Customer 360 (C360) מספק תצוגה מלאה ומאוחדת של האינטראקציות וההתנהגות של הלקוח בכל נקודות המגע והערוצים. תצוגה זו משמשת לזיהוי דפוסים ומגמות בהתנהגות לקוחות, שיכולים להכריע החלטות מונעות נתונים לשיפור התוצאות העסקיות. לדוגמה, אתה יכול להשתמש ב-C360 כדי לפלח וליצור קמפיינים שיווקיים שיש להם סיכוי גבוה יותר להדהד עם קבוצות ספציפיות של לקוחות.

בשנת 2022, AWS הזמינה מחקר שנערך על ידי מרכז הפריון והאיכות האמריקאי (APQC) כדי לכמת את הערך העסקי של לקוח 360. האיור הבא מציג חלק מהמדדים שנגזרו מהמחקר. ארגונים המשתמשים ב-C360 השיגו הפחתה של 43.9% במשך מחזור המכירות, עלייה של 22.8% בערך חיי הלקוח, 25.3% מהיר יותר בזמן לשוק, ושיפור של 19.1% בדירוג מקדם נטו (NPS).

ללא C360, עסקים מתמודדים עם הזדמנויות שהוחמצו, דוחות לא מדויקים וחוויות לקוח מפורקות, מה שמוביל לנטישה של לקוחות. עם זאת, בניית פתרון C360 יכולה להיות מסובכת. א סקר שיווק של גרטנר מצא שרק 14% מהארגונים הטמיעו בהצלחה פתרון C360, עקב חוסר הסכמה לגבי המשמעות של תצוגה של 360 מעלות, אתגרים עם איכות הנתונים והיעדר מבנה ממשל חוצה תפקודיים עבור נתוני לקוחות.

בפוסט זה, אנו דנים כיצד ניתן להשתמש בשירותי AWS ייעודיים כדי ליצור אסטרטגיית נתונים מקצה לקצה עבור C360 כדי לאחד ולשלוט בנתוני לקוחות העונים על אתגרים אלו. אנו בונים אותו בחמישה עמודים המחזקים את C360: איסוף נתונים, איחוד, ניתוח, הפעלה וממשל נתונים, יחד עם ארכיטקטורת פתרונות שתוכל להשתמש בה ליישום שלך.

חמשת עמודי התווך של C360 בוגרת

כאשר אתה מתחיל ליצור C360, אתה עובד עם מקרי שימוש מרובים, סוגי נתוני לקוחות ומשתמשים ויישומים הדורשים כלים שונים. בניית C360 על מערכי הנתונים הנכונים, הוספת מערכי נתונים חדשים לאורך זמן תוך שמירה על איכות הנתונים ושמירה על אבטחת הנתונים מצריכה אסטרטגיית נתונים מקצה לקצה עבור נתוני הלקוחות שלך. אתה גם צריך לספק כלים שמאפשרים לצוותים שלך לבנות מוצרים שמבשלים את ה-C360 שלך.

אנו ממליצים לבנות את אסטרטגיית הנתונים שלך סביב חמישה עמודי תווך של C360, כפי שמוצג באיור הבא. זה מתחיל באיסוף נתונים בסיסי, איחוד וקישור נתונים מערוצים שונים הקשורים ללקוחות ייחודיים, ומתקדם לקראת ניתוח בסיסי עד מתקדם לקבלת החלטות, ומעורבות אישית בערוצים שונים. ככל שאתה מתבגר בכל אחד מהעמודים הללו, אתה מתקדם לקראת תגובה לאותות לקוחות בזמן אמת.

התרשים הבא ממחיש את הארכיטקטורה הפונקציונלית המשלבת את אבני הבניין של א פלטפורמת נתוני לקוחות ב-AWS עם רכיבים נוספים המשמשים לתכנון פתרון C360 מקצה לקצה. זה מותאם לחמשת עמודי התווך עליהם דנים בפוסט זה.

נדבך 1: איסוף נתונים

כשאתה מתחיל לבנות את פלטפורמת נתוני הלקוחות שלך, עליך לאסוף נתונים ממערכות שונות ומנקודות מגע, כגון מערכות המכירות שלך, תמיכת לקוחות, אינטרנט ומדיה חברתית ושוק נתונים. חשבו על עמוד איסוף הנתונים כשילוב של יכולות קליטה, אחסון ועיבוד.

