Bästa tillvägagångssätt för datamodellering
Experience Data Model (XDM) är grundramverket som standardiserar kundupplevelsedata genom att tillhandahålla gemensamma strukturer och definitioner för användning i Adobe Experience Platform-tjänster längre fram i kedjan. Genom att följa XDM-standarder kan alla kundupplevelsedata införlivas i en gemensam representation och användas för att få värdefulla insikter från kundåtgärder, definiera kundmålgrupper och uttrycka kundattribut i personaliseringssyfte.
Eftersom XDM är extremt mångsidigt och anpassningsbart efter design är det viktigt att följa bästa praxis för datamodellering när du utformar dina scheman. Det här dokumentet innehåller de viktigaste beslut och överväganden som du måste ta när du mappar kundupplevelsedata till XDM.
Komma igång
Innan du läser den här handboken bör du gå igenom XDM-systemöversikten för att få en introduktion på hög nivå till XDM och dess roll i Experience Platform.
Eftersom den här guiden enbart fokuserar på viktiga överväganden när det gäller schemadesign, rekommenderar vi att du läser grunderna i schemakomposition för detaljerade förklaringar av de enskilda schemaelementen som nämns i den här guiden.
Sammanfattning av bästa praxis summary
Den rekommenderade metoden för att utforma din datamodell för användning i Experience Platform kan sammanfattas på följande sätt:
- Förstå användningsexemplen för era data.
- Identifiera de primära datakällor som ska hämtas till Platform för att hantera de här användningsfallen.
- Identifiera eventuella sekundära datakällor som också kan vara av intresse. Om till exempel bara en affärsenhet i organisationen för närvarande är intresserad av att portera sina data till Platform, kan en liknande affärsenhet också vara intresserad av att portera liknande data i framtiden. Med dessa sekundära källor blir datamodellen standardiserad i hela organisationen.
- Skapa ett högnivådiagram över entitetsrelationer (ERD) för de datakällor som har identifierats.
- Konvertera högnivåresursen till en Platform-centrerad resurshanteringssats (inklusive profiler, upplevelsehändelser och sökentiteter).
Stegen för att identifiera de datakällor som krävs för att du ska kunna använda ditt företag varierar från organisation till organisation. Medan resten av avsnitten i det här dokumentet fokuserar på de senare stegen för att organisera och konstruera en ERD efter att datakällorna har identifierats, kan förklaringarna för diagrammets olika komponenter ge dig underlag för dina beslut om vilken av datakällorna som ska migreras till Platform.
Skapa en högnivå av ERD create-an-erd
När du har bestämt vilka datakällor du vill hämta till Platform kan du skapa en högnivå av ERD som hjälper dig att mappa dina data till XDM-scheman.
Exemplet nedan representerar en förenklad ERD för ett företag som vill hämta data till Platform. Bilden visar de viktigaste enheterna som bör sorteras i XDM-klasser, inklusive kundkonton, hotell, adresser och flera vanliga e-handelshändelser.
Sortera entiteter i profil-, uppslags- och händelsekategorier sort-entities
När du har skapat en ERD för att identifiera de nödvändiga entiteter som du vill hämta till Platform måste dessa entiteter sorteras i profil-, uppslags- och händelsekategorier:
Överväganden för entitetssortering considerations
Avsnitten nedan ger ytterligare vägledning om hur du sorterar dina enheter i ovanstående kategorier.
Muterbara och oföränderliga data mutable-and-immutable-data
Ett primärt sätt att sortera mellan enhetskategorier är om de data som hämtas är ändringsbara eller inte.
Attribut som tillhör profiler eller uppslagsenheter kan normalt ändras. En kunds preferenser kan till exempel förändras över tid och parametrarna för en prenumerationsplan kan uppdateras beroende på marknadstrender.
Händelsedata kan däremot normalt inte ändras. Eftersom händelser kopplas till en viss tidsstämpel ändras inte den "systemögonblicksbild" som en händelse ger. En händelse kan t.ex. fånga upp en kunds preferenser när han/hon checkar ut en kundvagn, och den ändras inte även om kundens preferenser ändras senare. Händelsedata kan inte ändras efter att de har spelats in.
Sammanfattningsvis innehåller profiler och sökentiteter ändringsbara attribut och representerar den senaste informationen om de ämnen de hämtar, medan händelser är oföränderliga poster i systemet vid en viss tidpunkt.
