고객 360(C360) 모든 접점과 채널에서 고객의 상호 작용과 행동에 대한 완전하고 통합된 보기를 제공합니다. 이 보기는 고객 행동의 패턴과 추세를 식별하는 데 사용되며, 이를 통해 데이터 기반 결정을 알려 비즈니스 결과를 개선할 수 있습니다. 예를 들어 C360을 사용하면 특정 고객 그룹의 공감을 불러일으킬 가능성이 높은 마케팅 캠페인을 분류하고 만들 수 있습니다.

2022년에 AWS는 미국 생산성 및 품질 센터(APQC)에 연구를 의뢰하여 Customer 360의 비즈니스 가치. 다음 그림은 연구에서 파생된 일부 지표를 보여줍니다. C360을 사용하는 조직은 판매 주기 기간이 43.9% 감소하고, 고객 평생 가치가 22.8% 증가하고, 출시 기간이 25.3% 단축되었으며, NPS(순 추천 지수) 등급이 19.1% 향상되었습니다.

C360이 없으면 기업은 기회 상실, 부정확한 보고서, 단절된 고객 경험에 직면하여 고객 이탈로 이어집니다. 그러나 C360 솔루션을 구축하는 것은 복잡할 수 있습니다. ㅏ Gartner 마케팅 설문조사 14도 관점의 의미에 대한 합의 부족, 데이터 품질 문제, 고객 데이터에 대한 부서 간 거버넌스 구조 부족으로 인해 조직의 360%만이 C360 솔루션을 성공적으로 구현한 것으로 나타났습니다.

이 게시물에서는 이러한 문제를 해결하는 고객 데이터를 통합하고 관리하기 위해 특별히 구축된 AWS 서비스를 사용하여 C360에 대한 엔드 투 엔드 데이터 전략을 생성하는 방법에 대해 논의합니다. 우리는 구현에 사용할 수 있는 솔루션 아키텍처와 함께 데이터 수집, 통합, 분석, 활성화 및 데이터 거버넌스라는 C360을 강화하는 XNUMX가지 기둥으로 이를 구성합니다.

성숙한 C360의 다섯 가지 기둥

C360 생성을 시작하면 다양한 사용 사례, 고객 데이터 유형, 다양한 도구가 필요한 사용자 및 애플리케이션을 다루게 됩니다. 올바른 데이터세트에 C360을 구축하고, 데이터 품질을 유지하면서 시간이 지남에 따라 새로운 데이터세트를 추가하고, 보안을 유지하려면 고객 데이터에 대한 엔드투엔드 데이터 전략이 필요합니다. 또한 팀이 C360을 성숙시키는 제품을 쉽게 구축할 수 있도록 하는 도구를 제공해야 합니다.

다음 그림과 같이 C360의 XNUMX개 핵심을 중심으로 데이터 전략을 구축하는 것이 좋습니다. 이는 기본 데이터 수집에서 시작해 고유 고객과 관련된 다양한 채널의 데이터를 통합하고 연결하며, 의사결정을 위한 기초 분석부터 고급 분석, 다양한 채널을 통한 개인화된 참여까지 진행됩니다. 이러한 각 요소에서 성숙해짐에 따라 실시간 고객 신호에 대응하는 방향으로 발전하게 됩니다.

다음 다이어그램은 구성 요소를 결합하는 기능적 아키텍처를 보여줍니다. AWS의 고객 데이터 플랫폼 엔드투엔드 C360 솔루션을 설계하는 데 사용되는 추가 구성 요소가 포함되어 있습니다. 이는 이 게시물에서 논의하는 XNUMX가지 기둥과 일치합니다.

원칙 1: 데이터 수집

고객 데이터 플랫폼 구축을 시작하면 판매 시스템, 고객 지원, 웹 및 소셜 미디어, 데이터 마켓플레이스 등 다양한 시스템과 접점에서 데이터를 수집해야 합니다. 데이터 수집 기반을 수집, 저장, 처리 기능의 조합으로 생각하세요.

데이터 수집

데이터 소스 유형(온프레미스 데이터 저장소, 파일, SaaS 애플리케이션, 타사 데이터) 및 데이터 흐름(제한되지 않은 스트림 또는 배치 데이터)과 같은 요소를 기반으로 수집 파이프라인을 구축해야 합니다. AWS는 데이터 수집 파이프라인 구축을 위한 다양한 서비스를 제공합니다.