בליעת נתונים

עליך לבנות צינורות הטמעה בהתבסס על גורמים כמו סוגי מקורות נתונים (מאגרי נתונים מקומיים, קבצים, יישומי SaaS, נתונים של צד שלישי) וזרימת נתונים (זרמים לא מוגבלים או נתוני אצווה). AWS מספקת שירותים שונים לבניית צינורות לקליטת נתונים:

• דבק AWS הוא שירות אינטגרציית נתונים ללא שרת שמכניס נתונים באצוות מבסיסי נתונים מקומיים וממאגרי נתונים בענן. הוא מתחבר ליותר מ-70 מקורות נתונים ומסייע לך לבנות צינורות חילוץ, טרנספורמציה וטעינה (ETL) ללא צורך בניהול תשתית צינורות. איכות נתונים של דבק AWS בודקים ומתריעים על נתונים גרועים, מה שהופך אותו פשוט לזהות ולתקן בעיות לפני שהן פוגעות בעסק שלך.
• אמזון AppFlow קולט נתונים מיישומי תוכנה כשירות (SaaS) כמו Google Analytics, Salesforce, SAP ו-Marketo, מה שנותן לך את הגמישות להטמיע נתונים מיותר מ-50 יישומי SaaS.
• חילופי נתונים AWS עושה את זה פשוט למצוא, להירשם ולהשתמש בנתוני צד שלישי לצורך ניתוח. אתה יכול להירשם למוצרי נתונים שעוזרים להעשיר פרופילים של לקוחות, למשל נתונים דמוגרפיים, נתוני פרסום ונתוני שווקים פיננסיים.
• אמזון קינסי קולט אירועי סטרימינג בזמן אמת ממערכות נקודות מכירה, נתוני קליקים מאפליקציות ומאתרים לנייד ונתוני מדיה חברתית. אתה יכול גם לשקול להשתמש אמזון מנוהל סטרימינג עבור אפאצ'י קפקא (Amazon MSK) להזרמת אירועים בזמן אמת.

התרשים הבא ממחיש את הצינורות השונים להטמעת נתונים ממערכות מקור שונות באמצעות שירותי AWS.

אחסון נתונים

נתוני אצווה מובנים, חצי מובנים או לא מובנים מאוחסנים באחסון אובייקטים מכיוון שהם חסכוניים ועמידים. שירות אחסון פשוט של אמזון (Amazon S3) הוא שירות אחסון מנוהל עם תכונות ארכיון שיכול לאחסן פטה-בייט של נתונים עם אחת עשרה 9 של עמידות. הזרמת נתונים עם צרכי אחזור נמוכים מאוחסנים ב זרמי נתונים של אמזון קינסי לצריכה בזמן אמת. זה מאפשר ניתוח ופעולות מיידיות עבור צרכנים שונים במורד הזרם - כפי שניתן לראות במרכז של Riot Games Riot Event Bus.

עיבוד נתונים

נתונים גולמיים עמוסים לעתים קרובות בכפילויות ובפורמטים לא סדירים. אתה צריך לעבד את זה כדי שיהיה מוכן לניתוח. אם אתה צורך נתונים אצווה ונתונים זורמים, שקול להשתמש במסגרת שיכולה להתמודד עם שניהם. דפוס כמו ה ארכיטקטורת קאפה רואה הכל כזרם, מה שמפשט את צינורות העיבוד. שקול להשתמש שירות מנוהל אמזון עבור Apache Flink לטפל בעבודת העיבוד. עם Managed Service for Apache Flink, אתה יכול לנקות ולהמיר את נתוני הסטרימינג ולהפנות אותם ליעד המתאים בהתבסס על דרישות השהיה. אתה יכול גם ליישם עיבוד נתונים אצווה באמצעות אמזון EMR על מסגרות קוד פתוח כגון Apache Spark בביצועים טובים פי 3.5 מאשר הגרסה בניהול עצמי. החלטת הארכיטקטורה של שימוש במערכת עיבוד אצווה או זרימה תהיה תלויה בגורמים שונים; עם זאת, אם ברצונך לאפשר ניתוח בזמן אמת על נתוני הלקוחות שלך, אנו ממליצים להשתמש בדפוס ארכיטקטורת Kappa.

