Adobe Experience Platform Data Distiller - OS656提供最大化價值的重要秘訣

此頁面包含範例資料集，可套用您在Adobe Summit工作階段「OS656 — 使用Adobe Experience Platform Data Distiller最大化價值的重要提示」中學到的內容。 您將瞭解如何透過豐富即時客戶設定檔資料來加速Adobe Real-Time Customer Data Platform和Journey Optimizer的實施。 此擴充功能運用對客戶行為模式的深入分析，以建立體驗傳送和最佳化的對象。

透過Luma個案研究，您將分析使用者行為資料，並建立​ 造訪間隔、頻率、貨幣(RFM) ​模型 — 一種根據購買模式進行客戶細分的行銷分析技術。

先決條件

若要執行此使用案例，您的Adobe Experience Platform執行個體必須獲得Data Distiller的授權。 如需詳細資訊，請聯絡您的Adobe代表。

您也需要知道您​ 組織的租使用者ID，這是執行查詢的必要條件。 您的租使用者ID是您登入Experience Platform時URL的第一部分，緊接在@符號之後出現。

舉例來說，在以下網址中：

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

租使用者識別碼為pfreportingonprod。

RFM模型概述 rfm-overview

RFM (Recency ®、Frequency (F)和Monetary (M)的縮寫)是資料導向的客戶細分和分析方法。 此方法會評估客戶行為的三個主要方面：客戶最近購買產品的時間、參與頻率以及花費金額。 透過量化這些因素，企業就能獲得對客戶區段的可操作性深入分析，並制定目標式行銷策略，以更佳地滿足個別客戶的需求。

瞭解RFM模型的客戶行為 understand-customer-behavior

RFM模型使用三個關鍵引數，根據交易行為來細分客戶。

企業藉由結合這些因素，為每位客戶指派數值分數（通常範圍從1到4）。 分數越低，表示結果越好。 例如，所有類別中的客戶得分1都被視為最佳專案，顯示最近的活動、高參與度和大量支出。

RFM模型的優點與限制 benefits-and-limitations

每一種行銷模型技巧都包含折衷方案，兼具優點和限制。 RFM模型是瞭解客戶行為及調整行銷策略的寶貴工具。 其優勢包括細分客戶以個人化訊息、最佳化收入，以及提高回應率、保留率、滿意度及客戶期限值(CLTV)。

但是，RFM建模也有限制。 它根據造訪間隔、頻率和貨幣值來假設區段內的一致性，這可能會過度簡化客戶行為。 此模型也會將相等的權重指派給這些因素，可能會錯誤代表客戶價值。 此外，它並未說明相關情境（例如產品特有特徵或客戶偏好設定），而可能導致對購買行為的誤解。

建立動態RFM分數型SQL對象 build-a-dynamic-rfm-audience

下列資訊圖表提供本教學課程中說明的RFM SQL對象建立工作流程的高階概觀。

在開始Luma案例研究之前，您需要擷取範例資料集。 首先，選取連結，在本機下載luma_web_data.zip資料集。 範例資料集是壓縮的.zip格式的csv檔案，以符合使用案例。 使用Adobe Acrobat或信任的檔案擷取工具（例如作業系統的內建公用程式）解壓縮此ZIP檔案。 實際上，您通常會從Adobe Analytics、Adobe Commerce或Adobe Web/Mobile SDK取得資料。

在本教學課程中，您將使用Data Distiller將相關事件和欄位擷取為標準化CSV格式。 目標是僅包含基本欄位，同時維持扁平的資料結構，以提高效率和易用性。

步驟1：將CSV資料上傳至Experience Platform upload-csv-data

請依照下列步驟，將CSV檔案上傳至Adobe Experience Platform。

從CSV檔案建立資料集 create-a-dataset

在Experience Platform UI中，選取左側導覽邊欄中的​ 資料集，然後選取​ 建立資料集。 然後從可用選項中選取​ 從CSV檔案建立資料集。

設定資料集面板隨即顯示。 在​ Name ​欄位中，將資料集名稱輸入為"luma_web_data"，然後選取​ 下一步。

新增資料面板隨即顯示。 將CSV檔案拖放到​ 新增資料 ​方塊中，或選取​ 選擇檔案 ​以瀏覽並上傳檔案。

若要深入瞭解此程式，請參閱資料集UI指南中的批次擷取教學課程和資料集建立工作流程。

檢閱並完成上傳 review-and-complete-upload

上傳檔案後，資料預覽會顯示在UI底部。 選取​ 完成 ​以完成上傳。

隨即顯示「luma_web_data」資料集的資料集活動檢視。 手動上傳CSV檔案
已擷取為批次，並由批次ID識別。 右側的面板會將表格名稱顯示為luma_web_data。