• AWS 접착제 온프레미스 데이터베이스와 클라우드의 데이터 저장소에서 일괄적으로 데이터를 수집하는 서버리스 데이터 통합 ​​서비스입니다. 70개 이상의 데이터 소스에 연결하고 파이프라인 인프라를 관리할 필요 없이 ETL(추출, 변환 및 로드) 파이프라인을 구축하는 데 도움이 됩니다. AWS Glue 데이터 품질 열악한 데이터를 확인하고 경고하므로 문제가 비즈니스에 해를 끼치기 전에 쉽게 발견하고 해결할 수 있습니다.
• 아마존 AppFlow Google Analytics, Salesforce, SAP, Marketo와 같은 SaaS(Software as a Service) 애플리케이션에서 데이터를 수집하여 50개 이상의 SaaS 애플리케이션에서 데이터를 수집할 수 있는 유연성을 제공합니다.
• AWS 데이터 교환 분석을 위해 제3자 데이터를 쉽게 찾고, 구독하고, 사용할 수 있습니다. 인구 통계 데이터, 광고 데이터, 금융 시장 데이터 등 고객 프로필을 강화하는 데 도움이 되는 데이터 제품을 구독할 수 있습니다.
• 아마존 키네 시스 POS 시스템의 스트리밍 이벤트, 모바일 앱 및 웹사이트의 클릭스트림 데이터, 소셜 미디어 데이터를 실시간으로 수집합니다. 당신은 또한 사용을 고려할 수 있습니다 Apache Kafka 용 Amazon Managed Streaming (Amazon MSK)를 통해 이벤트를 실시간으로 스트리밍할 수 있습니다.

다음 다이어그램은 AWS 서비스를 사용하여 다양한 소스 시스템에서 데이터를 수집하는 다양한 파이프라인을 보여줍니다.

데이터 저장고

정형, 반정형 또는 비정형 배치 데이터는 비용 효율적이고 내구성이 뛰어나므로 객체 스토리지에 저장됩니다. 아마존 단순 스토리지 서비스 (Amazon S3)은 페타바이트 규모의 데이터를 저장할 수 있는 보관 기능을 갖춘 관리형 스토리지 서비스입니다. 9의 내구성. 짧은 대기 시간이 필요한 스트리밍 데이터는 다음 위치에 저장됩니다. Amazon Kinesis 데이터 스트림 실시간 소비를 위해 이를 통해 Riot Games의 중앙 집중식 사례에서 볼 수 있듯이 다양한 하위 소비자에 대한 즉각적인 분석 및 조치가 가능합니다. 폭동 이벤트 버스.

데이터 처리

원시 데이터는 중복되거나 불규칙한 형식으로 인해 복잡해지는 경우가 많습니다. 분석할 수 있도록 이를 처리해야 합니다. 일괄 데이터와 스트리밍 데이터를 사용하는 경우 두 데이터를 모두 처리할 수 있는 프레임워크 사용을 고려하세요. 다음과 같은 패턴 카파 아키텍처 모든 것을 스트림으로 보고 처리 파이프라인을 단순화합니다. 사용을 고려해보세요 Apache Flink용 Amazon 관리형 서비스 처리 작업을 처리합니다. Apache Flink용 관리형 서비스를 사용하면 스트리밍 데이터를 정리 및 변환하고 대기 시간 요구 사항에 따라 적절한 대상으로 전달할 수 있습니다. 다음을 사용하여 일괄 데이터 처리를 구현할 수도 있습니다. 아마존 EMR Apache Spark와 같은 오픈 소스 프레임워크에서 3.5배 향상된 성능 자체 관리 버전보다 배치 또는 스트리밍 처리 시스템 사용에 대한 아키텍처 결정은 다양한 요인에 따라 달라집니다. 그러나 고객 데이터에 대한 실시간 분석을 활성화하려면 Kappa 아키텍처 패턴을 사용하는 것이 좋습니다.