עמוד 2: איחוד

כדי לקשר את הנתונים המגוונים המגיעים מנקודות מגע שונות ללקוח ייחודי, עליך לבנות פתרון לעיבוד זהות שמזהה כניסות אנונימיות, מאחסן מידע שימושי על לקוחות, מקשר אותם לנתונים חיצוניים לתובנות טובות יותר ומקבץ לקוחות בתחומי עניין. למרות שפתרון עיבוד הזהות עוזר לבנות את פרופיל הלקוח המאוחד, אנו ממליצים לשקול זאת כחלק מיכולות עיבוד הנתונים שלך. התרשים הבא ממחיש את המרכיבים של פתרון כזה.

מרכיבי המפתח הם כדלקמן:

• רזולוציית זהות - פתרון זהות הוא פתרון למניעת כפילויות, שבו רשומות מותאמות לזיהוי לקוח ייחודי ולקוחות פוטנציאליים על ידי קישור מספר מזהים כגון קובצי Cookie, מזהי מכשירים, כתובות IP, מזהי דוא"ל ומזהי ארגון פנימיים לאדם ידוע או לפרופיל אנונימי תוך שימוש בפרטיות- שיטות תואמות. ניתן להשיג זאת באמצעות רזולוציית ישות AWS, המאפשר שימוש בטכניקות של כללים ולמידת מכונה (ML) כדי להתאים רשומות ולפתור זהויות. לחלופין, אתה יכול לבנות גרפי זהות באמצעות אמזון נפטון לתצוגה מאוחדת אחת של הלקוחות שלך.
• צבירת פרופילים – כאשר זיהית באופן ייחודי לקוח, אתה יכול לבנות יישומים ב-Managed Service עבור Apache Flink כדי לאחד את כל המטא נתונים שלהם, מהשם ועד היסטוריית האינטראקציות. לאחר מכן, אתה הופך את הנתונים הללו לפורמט תמציתי. במקום להציג כל פרטי עסקה, אתה יכול להציע ערך הוצאה מצטבר וקישור לרשומה של ניהול קשרי לקוחות (CRM) שלהם. עבור אינטראקציות עם שירות לקוחות, ספק ציון CSAT ממוצע וקישור למערכת המוקד הטלפוני לצלילה עמוקה יותר לתוך היסטוריית התקשורת שלהם.
• העשרת פרופיל - לאחר שתפתור לקוח לזהות אחת, שפר את הפרופיל שלו באמצעות מקורות נתונים שונים. העשרה כרוכה בדרך כלל בהוספת נתונים דמוגרפיים, התנהגותיים וגיאוגרפיים. אתה יכול להשתמש מוצרי נתונים של צד שלישי מ-AWS Marketplace מסופקים דרך AWS Data Exchange כדי לקבל תובנות על הכנסה, דפוסי צריכה, ציוני סיכוני אשראי ועוד ממדים רבים כדי לחדד עוד יותר את חווית הלקוח.
• פילוח לקוחות - לאחר זיהוי ייחודי והעשרת פרופיל של לקוח, אתה יכול לפלח אותם על סמך נתונים דמוגרפיים כמו גיל, הוצאה, הכנסה ומיקום באמצעות יישומים ב-Managed Service עבור Apache Flink. ככל שמתקדמים, אתה יכול לשלב שירותי AI לטכניקות מיקוד מדויקות יותר.

לאחר שעשיתם את עיבוד הזהות והפילוח, אתם זקוקים ליכולת אחסון כדי לאחסן את פרופיל הלקוח הייחודי ולספק עליו יכולות חיפוש ושאילתות לצרכנים במורד הזרם להשתמש בנתוני הלקוחות המועשרים.

התרשים הבא ממחיש את עמוד האיחוד עבור פרופיל לקוח מאוחד ותצוגה יחידה של הלקוח עבור יישומים במורד הזרם.

פרופיל לקוח מאוחד

מסדי נתונים גרפיים מצטיינים ביצירת מודלים של אינטראקציות ויחסים עם לקוחות, ומציעים מבט מקיף על מסע הלקוח. אם אתה מתמודד עם מיליארדי פרופילים ואינטראקציות, אתה יכול לשקול להשתמש ב-Neptune, שירות מסד נתונים גרפים מנוהל ב-AWS. ארגונים כגון זיטה ו Activision השתמשו בהצלחה ב-Neptune כדי לאחסן ולשאול מיליארדי מזהים ייחודיים בחודש ומיליוני שאילתות בשנייה בזמן תגובה של אלפיות השנייה.