資料處理完畢後，選取右上角的預覽資料集以預覽資料集。 這是資料集預覽的顯示方式：

結構描述考量事項 schema-considerations

不需要結構化XDM結構描述（例如記錄、事件或B2B結構描述），因為資料會匯入為原始CSV檔案。 該資料集改用臨時結構描述。

雖然Data Distiller支援所有結構描述型別，但擷取至Real-Time Customer Profile的最終資料集將使用記錄XDM結構描述。

步驟2：連線至資料湖並探索可用的資料集 connect-to-the-data-lake-and-explore-datasets

下一步是探索Adobe Experience Platform Data Lake中的資料，以確保準確性和完整性。 資料必須準確且完整，才能產生有意義的深入分析，但在資料傳輸期間可能會發生錯誤、不一致或遺失值。 因此，資料驗證和探索至關重要。

使用Data Distiller，透過各種作業驗證資料集的品質和完整性。 若要確認資料在內嵌期間已正確轉譯，請執行SELECT個查詢以檢查、驗證及分析資料。 此程式有助於識別和解決不一致、不一致或遺失的資訊。

執行基本探索查詢 basic-exploration-queries

在Adobe Experience Platform UI中，選取左側導覽邊欄中的​ 查詢，然後選取​ 建立查詢。 「查詢編輯器」即會出現。

將下列查詢貼到編輯器中並執行：

SELECT * FROM luma_web_data;

查詢結果顯示在​ 結果 ​索引標籤中的查詢編輯器下方。 若要展開新對話方塊中的結果，請選取​ 檢視結果。 結果看起來類似下圖。

如需詳細資訊，請參閱查詢執行的一般指引檔案。

專注於訂單並排除已取消的交易 focus-orders-exclude-cancelled

RFM模型會根據完成的購買來評估造訪間隔、頻率和貨幣值。 非交易式事件（例如頁面檢視和結帳互動）會從分析中排除。 此外，取消的訂單必須移除，因為它們不會有助於有效的RFM計算，而且需要不同的處理方式。

為確保準確性：

下列查詢示範如何從資料集中識別及排除已取消的訂單。

第一個查詢會選取與取消關聯的所有非Null的購買ID，並使用GROUP BY加以彙總。 必須從資料集中排除產生的購買ID。

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;

第二個查詢只會擷取不屬於此排除集的購買ID。

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

第三個查詢會從資料集中移除所有無序事件。

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

步驟3：使用資料Distiller函式豐富資料 enrich-the-data

接下來，使用Data Distiller來擷取及轉換客戶資料、產生RFM分數、彙總交易，以及透過購買行為來細分客戶。 請依照下列步驟計算「造訪間隔」、「頻率」和「貨幣」(RFM)值，建立對象模型，並準備啟動見解。

計算每個唯一使用者ID的RFM分數

若要計算RFM分數，請使用欄位篩選從原始資料中擷取關鍵欄位。

下一個查詢是建立在上一節的邏輯上，方法是選取電子郵件作為userid，因為每個訂單都需要電子郵件登入。 資料Distiller套用TO_DATE函式將時間戳記轉換為日期格式。 total_revenue欄位代表每個交易的價格，稍後會加總每個userid的價格。

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;

結果看起來像下面的影像。

接下來，建立TABLE，將上一個查詢的結果儲存在衍生資料集中。 將下列命令複製並貼到查詢編輯器以建立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;

結果看起來類似下列影像，但資料集ID不同。

最佳做法是執行簡單的探索查詢來檢查資料集中的資料。 使用以下陳述式來檢視您的資料。

SELECT * FROM order_data;

彙總交易以產生RFM值 aggregate-transactions

若要計算RFM值，此查詢會彙總每個使用者的交易。

DATEDIFF(CURRENT_DATE, MAX(purchase_date)) AS days_since_last_purchase函式會計算每位使用者自最近一次購買以來的天數。

使用下列SQL查詢：

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;

結果看起來像下面的影像。

若要提高查詢效率和可重複使用性，請建立VIEW以儲存彙總的RFM值。

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;

結果類似下列影像，但具有不同的ID。

同樣作為最佳實務，請執行簡單的探索查詢以檢查檢視中的資料。 請使用下列陳述式。

SELECT * FROM rfm_values;