Kundattribut customer-attributes
Om ett företag innehåller attribut som är kopplade till en enskild kund är det troligast en profilenhet. Exempel på kundattribut är:
- Personuppgifter som namn, födelsedatum, kön och konto-ID.
- Platsinformation som adresser och GPS-information.
- Kontaktinformation som telefonnummer och e-postadresser.
Spåra data över tid track-data
Om du vill analysera hur vissa attribut inom en enhet ändras över tid är det troligast en händelsenhet. Om du till exempel lägger till produktartiklar i en kundvagn kan du spåra dem som tilläggshändelser i kundvagnen i Platform:
Användningsexempel för segmentering segmentation-use-cases
När ni kategoriserar era enheter är det viktigt att tänka på vilka målgrupper ni kanske vill bygga för att hantera era specifika affärsanvändningsfall.
Ett företag vill t.ex. känna till alla "Guld" eller "Platinum"-medlemmar i deras lojalitetsprogram som har gjort fler än fem inköp det senaste året. På grundval av denna segmenteringslogik kan följande slutsatser dras om hur relevanta enheter bör representeras:
- "Gold" och "Platinum" representerar lojalitetsstatus som gäller för en enskild kund. Eftersom segmenteringslogiken endast gäller kundernas aktuella lojalitetsstatus, kan dessa data modelleras som en del av ett profilschema. Om du vill spåra förändringar i lojalitetsstatus över tiden kan du även skapa ett ytterligare händelseschema för förändringar av lojalitetsstatusen.
- Inköp är händelser som inträffar vid en viss tidpunkt och segmenteringslogiken gäller köphändelser inom ett angivet tidsfönster. Dessa data bör därför modelleras som ett händelseschema.
Användningsexempel vid aktivering activation-use-cases
Förutom att ta hänsyn till användningsfall för segmentering bör ni också granska användningsexemplen för aktivering för dessa målgrupper för att identifiera ytterligare relevanta attribut.
Ett företag har till exempel byggt upp en målgrupp baserat på regeln country = US
. När målgruppen sedan aktiveras för vissa nedladdningsmål vill företaget filtrera alla exporterade profiler baserat på hemstatus. Därför bör ett state
-attribut också hämtas i den tillämpliga profilentiteten.
Sammanställda värden aggregated-values
Baserat på användningsfallet och detaljrikedomen i era data bör ni bestämma om vissa värden behöver föraggregeras innan de inkluderas i en profil eller en händelseenhet.
Ett företag vill till exempel skapa en målgrupp baserat på antalet kundvagnsköp. Du kan välja att inkludera dessa data med lägsta granularitet genom att ta med varje tidsstämplad inköpshändelse som sin egen enhet. Detta kan ibland öka antalet registrerade händelser exponentiellt. Om du vill minska antalet inkapslade händelser kan du välja att skapa ett aggregerat värde numberOfPurchases
över en vecka som är lång eller månadslängd. Andra sammanställningsfunktioner som MIN och MAX kan också användas i dessa situationer.
Kardinalitet cardinality
Kardinalerna i ERD kan även ge vissa ledtrådar om hur ni kategoriserar era era enheter. Om det finns en en-till-många-relation mellan två enheter är det troligtvis enheten som representerar"många" som är en händelseenhet. Det finns dock även fall där"många" är en uppsättning uppslagsenheter som anges som en array i en profilentitet.
I följande tabell visas några vanliga entitetsrelationer och de kategorier som kan härledas från dem:
Fördelar och nackdelar med olika enhetsklasser pros-and-cons
I föregående avsnitt fanns allmänna riktlinjer för hur du ska kategorisera dina enheter, men det är viktigt att du förstår att det ofta kan finnas fördelar och nackdelar för att välja en enhetskategori framför en annan. Följande fallstudie är avsedd att illustrera hur du kan överväga dina alternativ i dessa situationer.
Ett företag håller reda på aktiva prenumerationer för sina kunder, där en kund kan ha många prenumerationer. Företaget vill också inkludera prenumerationer för segmenteringsanvändning, som att hitta alla användare med aktiva prenumerationer.
I det här scenariot har företaget två möjliga alternativ för att representera en kunds prenumerationer i sin datamodell:
Metod 1: Använd profilattribut profile-approach
Det första sättet är att inkludera en array med prenumerationer som attribut i profilentiteten för kunder. Objekt i den här arrayen skulle innehålla fält för category
, status
, planName
, startDate
och endDate
.