תצוגת לקוח בודד

אמנם מסדי נתונים גרפים מספקים תובנות מעמיקות, אך הם יכולים להיות מורכבים עבור יישומים רגילים. זה נבון לאחד את הנתונים האלה לנקודת מבט אחת של לקוח, המשמשת כאסמכתא עיקרית ליישומים במורד הזרם, החל מפלטפורמות מסחר אלקטרוני ועד למערכות CRM. השקפה מאוחדת זו פועלת כמקשר בין פלטפורמת הנתונים ליישומים הממוקדים בלקוח. למטרות כאלה, אנו ממליצים להשתמש אמזון דינמו על יכולת ההתאמה, המדרגיות והביצועים שלו, וכתוצאה מכך מאגר לקוחות עדכני ויעיל. מסד הנתונים הזה יקבל הרבה שאילתות כתיבה בחזרה ממערכות ההפעלה שלומדות מידע חדש על הלקוחות ומזינות אותם בחזרה.

עמוד 3: אנליטיקה

עמוד הניתוח מגדיר יכולות שעוזרות לך לייצר תובנות על גבי נתוני הלקוחות שלך. אסטרטגיית הניתוח שלך חלה על הצרכים הארגוניים הרחב יותר, לא רק על C360. אתה יכול להשתמש באותן יכולות כדי להגיש דיווח כספי, למדוד ביצועים תפעוליים, או אפילו לייצר רווחים מנכסי נתונים. אסטרטגיה מבוססת על האופן שבו הצוותים שלך חוקרים נתונים, מפעילים ניתוחים, מתלבטים בנתונים לדרישות במורד הזרם, ומדמיינים נתונים ברמות שונות. תכנן כיצד תוכל לאפשר לצוותים שלך להשתמש ב-ML כדי לעבור מניתוח תיאורי לניתוח.

אל האני ארכיטקטורת נתונים מודרנית של AWS מראה דרך לבנות פלטפורמת נתונים מובנית, מאובטחת וניתנת להרחבה בענן. למד מזה כדי לבנות יכולות שאילתות על פני אגם הנתונים שלך ומחסן הנתונים.

התרשים הבא מפרק את יכולת הניתוח לחקר נתונים, ויזואליזציה, אחסון נתונים ושיתוף פעולה. בואו לגלות איזה תפקיד ממלא כל אחד מהרכיבים הללו בהקשר של C360.

חקר נתונים

חקר נתונים עוזר לחשוף חוסר עקביות, חריגים או שגיאות. על ידי זיהוי אלה בשלב מוקדם, הצוותים שלך יכולים לקבל שילוב נתונים נקי יותר עבור C360, אשר בתורו מוביל לניתוח ותחזיות מדויקים יותר. שקול את הפרסונות שחוקרות את הנתונים, את הכישורים הטכניים שלהן ואת הזמן עד לתובנה. לדוגמה, מנתחי נתונים שיודעים לכתוב SQL יכולים לבצע שאילתות ישירות על הנתונים השוכנים באמזון S3 באמצעות אמזונה אתנה. משתמשים המעוניינים בחקר חזותי יכולים לעשות זאת באמצעות AWS דבק DataBrew. מדעני נתונים או מהנדסים יכולים להשתמש סטודיו EMR של אמזון or סטודיו SageMaker של אמזון כדי לחקור נתונים מהמחברת, ולחוויית קוד נמוכה, אתה יכול להשתמש רנגלר הנתונים של אמזון SageMaker. מכיוון ששירותים אלה מבצעים שאילתות ישירות על דלי S3, אתה יכול לחקור את הנתונים כשהם נוחתים באגם הנתונים, ולצמצם את הזמן עד לתובנה.

ראיה

הפיכת מערכי נתונים מורכבים לחומר חזותי אינטואיטיבי חושפת דפוסים נסתרים בנתונים, והיא חיונית עבור מקרי שימוש ב-C360. עם יכולת זו, אתה יכול לעצב דוחות לרמות שונות הנותנות מענה לצרכים משתנים: דוחות מנהלים המציעים סקירה אסטרטגית, דוחות הנהלה המדגישים מדדים תפעוליים ודוחות מפורטים הצוללים לפרטים הספציפיים. בהירות ויזואלית כזו עוזרת לארגון שלך לקבל החלטות מושכלות בכל השכבות, ולרכז את נקודת המבט של הלקוח.