기둥 2: 통일

다양한 접점에서 도착하는 다양한 데이터를 고유한 고객에게 연결하려면 익명 로그인을 식별하고, 유용한 고객 정보를 저장하고, 더 나은 통찰력을 위해 외부 데이터에 연결하고, 고객을 관심 도메인으로 그룹화하는 ID 처리 솔루션을 구축해야 합니다. ID 처리 솔루션은 통합된 고객 프로필을 구축하는 데 도움이 되지만 이를 데이터 처리 기능의 일부로 고려하는 것이 좋습니다. 다음 다이어그램은 이러한 솔루션의 구성 요소를 보여줍니다.

주요 구성 요소는 다음과 같습니다.

• 신원 확인 – 신원 확인은 개인 정보 보호를 사용하여 쿠키, 장치 식별자, IP 주소, 이메일 ID 및 내부 기업 ID와 같은 여러 식별자를 알려진 사람 또는 익명 프로필에 연결하여 레코드를 일치시켜 고유한 고객 및 잠재 고객을 식별하는 중복 제거 솔루션입니다. 호환 방법. 이는 다음을 사용하여 달성할 수 있습니다. AWS 엔터티 확인, 규칙과 머신러닝(ML) 기술을 사용하여 다음을 수행할 수 있습니다. 기록 일치 및 신원 확인. 또는 다음을 수행 할 수 있습니다. 아이덴티티 그래프 구축 사용 아마존 해왕성 고객에 대한 단일 통합 보기를 제공합니다.
• 프로필 집계 – 고객을 고유하게 식별한 경우 다음을 수행할 수 있습니다. Apache Flink용 관리형 서비스에서 애플리케이션 구축 이름부터 상호작용 기록까지 모든 메타데이터를 통합합니다. 그런 다음 이 데이터를 간결한 형식으로 변환합니다. 모든 거래 세부정보를 표시하는 대신 집계된 지출 금액과 고객 관계 관리(CRM) 기록에 대한 링크를 제공할 수 있습니다. 고객 서비스 상호작용의 경우 평균 CSAT 점수와 콜센터 시스템 링크를 제공하여 커뮤니케이션 기록을 더 자세히 알아볼 수 있습니다.
• 프로필 강화 – 고객을 단일 ID로 확인한 후 다양한 데이터 소스를 사용하여 프로필을 강화합니다. 강화에는 일반적으로 인구 통계, 행동 및 지리적 위치 데이터를 추가하는 작업이 포함됩니다. 당신이 사용할 수있는 AWS Data Exchange를 통해 제공되는 AWS Marketplace의 타사 데이터 제품 소득, 소비 패턴, 신용 위험 점수 및 고객 경험을 더욱 개선하기 위한 다양한 측면에 대한 통찰력을 얻습니다.
• 고객 세분화 – 고객 프로필을 고유하게 식별하고 강화한 후 Apache Flink용 관리 서비스의 애플리케이션을 사용하여 연령, 지출, 소득, 위치 등의 인구통계를 기준으로 고객을 분류할 수 있습니다. 진행하면서 통합할 수 있습니다. 보다 정확한 타겟팅 기술을 위한 AI 서비스입니다.

ID 처리 및 세분화를 완료한 후에는 고유한 고객 프로필을 저장하고 그 위에 다운스트림 소비자가 풍부한 고객 데이터를 사용할 수 있도록 검색 및 쿼리 기능을 제공하는 스토리지 기능이 필요합니다.

다음 다이어그램은 통합된 고객 프로필과 다운스트림 애플리케이션에 대한 고객의 단일 보기를 위한 통합 기반을 보여줍니다.

통합된 고객 프로필

그래프 데이터베이스는 고객 상호 작용 및 관계 모델링에 탁월하여 고객 여정에 대한 포괄적인 보기를 제공합니다. 수십억 개의 프로필과 상호 작용을 처리하는 경우 AWS의 관리형 그래프 데이터베이스 서비스인 Neptune 사용을 고려할 수 있습니다. 다음과 같은 조직 제타 과 Activision Neptune을 사용하여 매월 수십억 개의 고유 식별자와 밀리초 응답 시간에 초당 수백만 개의 쿼리를 저장하고 쿼리하는 데 성공했습니다.