Pros
- Segmentering är möjligt för det avsedda användningsfallet.
- Schemat bevarar endast de senaste prenumerationsposterna för en kund.
Kon
- Hela arrayen måste anges om varje gång ett fält i arrayen ändras.
- Om olika datakällor eller affärsenheter matar in data i arrayen blir det en utmaning att synkronisera den senaste uppdaterade arrayen över alla kanaler.
Metod 2: Använd händelseentiteter event-approach
Det andra sättet är att använda händelsescheman för att representera prenumerationer. Detta innebär att man måste importera samma prenumerationsfält som det första tillvägagångssättet, med tillägg av ett prenumerations-ID, ett kund-ID och en tidsstämpel för när prenumerationshändelsen inträffade.
Pros
- Segmenteringsreglerna kan vara mer flexibla (t.ex. att hitta alla kunder som har ändrat sina prenumerationer de senaste 30 dagarna).
- När en kunds prenumerationsstatus ändras behöver du inte längre uppdatera en lång, potentiellt komplex array inom kundens profilattribut. Detta är särskilt användbart om kundens prenumerationslista ändras samtidigt från flera källor.
Kon
- Segmenteringen blir mer komplicerad för det ursprungliga användningsfallet (som identifierar statusen för kundens senaste prenumerationer). Publiken behöver nu ytterligare logik för att flagga den senaste prenumerationshändelsen så att en kund kan kontrollera dess status.
- Det finns en större risk för att händelser automatiskt förfaller och rensas från profilarkivet. Mer information finns i guiden Händelseförfallodatum för upplevelse.
Skapa scheman baserat på dina kategoriserade entiteter schemas-for-categorized-entities
När du har sorterat dina enheter i profil-, uppslags- och händelsekategorier kan du börja konvertera din datamodell till XDM-scheman. I demonstrationssyfte har exempeldatamodellen som visades tidigare sorterats i lämpliga kategorier i följande diagram:
Kategorin som en entitet har sorterats under bör avgöra vilken XDM-klass du baserar dess schema på. Så här upprepar du:
- Profilentiteter bör använda klassen XDM Individual Profile.
- Händelseentiteter bör använda klassen XDM ExperienceEvent.
- Sökentiteter bör använda anpassade XDM-klasser som definieras av din organisation. Profil- och händelseentiteter kan sedan referera till dessa sökentiteter via schemarelationer.
LoyaltyAccount
-objekt som innehåller rätt lojalitetsfält för varje kund. Om relationen är en till många kan den entitet som representerar"många" däremot representeras av ett separat schema eller en array med profilattribut, beroende på hur komplex den är.Avsnitten nedan innehåller allmän vägledning om hur du konstruerar scheman baserade på din ERD.
Anta en iterativ modelleringsmetod iterative-modeling
reglerna för schemautveckling anger att endast icke-förstörande ändringar kan göras i scheman när de har implementerats. När du har lagt till ett fält i ett schema och data har importerats till det fältet kan fältet alltså inte längre tas bort. Därför är det viktigt att du använder en iterativ modelleringsmetod när du först skapar dina scheman, och börjar med en förenklad implementering som successivt blir mer komplicerad över tiden.
Om du är osäker på om ett visst fält är nödvändigt för att inkluderas i ett schema är det bästa sättet att utelämna det. Om det senare fastställs att fältet är nödvändigt kan det alltid läggas till i nästa iteration i schemat.
Identitetsfält identity-fields
I Experience Platform används XDM-fält som markerats som identiteter för att sammanfoga information om enskilda kunder som kommer från flera datakällor. Även om ett schema kan ha flera fält markerade som identiteter måste en enda primär identitet definieras för att schemat ska kunna aktiveras för användning i Real-Time Customer Profile. Mer information om hur de här fälten används finns i avsnittet Identitetsfält i grunderna för schemakomposition.
När du utformar dina scheman är det troligt att eventuella primärnycklar i relationsdatabastabeller passar för primära identiteter. Andra exempel på tillämpliga identitetsfält är kundens e-postadresser, telefonnummer, konto-ID:n och ECID.
