rfm_model_segment na tabela adls_rfm_profile, estruturando cada registro em seu namespace específico de locatário, o que é necessário para a assimilação do Perfil do cliente em tempo real.

Como o Editor de consultas oferece suporte à execução sequencial, você pode executar as consultas de criação de tabela e inserção de dados em uma única sessão. O SQL a seguir cria primeiro uma tabela ativada por perfil para armazenar atributos RFM. Em seguida, ele insere dados de clientes enriquecidos com RFM de rfm_model_segment na tabela adls_rfm_profile, garantindo que cada registro seja estruturado corretamente sob seu namespace específico de locatário (_{TENANT_ID}). Esse namespace é essencial para a assimilação do Perfil do cliente em tempo real e uma resolução de identidade precisa.

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;

O resultado dessa consulta se assemelha às criações anteriores de conjuntos de dados neste manual, mas com uma ID diferente.

Depois de criar o conjunto de dados, navegue até Conjuntos de dados > Procurar > adls_rfm_profile para verificar se o conjunto de dados está vazio.

Você também pode navegar até Esquemas > Procurar > adls_rfm_profile para exibir o diagrama de Esquema de Perfil Individual XDM do seu conjunto de dados recém-criado e seus grupos de campos personalizados.

Insira dados no conjunto de dados derivado recém-criado insert-data-into-derived-dataset

Em seguida, insira os dados de rfm_model_segment VIEW em adls_rfm_profile, que está habilitado para o Perfil de Cliente em Tempo Real.

Verifique se a ordem do campo na consulta SELECT da instrução INSERT corresponde exatamente à estrutura de rfm_model_segment. Esse alinhamento garante que os valores de rfm_model_segment sejam inseridos corretamente nos campos correspondentes na tabela de destino. O desalinhamento entre campos de origem e de destino pode causar incompatibilidades de dados.

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;

Após a conclusão, a saída da consulta exibe "Consulta concluída" no console.

Etapa 5: agendar a consulta para processamento em lote schedule-the-query

Agora que seu código SQL gera um conjunto de dados derivado e o habilita para o Perfil de cliente em tempo real, a próxima etapa é automatizar as atualizações, programando a execução da consulta em intervalos específicos. Por meio de atualizações automáticas do conjunto de dados, você elimina a necessidade de execução manual.

Agendar a execução da consulta

Depois de salvar seu SQL, navegue até a guia Modelos para exibir a consulta salva e iniciar o processo de agendamento. Há duas maneiras de agendar uma consulta:

Selecione Adicionar Calendário na barra lateral direita.

Como alternativa, selecione a guia Agendamentos abaixo do nome do modelo e selecione Adicionar Agendamento.

Para obter mais detalhes sobre o agendamento de consultas, consulte a documentação de Agendamentos de Consulta.

A exibição Detalhes do agendamento é exibida. Aqui, insira os seguintes detalhes para configurar o agendamento:

Selecione Salvar para confirmar o agendamento.

Depois de salvar o agendamento, você pode navegar até a guia Consultas agendadas a qualquer momento para monitorar os trabalhos agendados do Data Distiller. Para obter mais detalhes sobre exibição do status de execução da consulta, mensagens de erro e alertas, consulte o documento monitorar consultas agendadas.

Uma vez configurado, o query SQL é executado automaticamente nos intervalos definidos, garantindo que os dados permaneçam atualizados sem a necessidade de intervenção manual.

Etapa 6: criar e ativar um público-alvo com base em RFM

Neste tutorial, há dois métodos para criar e ativar um público-alvo baseado em RFM.

Escolha a abordagem que melhor se adapta ao seu fluxo de trabalho.

Solução 1: público-alvo de SQL por meio do Data Distiller data-distiller-sql-audience

Use o comando CREATE AUDIENCE AS SELECT para definir um novo público-alvo. O público-alvo criado é salvo em um conjunto de dados e registrado no espaço de trabalho Públicos-alvo em Data Distiller.

Os públicos-alvo criados com a extensão SQL são registrados automaticamente na origem Data Distiller no espaço de trabalho Audiences. No Portal de público-alvo, você pode exibir, gerenciar e ativar seus públicos-alvo conforme necessário.

Para obter mais detalhes sobre públicos-alvo SQL, consulte a documentação sobre públicos-alvo da Data Distiller. Para saber como gerenciar públicos-alvo na interface, consulte a Visão geral do Portal de públicos-alvo.

Criar um público-alvo create-an-audience

Para criar um público-alvo, use os seguintes comandos SQL:

-- 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
);

Criar um conjunto de dados de público-alvo vazio create-empty-audience-dataset

Antes de adicionar perfis, crie um conjunto de dados vazio para armazenar registros de público-alvo.

-- 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;

Inserir perfis em um público existente insert-an-audience

Para adicionar perfis a um público existente, use o comando INSERT INTO. Isso permite adicionar perfis individuais ou segmentos de público-alvo inteiros a um conjunto de dados de público-alvo existente.

-- 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';

Excluir um público delete-an-audience

Para excluir um público existente, use o comando SOLTAR PÚBLICO. Se o público-alvo não existir, ocorrerá uma exceção, a menos que IF EXISTS seja especificado.

DROP AUDIENCE IF EXISTS adls_rfm_audience;

Solução 2: crie um público-alvo com atributos RFM create-audience-with-rfm-attributes

Use atributos RFM para segmentar usuários com base em seu comportamento e características. Esta seção orienta você na interface do usuário do Adobe Experience Platform para definir um público-alvo usando pontuações RFM.

Para verificar se os dados foram carregados no Perfil de cliente em tempo real, navegue até Clientes > Perfis > Procurar. Selecione Namespace de Identidade como Email e insira user0076@example.com. Verifique os detalhes do perfil para confirmar se ele contém os atributos RFM esperados.

Para procurar públicos existentes, selecione Públicos-alvo no painel de navegação esquerdo e verifique se a guia Procurar está selecionada. A lista de públicos-alvo disponíveis na sandbox é exibida. Selecionar um público-alvo exibe sua descrição, as regras de qualificação e o número de perfis incluídos.

Para criar um novo público, selecione Criar público-alvo no canto superior direito. Uma caixa de diálogo é exibida com duas opções. Selecione Regra de Compilação seguido por Criar.

A interface do usuário da Composição de público-alvo fornece acesso aos atributos do perfil. Navegue até Atributos > Perfil Individual XDM para exibir os atributos disponíveis.

Para obter mais detalhes sobre como usar a Composição de público-alvo, consulte o Guia da interface do usuário de Composição de público-alvo. Para obter mais detalhes sobre como usar o Construtor de segmentos, consulte o Guia da interface do Construtor de segmentos.

Os atributos personalizados criados no Data Distiller são armazenados na pasta correspondente ao nome do namespace do locatário, que aparece ao lado do nome da sandbox. Esses atributos podem ser usados para definir os critérios de segmentação de público.

Para criar um público-alvo usando atributos RFM, arraste e solte o atributo Rfm_Model no Audience Composer. Esses atributos podem ser usados para Edge, Streaming e Públicos em lote.

Para finalizar o público-alvo, selecione Salvar e publicar no canto superior direito. Depois de salvar, o público-alvo recém-criado aparece no espaço de trabalho Públicos-alvo, onde você pode revisar seu resumo e critérios de qualificação.

Use o Construtor de segmentos para acessar os atributos RFM derivados e criar públicos adicionais. Ative o público-alvo SQL recém-criado com base nas pontuações RFM e envie-o para qualquer destino preferencial, incluindo o Adobe Journey Optimizer.