단일 고객 보기

그래프 데이터베이스는 심층적인 통찰력을 제공하지만 일반 애플리케이션에서는 복잡할 수 있습니다. 이 데이터를 단일 고객 보기로 통합하여 전자상거래 플랫폼에서 CRM 시스템에 이르는 다운스트림 애플리케이션에 대한 기본 참조 역할을 하는 것이 현명합니다. 이 통합 보기는 데이터 플랫폼과 고객 중심 애플리케이션 간의 연결 역할을 합니다. 이러한 목적으로 다음을 사용하는 것이 좋습니다. 아마존 DynamoDB 적응성, 확장성 및 성능을 통해 최신의 효율적인 고객 데이터베이스를 제공합니다. 이 데이터베이스는 고객에 대한 새로운 정보를 학습하고 피드백하는 활성화 시스템으로부터 많은 쓰기 쿼리를 다시 받아들입니다.

원칙 3: 분석

분석 원칙은 고객 데이터를 바탕으로 통찰력을 생성하는 데 도움이 되는 기능을 정의합니다. 분석 전략은 C360뿐만 아니라 더 광범위한 조직 요구 사항에 적용됩니다. 동일한 기능을 사용하여 재무 보고를 제공하고, 운영 성과를 측정하고, 데이터 자산으로 수익을 창출할 수도 있습니다. 팀이 데이터를 탐색하고, 분석을 실행하고, 다운스트림 요구 사항에 맞게 데이터를 조정하고, 다양한 수준에서 데이터를 시각화하는 방법을 기반으로 전략을 수립하세요. 팀이 ML을 사용하여 설명적 분석에서 처방적 분석으로 전환할 수 있는 방법을 계획하세요.

XNUMXD덴탈의 AWS 최신 데이터 아키텍처 클라우드에서 특정 목적에 맞게 구축되고 안전하며 확장 가능한 데이터 플랫폼을 구축하는 방법을 보여줍니다. 데이터 레이크와 데이터 웨어하우스 전반에 걸쳐 쿼리 기능을 구축하는 방법을 알아보세요.

다음 다이어그램은 분석 기능을 데이터 탐색, 시각화, 데이터 웨어하우징 및 데이터 협업으로 분류합니다. C360의 맥락에서 이러한 각 구성 요소가 어떤 역할을 하는지 알아 보겠습니다.

데이터 탐색

데이터 탐색은 불일치, 이상값 또는 오류를 찾아내는 데 도움이 됩니다. 이를 조기에 발견함으로써 팀은 C360에 대한 보다 명확한 데이터 통합을 확보할 수 있으며 결과적으로 보다 정확한 분석 및 예측으로 이어질 수 있습니다. 데이터를 탐색하는 인물, 기술 능력, 통찰력을 얻는 시간을 고려하세요. 예를 들어, SQL 작성 방법을 아는 데이터 분석가는 다음을 사용하여 Amazon S3에 있는 데이터를 직접 쿼리할 수 있습니다. 아마존 아테나. 시각적 탐색에 관심이 있는 사용자는 다음을 사용하여 그렇게 할 수 있습니다. AWS 글루 데이터브루. 데이터 과학자 또는 엔지니어가 사용할 수 있는 Amazon EMR 스튜디오 or 아마존 세이지 메이커 스튜디오 노트북의 데이터를 탐색하고 로우코드 환경을 위해 다음을 사용할 수 있습니다. Amazon SageMaker 데이터 랭글러. 이러한 서비스는 S3 버킷에 직접 쿼리하기 때문에 데이터 레이크에 있는 데이터를 탐색하여 통찰력을 얻는 시간을 단축할 수 있습니다.

시각화

복잡한 데이터 세트를 직관적인 시각적 개체로 전환하면 데이터에 숨겨진 패턴이 밝혀지며 C360 사용 사례에 매우 중요합니다. 이 기능을 사용하면 전략적 개요를 제공하는 실행 보고서, 운영 지표를 강조하는 관리 보고서, 세부 사항을 자세히 다루는 세부 보고서 등 다양한 요구 사항에 맞는 다양한 수준의 보고서를 디자인할 수 있습니다. 이러한 시각적 명확성은 조직이 모든 계층에 걸쳐 정보에 입각한 결정을 내리고 고객의 관점을 중앙 집중화하는 데 도움이 됩니다.