Schemafältgrupper för Adobe adobe-application-schema-field-groups
Experience Platform tillhandahåller flera färdiga XDM-schemafältgrupper för datainhämtning som är relaterade till följande Adobe-program:
- Adobe Analytics
- Adobe Audience Manager
- Adobe Campaign
- Adobe Target
Du kan till exempel använda fältgruppen Adobe Analytics ExperienceEvent Templateför att mappa Analytics-specifika fält till dina XDM-scheman. Beroende på vilka Adobe-program du arbetar med bör du använda dessa fältgrupper som tillhandahålls av Adobe i dina scheman.
Programfältgrupper i Adobe tilldelar automatiskt en primär standardidentitet genom att använda fältet identityMap
, som är ett systemgenererat, skrivskyddat objekt som mappar standardvärden för identiteter för en enskild kund.
För Adobe Analytics är ECID standardidentitet. Om ett ECID-värde inte anges av en kund blir den primära identiteten i stället AAID.
Datavalideringsfält data-validation-fields
När du importerar data till datavjön framtvingas datavalidering endast för begränsade fält. Om du vill validera ett visst fält under en gruppinmatning måste du markera fältet som begränsat i XDM-schemat. För att förhindra att felaktiga data importeras till Platform rekommenderar vi att du definierar villkoren för fältnivåvalidering när du skapar dina scheman.
Om du vill ange begränsningar för ett visst fält väljer du fältet i Schemaredigeraren för att öppna sidofältet Field properties. I dokumentationen om typspecifika fältegenskaper finns exakta beskrivningar av de tillgängliga fälten.
Tips för att bevara dataintegriteten data-integrity-tips
Följande är en samling förslag som bevarar dataintegriteten när du skapar ett schema.
- Överväg primära identiteter: För Adobe-produkter som web SDK, mobile SDK, Adobe Analytics och Adobe Journey Optimizer fungerar fältet
identityMap
ofta som primär identitet. Undvik att ange ytterligare fält som primära identiteter för det schemat. - Kontrollera att
_id
inte används som en identitet: Fältet_id
i Experience Event-scheman kan inte användas som en identitet eftersom det är avsett för postidentitet. - Ange längdbegränsningar: Det är bäst att ange minsta och högsta längd för fält som markerats som identiteter. En varning utlöses om du försöker tilldela ett anpassat namnutrymme till ett identitetsfält utan att uppfylla begränsningarna för minsta och högsta längd. Dessa begränsningar bidrar till att upprätthålla enhetlighet och datakvalitet.
- Använd mönster för konsekventa värden: Om dina identitetsvärden följer ett specifikt mönster bör du använda inställningen Pattern för att framtvinga den här begränsningen. Den här inställningen kan omfatta regler som enbart siffror, versaler, gemener eller specifika teckenkombinationer. Använd reguljära uttryck för att matcha mönster i strängarna.
- Begränsa eVars i analysscheman: Vanligtvis ska ett analysschema endast ha en eVar angiven som en identitet. Om du tänker använda mer än en eVar som identitet bör du dubbelkontrollera om datastrukturen kan optimeras.
- Se till att ett markerat fält är unikt: Det valda fältet ska vara unikt jämfört med den primära identiteten i schemat. Om så inte är fallet ska du inte markera det som en identitet. Om flera kunder till exempel kan ange samma e-postadress är namnutrymmet inte en lämplig identitet. Den här principen gäller även andra ID-namnutrymmen som telefonnummer. Om du markerar ett icke-unikt fält som en identitet kan det orsaka oönskad profilkomprimering.
- Verifiera minsta stränglängd: Alla strängfält måste vara minst ett tecken långa eftersom strängvärden aldrig får vara tomma. Null-värden för fält som inte är obligatoriska tillåts.
Nästa steg
Det här dokumentet innehåller allmänna riktlinjer och bästa praxis för utformning av din datamodell för Experience Platform. Sammanfattning:
- Använd en uppifrån och ned-metod genom att sortera dina datatabeller i profil-, uppslags- och händelsekategorier innan du skapar dina scheman.
- Det finns ofta flera strategier och alternativ när det gäller att utforma scheman för olika syften.
- Datamodellen bör stödja era affärsanvändningsfall, som segmentering eller kundreseanalys.
- Gör dina scheman så enkla som möjligt och lägg bara till nya fält när det är absolut nödvändigt.
När du är klar kan du gå till självstudiekursen Skapa ett schema i användargränssnittet för steg-instruktioner om hur du skapar ett schema, tilldelar lämplig klass för entiteten och lägger till fält som data ska mappas till.