Stranka 360 (C360) zagotavlja popoln in enoten pogled na strankine interakcije in obnašanje na vseh stičnih točkah in kanalih. Ta pogled se uporablja za prepoznavanje vzorcev in trendov v vedenju strank, ki lahko prispevajo k odločitvam na podlagi podatkov za izboljšanje poslovnih rezultatov. C360 lahko na primer uporabite za segmentiranje in ustvarjanje tržnih kampanj, za katere je bolj verjetno, da bodo odmevale pri določenih skupinah strank.

Leta 2022 je AWS naročil študijo, ki jo je izvedel Ameriški center za produktivnost in kakovost (APQC), da bi kvantificiral Poslovna vrednost Customer 360. Naslednja slika prikazuje nekatere meritve, pridobljene iz študije. Organizacije, ki uporabljajo C360, so dosegle 43.9-odstotno skrajšanje trajanja prodajnega cikla, 22.8-odstotno povečanje življenjske vrednosti stranke, 25.3-odstotno hitrejši čas na trg in 19.1-odstotno izboljšanje ocene neto promotorja (NPS).

Brez C360 se podjetja soočajo z zamujenimi priložnostmi, netočnimi poročili in nepovezanimi izkušnjami strank, kar vodi v odliv strank. Vendar je izgradnja rešitve C360 lahko zapletena. A Raziskava Gartner Marketing je ugotovilo, da je le 14 % organizacij uspešno implementiralo rešitev C360 zaradi pomanjkanja soglasja o tem, kaj pomeni 360-stopinjski pogled, izzivov s kakovostjo podatkov in pomanjkanja večfunkcionalne strukture upravljanja za podatke o strankah.

V tej objavi razpravljamo o tem, kako lahko uporabite namenske storitve AWS za ustvarjanje strategije podatkov od konca do konca za C360 za poenotenje in upravljanje podatkov o strankah, ki obravnavajo te izzive. Strukturiramo ga v petih stebrih, ki poganjajo C360: zbiranje podatkov, poenotenje, analitika, aktivacija in upravljanje podatkov, skupaj z arhitekturo rešitve, ki jo lahko uporabite za svojo implementacijo.

Pet stebrov zrelega C360

Ko se lotite ustvarjanja C360, delate z več primeri uporabe, vrstami podatkov o strankah ter uporabniki in aplikacijami, ki zahtevajo različna orodja. Gradnja C360 na pravih naborih podatkov, sčasoma dodajanje novih naborov podatkov ob ohranjanju kakovosti podatkov in ohranjanje njihove varnosti zahteva podatkovno strategijo od konca do konca za vaše podatke o strankah. Zagotoviti morate tudi orodja, ki bodo vašim ekipam olajšala izdelavo izdelkov, ki dozorijo vaš C360.

Priporočamo, da svojo podatkovno strategijo zgradite okoli petih stebrov C360, kot je prikazano na naslednji sliki. To se začne z osnovnim zbiranjem podatkov, poenotenjem in povezovanjem podatkov iz različnih kanalov, povezanih z edinstvenimi strankami, in napreduje v smeri osnovne do napredne analitike za odločanje in personalizirano sodelovanje prek različnih kanalov. Ko dozorevate v vsakem od teh stebrov, napredujete v smeri odzivanja na signale strank v realnem času.

Naslednji diagram ponazarja funkcionalno arhitekturo, ki združuje gradnike a Platforma podatkov o strankah na AWS z dodatnimi komponentami, ki se uporabljajo za oblikovanje celovite rešitve C360. To je usklajeno s petimi stebri, o katerih razpravljamo v tej objavi.

1. steber: Zbiranje podatkov

Ko začnete graditi svojo platformo za podatke o strankah, morate zbrati podatke iz različnih sistemov in stičnih točk, kot so vaši prodajni sistemi, podpora strankam, splet in družbeni mediji ter trgi podatkov. Pomislite na steber zbiranja podatkov kot na kombinacijo zmogljivosti vnosa, shranjevanja in obdelave.

Zaužitje podatkov

Zgraditi morate cevovode za vnos na podlagi dejavnikov, kot so vrste virov podatkov (lokalne shrambe podatkov, datoteke, aplikacije SaaS, podatki tretjih oseb) in pretok podatkov (neomejeni tokovi ali paketni podatki). AWS ponuja različne storitve za gradnjo cevovodov za vnos podatkov:

• AWS lepilo je storitev integracije podatkov brez strežnika, ki zajema podatke v paketih iz lokalnih baz podatkov in shramb podatkov v oblaku. Povezuje se z več kot 70 viri podatkov in vam pomaga graditi cevovode ekstrahiranja, preoblikovanja in nalaganja (ETL), ne da bi morali upravljati infrastrukturo cevovodov. Kakovost podatkov AWS Glue preverja in opozori na slabe podatke, kar omogoča enostavno odkrivanje in odpravljanje težav, preden škodujejo vašemu podjetju.
• Amazon App Flow vnaša podatke iz aplikacij programske opreme kot storitve (SaaS), kot so Google Analytics, Salesforce, SAP in Marketo, kar vam daje prilagodljivost pri vnašanju podatkov iz več kot 50 aplikacij SaaS.
• Izmenjava podatkov AWS omogoča preprosto iskanje, naročanje in uporabo podatkov tretjih oseb za analitiko. Naročite se lahko na podatkovne izdelke, ki pomagajo obogatiti profile strank, na primer demografske podatke, podatke o oglaševanju in podatke o finančnih trgih.
• Amazon Kinesis sprejema pretočne dogodke v realnem času iz sistemov prodajnih mest, podatke o toku klikov iz mobilnih aplikacij in spletnih mest ter podatke družbenih medijev. Razmislite lahko tudi o uporabi Amazonovo pretakanje za Apache Kafka (Amazon MSK) za pretakanje dogodkov v realnem času.