다음 다이어그램은 다음을 기반으로 구축된 샘플 C360 대시보드를 보여줍니다. 아마존 퀵 사이트. QuickSight는 확장 가능한 서버리스 시각화 기능을 제공합니다. 예측, 이상 탐지 또는 자연어 쿼리와 같은 자동화된 통찰력을 위한 ML 통합의 이점을 누릴 수 있습니다. QuickSight의 Amazon Q, 다양한 소스로부터의 직접 데이터 연결 세션당 지불 가격. QuickSight를 사용하면 다음을 수행할 수 있습니다. 외부 웹사이트 및 애플리케이션에 대시보드 삽입및 SPICE 엔진을 사용하면 대규모의 신속한 대화형 데이터 시각화가 가능합니다. 다음 스크린샷은 QuickSight를 기반으로 구축된 C360 대시보드의 예를 보여줍니다.

데이터웨어 하우스

데이터 웨어하우스는 다양한 소스의 구조화된 데이터를 통합하고 다수의 동시 사용자로부터 분석 쿼리를 처리하는 데 효율적입니다. 데이터 웨어하우스는 C360 사용 사례에 대한 방대한 양의 고객 데이터에 대한 통합되고 일관된 보기를 제공할 수 있습니다. 아마존 레드 시프트 대용량 데이터와 다양한 워크로드를 적절하게 처리하여 이러한 요구를 해결합니다. 이는 데이터 세트 전반에 걸쳐 강력한 일관성을 제공하므로 조직은 정보에 입각한 의사 결정에 필수적인 고객에 대한 신뢰할 수 있고 포괄적인 통찰력을 얻을 수 있습니다. Amazon Redshift는 테라바이트에서 페타바이트까지의 데이터를 분석하기 위한 실시간 통찰력과 예측 분석 기능을 제공합니다. 와 함께 아마존 레드시프트 ML, 최소한의 개발 오버헤드로 데이터 웨어하우스에 저장된 데이터 위에 ML을 내장할 수 있습니다. Amazon Redshift 서버리스 애플리케이션 구축을 단순화하고 기업이 풍부한 데이터 분석 기능을 쉽게 내장할 수 있도록 해줍니다.

데이터 협업

안전하게 할 수 있어요 집단 데이터 세트를 공동 작업하고 분석합니다. 다음을 사용하여 서로의 기본 데이터를 공유하거나 복사하지 않고 파트너로부터 AWS 클린룸. 참여 채널과 파트너 데이터세트 전반에 걸쳐 서로 다른 데이터를 통합하여 고객에 대한 360도 뷰를 형성할 수 있습니다. AWS Clean Rooms는 교차 채널 마케팅 최적화, 고급 고객 세분화, 개인정보 보호 규정을 준수하는 개인화와 같은 사용 사례를 지원하여 C360을 향상할 수 있습니다. 데이터 세트를 안전하게 병합함으로써 더 풍부한 통찰력과 강력한 데이터 개인 정보 보호를 제공하고 비즈니스 요구 사항과 규제 표준을 충족합니다.

원칙 4: 활성화

데이터의 가치는 오래될수록 감소하므로 시간이 지남에 따라 기회 비용이 높아집니다. 설문조사에서 인터시스템즈가 실시한, 조사 대상 조직의 75%는 시기적절하지 않은 데이터가 비즈니스 기회를 방해한다고 믿고 있습니다. 또 다른 조사에서는 조직의 58 % (HBR 자문 위원회 및 독자 응답자 560명 중)은 실시간 고객 분석을 사용하여 고객 유지 및 충성도가 증가했다고 밝혔습니다.

우리가 논의한 이전 기반에서 얻은 모든 통찰력을 실시간으로 활용하는 능력을 구축하면 C360의 성숙도를 달성할 수 있습니다. 예를 들어, 이 성숙도 수준에서는 풍부한 고객 프로필과 통합 채널을 통해 자동으로 파생된 컨텍스트를 기반으로 고객 감정에 따라 조치를 취할 수 있습니다. 이를 위해서는 고객의 정서를 해결하는 방법에 대한 규범적인 의사 결정을 구현해야 합니다. 이를 대규모로 수행하려면 의사 결정에 AI/ML 서비스를 사용해야 합니다. 다음 다이어그램은 처방적 분석을 위한 ML과 타겟팅 및 세분화를 위한 AI 서비스를 사용하여 통찰력을 활성화하는 아키텍처를 보여줍니다.