התרשים הבא מציג לוח מחוונים לדוגמה של C360 המבוסס עליו אמזון קוויקסייט. QuickSight מציע יכולות הדמיה ללא שרתים ניתנות להרחבה. אתה יכול להפיק תועלת משילובי ה-ML שלו עבור תובנות אוטומטיות כמו חיזוי וזיהוי חריגות או שאילתות בשפה טבעית עם אמזון Q ב-QuickSight, קישוריות ישירה לנתונים ממקורות שונים, וכן תמחור תשלום לפי הפעלה. עם QuickSight, אתה יכול הטמעת לוחות מחוונים לאתרים ויישומים חיצוניים, וה תבלין המנוע מאפשר הדמיה מהירה ואינטראקטיבית של נתונים בקנה מידה. צילום המסך הבא מציג דוגמה ללוח המחוונים של C360 בנוי על QuickSight.

מחסן נתונים

מחסני נתונים יעילים באיחוד נתונים מובנים ממקורות שונים ומגישים שאילתות ניתוח ממספר רב של משתמשים במקביל. מחסני נתונים יכולים לספק תצוגה אחידה ועקבית של כמות עצומה של נתוני לקוחות עבור מקרי שימוש ב-C360. האדום של אמזון נותן מענה לצורך זה על ידי טיפול מיומן בכמויות גדולות של נתונים ועומסי עבודה מגוונים. הוא מספק עקביות חזקה בין מערכי נתונים, ומאפשר לארגונים להפיק תובנות אמינות ומקיפות לגבי הלקוחות שלהם, דבר חיוני לקבלת החלטות מושכלות. Amazon Redshift מציעה תובנות בזמן אמת ויכולות ניתוח חזוי לניתוח נתונים מטרה-בייט ועד פטה-בייט. עם אמזון Redshift ML, אתה יכול להטמיע ML על גבי הנתונים המאוחסנים במחסן הנתונים עם מינימום תקורה לפיתוח. אמזון ללא שרתים לאדום מפשט את בניית האפליקציות ומקל על חברות להטמיע יכולות ניתוח נתונים עשירות.

שיתוף פעולה בנתונים

אתה יכול בצורה מאובטחת לשתף פעולה ולנתח מערכי נתונים קולקטיביים מהשותפים שלך מבלי לשתף או להעתיק אחד את הנתונים הבסיסיים של זה באמצעות AWS חדרים נקיים. אתה יכול לרכז נתונים שונים מכל ערוצי מעורבות ומערכי נתונים של שותפים כדי ליצור תצוגה של 360 מעלות של הלקוחות שלך. AWS Clean Rooms יכול לשפר את C360 על ידי הפעלת מקרי שימוש כמו אופטימיזציה של שיווק חוצה ערוצים, פילוח לקוחות מתקדם והתאמה אישית תואמת פרטיות. על ידי מיזוג בטוח של מערכי נתונים, הוא מציע תובנות עשירות יותר ופרטיות נתונים איתנה, עונה על צרכים עסקיים ותקנים רגולטוריים.

עמוד 4: הפעלה

הערך של הנתונים פוחת ככל שהם מתבגרים, מה שמוביל לעלויות הזדמנות גבוהות יותר לאורך זמן. בסקר שנערך על ידי Intersystems, 75% מהארגונים שנסקרו מאמינים כי נתונים בטרם עת עצרו הזדמנויות עסקיות. בסקר אחר, 58% מהארגונים (מתוך 560 משיבים מהמועצה המייעצת והקוראים של HBR) ציינו שהם ראו עלייה בשימור לקוחות ובנאמנות באמצעות ניתוח לקוחות בזמן אמת.

אתה יכול להגיע לבשלות ב-C360 כאשר אתה בונה את היכולת לפעול לפי כל התובנות שנרכשו מהעמודים הקודמים שדנו בהם בזמן אמת. לדוגמה, ברמת בגרות זו, תוכלו לפעול על סנטימנט הלקוחות בהתבסס על ההקשר שהפקתם אוטומטית עם פרופיל לקוח מועשר וערוצים משולבים. לשם כך עליכם ליישם קבלת החלטות מחייבות כיצד להתייחס לסנטימנט של הלקוח. כדי לעשות זאת בקנה מידה, עליך להשתמש בשירותי AI/ML לקבלת החלטות. התרשים הבא ממחיש את הארכיטקטורה להפעלת תובנות באמצעות ML עבור ניתוח מרשם ושירותי AI למיקוד ופילוח.