下列熒幕擷圖顯示查詢的範例結果，顯示每個使用者的計算RFM值。 結果對應至CREATE VIEW查詢的檢視識別碼。

產生RFM多維度立方體 generate-multi-dimensional-cube

若要根據客戶的RFM分數來劃分客戶，請使用RFM多維度立方體。 NTILE視窗函式將值排序為排名值區，並將每個維度劃分為四個相等的群組（四分位數），以便進行結構化分段。

執行下列SQL查詢，以產生RFM多維度多維度資料集：

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;

結果如下所示。

部分

部分

接下來，使用以下陳述式為此資料建立VIEW。

為RFM多維度Cube建立VIEW可儲存預先分段的資料，進而提高效率，避免在未來的查詢中重新計算RFM分數。 它簡化了SQL敘述句，確保資料的一致性，並增強可重複使用性，以供進一步分析。

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;

結果看起來類似下列影像，但檢視ID不同。

模型RFM區段 model-rfm-segments

在計算RFM分數後，客戶可以分為下列六個優先順序區段：

若要簡化存取和重複使用，請建立儲存RFM區段、分數和值的VIEW。

下列SQL中的CASE陳述式會根據其RFM分數將客戶分類為區段，並將結果指派給RFM_Model變數。

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;

產生的VIEW遵循與先前建立相同的結構，但具有不同的ID。

最佳做法是執行簡單的探索查詢來檢查檢視中的資料。 請使用下列陳述式。

SELECT * FROM rfm_model_segment;

下列熒幕擷取畫面顯示SELECT * FROM rfm_model_segment;查詢的範例結果，顯示分段RFM模型資料。 輸出反映產生的VIEW的結構，包括根據RFM分數指派的客戶區段。

步驟4：使用SQL將RFM資料批次擷取至Real-Time Customer Profile sql-batch-ingest-rfm-data

接著，將擴充RFM的客戶資料批次擷取到即時客戶設定檔。 首先，建立已啟用設定檔的資料集，並使用SQL插入轉換後的資料。

建立衍生資料集以儲存RFM屬性 create-a-derived-dataset

由於此資料集將內嵌至設定檔存放區，因此需要分割區索引鍵。

建立空白資料集以儲存RFM屬性並指派主要身分。

在此SQL敘述句中：

由於「查詢編輯器」支援循序執行，因此您可以在單一工作階段中包含表格建立和資料插入查詢。 下列SQL會先建立啟用設定檔的表格來儲存RFM屬性。 然後，它會從rfm_model_segment將擴充RFM的客戶資料插入adls_rfm_profile表格，在您的租使用者特定名稱空間（即時客戶設定檔擷取所需）下建構每個記錄。

由於「查詢編輯器」支援循序執行，因此您可以在單一工作階段中執行表格建立和資料插入查詢。 下列SQL會先建立啟用設定檔的表格來儲存RFM屬性。 然後，它會從rfm_model_segment將擴充RFM的客戶資料插入adls_rfm_profile表格，確保每個記錄都在您的租使用者特定名稱空間(_{TENANT_ID})下正確建構。 此名稱空間是即時客戶個人檔案擷取和準確身分解析的必要條件。

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;

此查詢的結果類似於此Playbook中之前的資料集建立，但ID不同。

建立資料集後，請導覽至​ 資料集 > 瀏覽 > adls_rfm_profile以驗證資料集是空的。

您也可以導覽至「結構描述 > 瀏覽 > adls_rfm_profile」，以檢視您新建立之資料集的XDM個別設定檔結構描述圖表及其自訂欄位群組。

將資料插入新建立的衍生資料集中 insert-data-into-derived-dataset

接下來，將資料從rfm_model_segment VIEW插入為即時客戶設定檔啟用的adls_rfm_profile。

請確定INSERT陳述式的SELECT查詢中的欄位順序完全符合rfm_model_segment的結構。 此對齊方式可確保將來自rfm_model_segment的值正確插入目標資料表中對應的欄位中。 來源和目標欄位之間的未對齊可能導致資料不相符。

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;

完成後，查詢輸出在主控台中顯示「查詢完成」。

步驟5：排程查詢以進行批次處理 schedule-the-query

現在您的SQL程式碼會產生衍生的資料集，並啟用它以用於即時客戶設定檔，下一步就是將查詢排程在特定間隔執行，以自動化更新。 透過自動資料集更新，您不再需要手動執行。