의사결정 엔진에 ML 사용

ML을 사용하면 전반적인 고객 경험을 개선할 수 있습니다. 예측 가능한 고객 행동 모델을 생성하고, 고도로 개인화된 제안을 설계하고, 적절한 인센티브를 통해 적절한 고객을 타겟팅할 수 있습니다. 다음을 사용하여 빌드할 수 있습니다. 아마존 세이지 메이커, 데이터 랭글링, 모델 교육, 모델 호스팅, 모델 추론, 모델 드리프트 감지, 기능 저장 등 데이터 과학 수명주기에 매핑된 관리형 서비스 제품군을 제공합니다. SageMaker를 사용하면 다음을 수행할 수 있습니다. ML 모델 구축 및 운용, 이를 애플리케이션에 다시 주입하여 적시에 적절한 사람에게 올바른 통찰력을 제공합니다.

아마존 개인화 상황별 권장 사항을 지원합니다. 이를 통해 장치 유형, 위치, 시간 등 상황 내에서 권장 사항을 생성하여 관련성을 높일 수 있습니다. 팀은 ML 경험이 없어도 API를 사용하여 클릭 몇 번만으로 정교한 개인화 기능을 구축할 수 있습니다. 자세한 내용은 다음을 참조하세요. Amazon Personalize에서 비즈니스 규칙을 사용하여 특정 항목을 홍보하여 ​​권장 사항 사용자 지정.

마케팅, 광고, 소비자 직접 판매, 충성도 전반에 걸쳐 채널 활성화

이제 고객이 누구인지, 누구에게 연락해야 하는지 알았으므로 대규모 타겟팅 캠페인을 실행하기 위한 솔루션을 구축할 수 있습니다. 와 함께 아마존 핀 포인트를 사용하면 커뮤니케이션을 개인화하고 세분화하여 여러 채널에서 고객의 참여를 유도할 수 있습니다. 예를 들어 Amazon Pinpoint를 사용하여 다음을 수행할 수 있습니다. 매력적인 고객 경험 구축 이메일, SMS, 푸시 알림, 인앱 알림 등 다양한 커뮤니케이션 채널을 통해

원칙 5: 데이터 거버넌스

제어와 액세스의 균형을 유지하는 올바른 거버넌스를 구축하면 사용자에게 데이터에 대한 신뢰와 확신을 줄 수 있습니다. 고객에게 필요하지 않은 제품에 대한 프로모션을 제공하거나 잘못된 고객에게 알림을 퍼붓는다고 상상해 보십시오. 데이터 품질이 좋지 않으면 이러한 상황이 발생할 수 있으며 궁극적으로는 고객 이탈로 이어질 수 있습니다. 데이터 품질을 검증하고 수정 조치를 취하는 프로세스를 구축해야 합니다. AWS Glue 데이터 품질 미리 정의된 규칙을 기반으로 저장 데이터와 전송 중인 데이터의 품질을 검증하는 솔루션을 구축하는 데 도움이 됩니다.

고객 데이터에 대한 부서 간 거버넌스 구조를 설정하려면 조직 전체에서 데이터를 관리하고 공유할 수 있는 기능이 필요합니다. 와 함께 아마존 데이터존, 관리자 및 데이터 관리자는 데이터에 대한 액세스를 관리하고 제어할 수 있으며, 데이터 엔지니어, 데이터 과학자, 제품 관리자, 분석가 및 기타 비즈니스 사용자와 같은 소비자는 해당 데이터를 검색, 사용 및 협업하여 통찰력을 얻을 수 있습니다. 데이터 액세스를 간소화하여 고객 데이터를 찾아 사용할 수 있게 하고, 공유 데이터 자산으로 팀 협업을 촉진하며, 웹 앱이나 포털의 API를 통해 개인화된 분석을 제공합니다. AWS Lake 형성 데이터에 안전하게 액세스하여 올바른 사람들이 올바른 이유로 올바른 데이터를 볼 수 있도록 보장합니다. 이는 모든 조직에서 효과적인 부서 간 거버넌스에 중요합니다. 비즈니스 메타데이터는 Amazon DataZone에 저장 및 관리되며, 이는 Amazon DataZone에 등록된 기술 메타데이터 및 스키마 정보를 기반으로 합니다. AWS Glue 데이터 카탈로그. 이 기술 메타데이터는 Lake Formation 및 Amazon DataZone과 같은 다른 거버넌스 서비스와 Amazon Redshift, Athena 및 AWS Glue와 같은 분석 서비스에서도 사용됩니다.