השתמש ב-ML עבור מנוע קבלת ההחלטות

עם ML, אתה יכול לשפר את חווית הלקוח הכוללת - אתה יכול ליצור מודלים חזויים של התנהגות לקוחות, לעצב הצעות מותאמות אישית ולמקד את הלקוח הנכון עם התמריץ הנכון. אתה יכול לבנות אותם באמצעות אמזון SageMaker, הכוללת חבילה של שירותים מנוהלים הממופים למחזור החיים של מדעי הנתונים, כולל סכסוך נתונים, הדרכת מודלים, אירוח מודלים, הסקת מודל, זיהוי סחיפה של מודל ואחסון תכונות. SageMaker מאפשר לך לבנות ולהפעיל את מודל ה-ML שלך, להחדיר אותם בחזרה ליישומים שלך כדי לייצר את התובנה הנכונה לאדם הנכון בזמן הנכון.

אמזון להתאים אישית תומך בהמלצות הקשריות, שבאמצעותן תוכל לשפר את הרלוונטיות של המלצות על ידי הפקתן בהקשר - למשל סוג מכשיר, מיקום או שעה ביום. הצוות שלך יכול להתחיל בלי ניסיון קודם ב-ML באמצעות ממשקי API לבניית יכולות התאמה אישית מתוחכמות בכמה קליקים. למידע נוסף, ראה התאם אישית את ההמלצות שלך על ידי קידום פריטים ספציפיים באמצעות כללים עסקיים עם Amazon Personalize.

הפעל ערוצים בין שיווק, פרסום, ישירות לצרכן ונאמנות

עכשיו כשאתה יודע מי הלקוחות שלך ולמי לפנות, אתה יכול לבנות פתרונות להפעלת קמפיינים מיקוד בקנה מידה. עם נקודת אמזון, אתה יכול להתאים אישית ולפלח תקשורת כדי למשוך לקוחות על פני ערוצים מרובים. לדוגמה, אתה יכול להשתמש ב- Amazon Pinpoint כדי לבנות חוויות לקוחות מרתקות דרך ערוצי תקשורת שונים כמו דואר אלקטרוני, SMS, הודעות דחיפה והתראות בתוך האפליקציה.

נדבך 5: ממשל נתונים

הקמת ממשל נכון שמאזן שליטה וגישה מעניק למשתמשים אמון וביטחון בנתונים. תארו לעצמכם שמציעים מבצעים על מוצרים שלקוח לא צריך, או מפציץ את הלקוחות הלא נכונים בהתראות. איכות נתונים ירודה יכולה להוביל למצבים כאלה, ובסופו של דבר לגרום לנטישה של לקוחות. אתה צריך לבנות תהליכים שמאמתים את איכות הנתונים ולנקוט פעולות מתקנות. איכות נתונים של דבק AWS יכול לעזור לך לבנות פתרונות המאמתים את איכות הנתונים במנוחה ובמעבר, בהתבסס על כללים מוגדרים מראש.

כדי להגדיר מבנה ממשל צולב תפקודי עבור נתוני לקוחות, אתה זקוק ליכולת ניהול ושיתוף נתונים ברחבי הארגון שלך. עם אמזון DataZone, מנהלי מערכת ומנהלי נתונים יכולים לנהל ולשלוט בגישה לנתונים, וצרכנים כגון מהנדסי נתונים, מדעני נתונים, מנהלי מוצר, אנליסטים ומשתמשים עסקיים אחרים יכולים לגלות, להשתמש ולשתף פעולה עם נתונים אלה כדי להעלות תובנות. זה מייעל את הגישה לנתונים, מאפשר לך למצוא ולהשתמש בנתוני לקוחות, מקדם שיתוף פעולה בצוות עם נכסי נתונים משותפים, ומספק ניתוח מותאם אישית באמצעות אפליקציית אינטרנט או API בפורטל. תצורת אגם AWS מוודא שהגישה לנתונים מאובטחת, ומבטיחה שהאנשים הנכונים רואים את הנתונים הנכונים מהסיבות הנכונות, דבר הכרחי לממשל חוצה תפקודי יעיל בכל ארגון. מטא נתונים עסקיים מאוחסנים ומנוהלים על ידי Amazon DataZone, אשר מבוסס על מטא נתונים טכניים ופרטי סכימה, אשר רשומים ב- קטלוג נתוני דבק של AWS. מטא נתונים טכניים אלה משמשים גם שירותי ממשל אחרים כגון Lake Formation ו-Amazon DataZone, וגם שירותי ניתוח כגון Amazon Redshift, Athena ו-AWS Glue.

