[B2B Edition]{class="badge informative"}
StandardguarDRAG för Real-time Customer Data Platform B2B Edition
Med Real-time Customer Data Platform B2B Edition kan ni leverera personaliserade flerkanalsupplevelser baserat på beteendeinsikter och kundattribut i form av kundprofiler i realtid och kontoprofiler. För att stödja den nya metoden för profiler använder Experience Platform en högdenormaliserad hybriddatamodell som skiljer sig från den traditionella relationsdatamodellen.
Det här dokumentet innehåller standardgränser för användning och frekvens som hjälper dig att modellera data för optimala systemprestanda. När du granskar följande skyddsutkast förutsätts det att du har modellerat data korrekt. Om du har frågor om hur du modellerar data kan du kontakta kundtjänstrepresentanten.
Begränsningstyper
Det finns två typer av standardgränser i det här dokumentet:
Begränsningar för datamodell
Följande skyddsprofiler ger rekommenderade gränser vid modellering av kundprofildata i realtid. Mer information om primära entiteter och dimensionsenheter finns i avsnittet enhetstyper i tillägget.
Garantier för primära enheter
Obs! På grund av karaktären hos en standardiserad hybriddatamodell överskrider de flesta kunder inte den här gränsen. Om du har frågor om hur du modellerar dina data, eller om du vill veta mer om anpassade begränsningar, kontaktar du kundtjänstrepresentanten.
Skyddsutkast för Dimension
Begränsningar för datastorlek
Följande skyddsutkast hänvisar till datastorlek och innehåller rekommenderade gränser för data som kan importeras, lagras och frågas efter behov. Mer information om primära entiteter och dimensionsenheter finns i avsnittet enhetstyper i tillägget.
Garantier för primära enheter
Skyddsutkast för Dimension
Skyddsritningar för segmentering
De skyddsutkast som beskrivs i detta avsnitt avser antalet och typen av målgrupper som en organisation kan skapa inom Experience Platform samt kartläggning och aktivering av målgrupper till destinationer.
Nästa steg
Gränserna som beskrivs i det här dokumentet representerar de ändringar som är aktiverade i Real-time Customer Data Platform B2B Edition. En fullständig lista över standardgränser för Real-Time CDP B2B Edition får du om du kombinerar dessa gränser med de allmänna Adobe Experience Platform-gränserna i skyddsutkastet för dokumentationen av kundprofildata i realtid.
Bilaga
I det här avsnittet finns mer information om begränsningarna i det här dokumentet.
Enhetstyper
Datamodellen för lagringsplatsen Profile består av två huvudentitetstyper: primära entiteter och dimensionsenheter.
Primär entitet
En primär enhet, eller profilenhet, sammanfogar data till en"enda källa till sanning" för en individ. Dessa enhetliga data representeras med hjälp av en s.k. fackvy. En unionsvy samlar fälten för alla scheman som implementerar samma klass i ett enda unionsschema. Unionsschemat för Real-Time Customer Profile är en denormaliserad hybriddatamodell som fungerar som en behållare för alla profilattribut och beteendehändelser.
Tidsoberoende attribut, som också kallas postdata, modelleras med XDM Individual Profile, medan tidsseriedata, som också kallas händelsedata, modelleras med XDM ExperienceEvent. När post- och tidsseriedata importeras i Adobe Experience Platform, utlöses Real-Time Customer Profile för att börja inhämta data som har aktiverats för användning. Ju fler interaktioner och detaljer som är inkapslade, desto stabilare blir de enskilda profilerna.
Dimension
Profildatalagret som bevarar profildata är inte ett relationslager, men profilen tillåter integrering med små dimensionsenheter för att skapa målgrupper på ett förenklat och intuitivt sätt. Integrationen kallas segmentering för flera enheter.
Din organisation kan också definiera XDM-klasser för att beskriva andra saker än enskilda, t.ex. butiker, produkter eller egenskaper. Dessa icke-XDM Individual Profile-scheman kallas för dimensionsenheter (kallas även för sökentiteter) och innehåller inga tidsseriedata. Scheman som representerar dimensionsenheter är länkade till profilentiteter med hjälp av schemarelationer.
Dimensioner tillhandahåller sökdata som underlättar och förenklar definitioner av flerenhetssegment och måste vara tillräckligt små för att segmenteringsmotorn ska kunna läsa in hela datauppsättningen i minnet för optimal bearbetning (snabbpunktssökning).