모두 함께 그것을 가져

다음 다이어그램을 참조하여 다양한 기능을 구축하고 운영하기 위한 프로젝트와 팀을 만들 수 있습니다. 예를 들어 데이터 통합 ​​팀이 데이터 수집 기반에 집중하도록 할 수 있습니다. 그런 다음 데이터 설계자 및 데이터 엔지니어와 같은 기능적 역할을 조정할 수 있습니다. 분석 및 활성화 원칙에 각각 초점을 맞춰 분석 및 데이터 과학 사례를 구축할 수 있습니다. 그런 다음 고객 신원 처리 및 고객에 대한 통합 보기 구축을 위한 전문 팀을 만들 수 있습니다. 다양한 기능의 데이터 관리자, 보안 관리자, 데이터 거버넌스 정책 입안자로 구성된 데이터 거버넌스 팀을 구성하여 정책을 설계하고 자동화할 수 있습니다.

결론

강력한 C360 기능을 구축하는 것은 조직이 고객 기반에 대한 통찰력을 얻는 데 필수적입니다. AWS 데이터베이스, 분석 및 AI/ML 서비스는 이 프로세스를 간소화하고 확장성과 효율성을 제공하는 데 도움이 될 수 있습니다. 사고를 안내하는 360가지 원칙에 따라 조직 전반에 걸쳐 CXNUMX 보기를 정의하고, 데이터가 정확한지 확인하고, 고객 데이터에 대한 부서 간 거버넌스를 구축하는 엔드투엔드 데이터 전략을 구축할 수 있습니다. 각 기둥 내에서 구축해야 하는 제품과 기능을 분류하고 우선순위를 지정하고, 작업에 적합한 도구를 선택하고, 팀에 필요한 기술을 구축할 수 있습니다.

방문 데이터를 위한 AWS 고객 사례 AWS가 세계 최대 기업부터 성장하는 스타트업에 이르기까지 고객 여정을 어떻게 변화시키고 있는지 알아보세요.

저자에 관하여

이스마일 마크루프 AWS의 데이터 분석 부문 수석 전문 솔루션 아키텍트입니다. Ismail은 배치 및 실시간 스트리밍, 빅데이터, 데이터 웨어하우징 및 데이터 레이크 워크로드를 포함하여 엔드투엔드 데이터 분석 자산 전반에 걸쳐 조직을 위한 솔루션 설계에 중점을 두고 있습니다. 그는 주로 소매, 전자 상거래, 핀테크, 건강 기술 및 여행 분야의 조직과 협력하여 잘 설계된 데이터 플랫폼을 통해 비즈니스 목표를 달성합니다.

산디판 바우믹 (산디) AWS의 수석 분석 전문가 솔루션 아키텍트입니다. 그는 고객이 클라우드에서 데이터 플랫폼을 현대화하여 대규모로 안전하게 분석을 수행하고 운영 오버헤드를 줄이며 비용 효율성과 지속 가능성을 위해 사용을 최적화하도록 돕습니다.

• SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
• PlatoData.Network 수직 생성 Ai. 자신에게 권한을 부여하십시오. 여기에서 액세스하십시오.
• PlatoAiStream. 웹3 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
• 플라톤ESG. 탄소, 클린테크, 에너지, 환경, 태양광, 폐기물 관리. 여기에서 액세스하십시오.
• PlatoHealth. 생명 공학 및 임상 시험 인텔리전스. 여기에서 액세스하십시오.
• 출처: https://aws.amazon.com/blogs/big-data/create-an-end-to-end-data-strategy-for-customer-360-on-aws/