מביא את כל זה ביחד

באמצעות הדיאגרמה הבאה בתור התייחסות, ניתן ליצור פרויקטים וצוותים לבנייה והפעלה של יכולות שונות. לדוגמה, אתה יכול להתמקד בצוות שילוב נתונים בעמוד איסוף הנתונים - לאחר מכן תוכל ליישר תפקידים פונקציונליים, כמו ארכיטקטי נתונים ומהנדסי נתונים. אתה יכול לבנות את שיטות הניתוח ומדעי הנתונים שלך כדי להתמקד בעמודי הניתוח וההפעלה, בהתאמה. לאחר מכן תוכל ליצור צוות מיוחד לעיבוד זהות הלקוח ולבניית המבט המאוחד של הלקוח. אתה יכול להקים צוות ניהול נתונים עם מנהלי נתונים מפונקציות שונות, מנהלי אבטחה וקובעי מדיניות ניהול נתונים כדי לעצב ולהפוך מדיניות לאוטומטית.

סיכום

בניית יכולת חזקה של C360 היא בסיסית עבור הארגון שלך כדי לקבל תובנות על בסיס הלקוחות שלך. שירותי AWS Database, Analytics ו-AI/ML יכולים לעזור לייעל את התהליך הזה, ולספק מדרגיות ויעילות. בעקבות חמשת עמודי התווך כדי להנחות את החשיבה שלך, אתה יכול לבנות אסטרטגיית נתונים מקצה לקצה המגדירה את תצוגת C360 ברחבי הארגון, מוודאת שהנתונים מדויקים ומקימה ממשל צולב תפקודי עבור נתוני לקוחות. אתה יכול לסווג ולתעדף את המוצרים והתכונות שאתה צריך לבנות בתוך כל עמודה, לבחור את הכלי המתאים לעבודה ולבנות את הכישורים הדרושים לך בצוותים שלך.

לְבַקֵר AWS לסיפורי לקוחות נתונים כדי ללמוד כיצד AWS משנה מסעות לקוחות, מהארגונים הגדולים בעולם לסטארט-אפים צומחים.

על הכותבים

איסמעיל מכלוף הוא ארכיטקט פתרונות מומחה בכיר לניתוח נתונים ב-AWS. Ismail מתמקדת בפתרונות ארכיטקטורה לארגונים על פני שטח ניתוח הנתונים מקצה לקצה שלהם, כולל הזרמת אצווה ובזמן אמת, נתונים גדולים, מחסני נתונים ועומסי עבודה של אגם נתונים. הוא עובד בעיקר עם ארגונים בקמעונאות, מסחר אלקטרוני, פינטק, HealthTech ונסיעות כדי להשיג את היעדים העסקיים שלהם עם פלטפורמות נתונים מעוצבות היטב.

סנדיפן בהאומיק (סנדי) הוא ארכיטקט פתרונות מומחה באנליטיקה בכיר ב-AWS. הוא עוזר ללקוחות לחדש את פלטפורמות הנתונים שלהם בענן כדי לבצע ניתוחים בצורה מאובטחת בקנה מידה, להפחית את התקורה התפעולית, ולמטב את השימוש עבור עלות-תועלת וקיימות.

• הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
• PlatoData.Network Vertical Generative Ai. העצים את עצמך. גישה כאן.
• PlatoAiStream. Web3 Intelligence. הידע מוגבר. גישה כאן.
• PlatoESG. פחמן, קלינטק, אנרגיה, סביבה, שמש, ניהול פסולת. גישה כאן.
• PlatoHealth. מודיעין ביוטכנולוגיה וניסויים קליניים. גישה כאן.
• מקור: https://aws.amazon.com/blogs/big-data/create-an-end-to-end-data-strategy-for-customer-360-on-aws/