排程查詢執行

儲存SQL之後，請瀏覽至​ 範本 ​索引標籤，以檢視儲存的查詢並啟動排程程式。 排程查詢的方式有兩種：

從右側邊欄選取​ 新增排程。

或者，選取範本名稱下方的​ 排程 ​索引標籤，然後選取​ 新增排程。

如需排程查詢的詳細資訊，請參閱查詢排程檔案。

排程詳細資料檢視就會顯示。 從此處，輸入以下詳細資料以設定排程：

選取​ 儲存 ​以確認排程。

儲存排程後，您可以隨時導覽至​ 排程查詢 ​索引標籤，以監視排程的資料Distiller工作。 有關檢視查詢執行狀態、錯誤訊息和警示的詳細資訊，請參閱監視排程查詢檔案。

設定之後，SQL查詢會在定義的間隔自動執行，確保資料保持最新狀態，而不需要手動干預。

步驟6：建立並啟用RFM型對象

在本教學課程中，有兩個方法可以建立和啟用RFM型對象。

選擇最適合您工作流程的方法。

解決方案1：透過Data Distiller的SQL對象 data-distiller-sql-audience

使用CREATE AUDIENCE AS SELECT命令來定義新對象。 建立的對象儲存在資料集中，並在​ 資料Distiller ​下的​ 對象 ​工作區中註冊。

使用SQL擴充功能建立的對象會自動在對象工作區的資料Distiller來源下註冊。 您可以從對象入口網站視需要檢視、管理及啟用對象。

如需SQL對象的詳細資訊，請參閱資料Distiller對象檔案。 若要瞭解如何在UI中管理對象，請參閱對象入口網站概觀。

建立客群 create-an-audience

若要建立對象，請使用下列SQL命令：

-- 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
);

建立空的對象資料集 create-empty-audience-dataset

在新增設定檔之前，請先建立空的資料集以儲存對象記錄。

-- 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;

將設定檔插入現有對象 insert-an-audience

若要將設定檔新增至現有對象，請使用「插入」命令。 這可讓您將個別設定檔或整個對象區段新增到現有的對象資料集。

-- 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';

刪除對象 delete-an-audience

若要刪除現有對象，請使用DROP AUDIENCE命令。 如果對象不存在，則除非指定IF EXISTS，否則會發生例外狀況。

DROP AUDIENCE IF EXISTS adls_rfm_audience;

解決方案2：建立具有RFM屬性的對象 create-audience-with-rfm-attributes

使用RFM屬性，根據使用者的行為和特性來劃分使用者。 本節將引導您透過Adobe Experience Platform UI，使用RFM分數來定義對象。

若要驗證資料是否已載入即時客戶設定檔，請瀏覽至​ 客戶 > 設定檔 > 瀏覽。 選取​ 識別名稱空間 ​做為Email並輸入user0076@example.com。 檢查設定檔詳細資訊，確認其中包含預期的RFM屬性。

若要瀏覽現有的對象，請從左側導覽面板中選取​ 對象，並確定已選取​ 瀏覽 ​索引標籤。 沙箱中的可用對象清單隨即顯示。 選取對象會顯示其說明、合格規則，以及包含的設定檔數目。

若要建立新對象，請選取右上角的​ 建立對象。 會顯示一個對話方塊，其中包含兩個選項。 選取​ 建置規則，然後選取​ 建立。

對象構成UI提供設定檔屬性的存取權。 導覽至​ 屬性 > XDM個別設定檔 ​以檢視可用的屬性。

如需使用對象構成的詳細資訊，請參閱對象構成UI指南。 如需使用區段產生器的詳細資訊，請參閱區段產生器UI指南。

在Data Distiller中建立的自訂屬性儲存在符合租使用者名稱空間名稱的資料夾中，這會顯示在沙箱名稱旁。 這些屬性可用來定義對象細分條件。

若要使用RFM屬性建立對象，請將Rfm_Model屬性拖放至Audience Composer中。 這些屬性可用於「Edge」、「串流」和「批次對象」。

若要完成對象，請選取右上角的​ 儲存並發佈。 儲存後，新建立的對象會出現在對象工作區中，您可在此檢閱其摘要和合格條件。

使用「區段產生器」來存取衍生的RFM屬性，並設計其他對象。 根據RFM分數啟用新建立的SQL對象，並將其傳送到任何偏好的目的地，包括Adobe Journey Optimizer。