Naslednji diagram prikazuje različne cevovode za vnos podatkov iz različnih izvornih sistemov z uporabo storitev AWS.

shranjevanje podatkov

Strukturirani, polstrukturirani ali nestrukturirani paketni podatki so shranjeni v objektni shrambi, ker so stroškovno učinkoviti in trajni. Preprosta storitev shranjevanja Amazon (Amazon S3) je upravljana storitev shranjevanja s funkcijami arhiviranja, ki lahko shrani petabajte podatkov z enajst 9-k vzdržljivosti. Pretočni podatki z nizko zakasnitvijo so shranjeni v Amazonski kinezi podatkovni tokovi za porabo v realnem času. To omogoča takojšnjo analitiko in ukrepanje za različne uporabnike na nižji stopnji – kot je razvidno iz središča Riot Games Riot Event Bus.

Obdelava podatkov

Neobdelani podatki so pogosto polni dvojnikov in nepravilnih formatov. To morate obdelati, da bo pripravljeno za analizo. Če uporabljate paketne podatke in pretočne podatke, razmislite o uporabi ogrodja, ki lahko obravnava oboje. Vzorec, kot je Kappa arhitektura na vse gleda kot na tok, kar poenostavlja procesne cevovode. Razmislite o uporabi Amazonova upravljana storitev za Apache Flink za obdelavo. Z upravljano storitvijo za Apache Flink lahko očistite in preoblikujete pretočne podatke ter jih usmerite na ustrezen cilj glede na zahteve glede zakasnitve. Izvedete lahko tudi paketno obdelavo podatkov z uporabo Amazonski EMR na odprtokodnih ogrodjih, kot je Apache Spark s 3.5-krat boljšo zmogljivostjo kot samoupravljana različica. Arhitekturna odločitev o uporabi sistema paketne ali pretočne obdelave bo odvisna od različnih dejavnikov; če pa želite omogočiti analizo podatkov o strankah v realnem času, priporočamo uporabo vzorca arhitekture Kappa.

2. steber: poenotenje

Če želite povezati različne podatke, ki prihajajo iz različnih stičnih točk, do edinstvene stranke, morate zgraditi rešitev za obdelavo identitete, ki identificira anonimne prijave, shranjuje uporabne informacije o strankah, jih povezuje z zunanjimi podatki za boljši vpogled in skupine strank v domenah, ki jih zanimajo. Čeprav rešitev za obdelavo identitete pomaga zgraditi enoten profil stranke, priporočamo, da to upoštevate kot del svojih zmogljivosti za obdelavo podatkov. Naslednji diagram prikazuje komponente takšne rešitve.

Ključne komponente so naslednje:

• Razrešitev identitete – Razrešitev identitete je rešitev za deduplikacijo, kjer se zapisi ujemajo za identifikacijo edinstvene stranke in potencialnih strank s povezovanjem več identifikatorjev, kot so piškotki, identifikatorji naprav, naslovi IP, e-poštni ID-ji in interni ID-ji podjetja, z znano osebo ali anonimnim profilom z uporabo zasebnosti- skladne metode. To je mogoče doseči z uporabo Rešitev entitete AWS, ki omogoča uporabo pravil in tehnik strojnega učenja (ML) za ujemanje zapisov in razreševanje identitet. Lahko pa tudi gradijo identitetne grafe uporabo Amazonski Neptun za enoten poenoten pogled na vaše stranke.
• Združevanje profilov – Ko enolično identificirate stranko, lahko ustvarjanje aplikacij v upravljani storitvi za Apache Flink za konsolidacijo vseh njihovih metapodatkov, od imena do zgodovine interakcij. Nato te podatke pretvorite v jedrnato obliko. Namesto prikaza vsake podrobnosti transakcije lahko ponudite skupno vrednost porabe in povezavo do njihovega zapisa o upravljanju odnosov s strankami (CRM). Za interakcije s storitvami za stranke zagotovite povprečno oceno CSAT in povezavo do sistema klicnega centra za globlji potop v zgodovino njihove komunikacije.
• Obogatitev profila – Ko stranko razrešite z eno samo identiteto, izboljšajte njen profil z uporabo različnih virov podatkov. Obogatitev običajno vključuje dodajanje demografskih, vedenjskih in geolokacijskih podatkov. Lahko uporabiš podatkovni izdelki tretjih oseb iz AWS Marketplace, dostavljeni prek AWS Data Exchange pridobiti vpogled v dohodke, vzorce potrošnje, ocene kreditnega tveganja in številne druge razsežnosti za nadaljnje izboljšanje uporabniške izkušnje.
• Segmentacija strank – Ko enolično identificirate in obogatite profil stranke, jo lahko segmentirate na podlagi demografskih podatkov, kot so starost, poraba, dohodek in lokacija, z uporabo aplikacij v upravljani storitvi za Apache Flink. Ko napredujete, lahko vključite Storitve AI za natančnejše tehnike ciljanja.

Ko opravite obdelavo in segmentacijo identitete, potrebujete zmogljivost shranjevanja za shranjevanje edinstvenega profila stranke in zagotavljanje zmožnosti iskanja in poizvedovanja poleg tega za uporabnike na nižji stopnji za uporabo obogatenih podatkov o strankah.

Naslednji diagram prikazuje steber poenotenja za poenoten profil stranke in enoten pogled na stranko za aplikacije na nižji stopnji.

Enoten profil stranke

Podatkovne zbirke Graph so odlične pri modeliranju interakcij in odnosov s strankami ter ponujajo celovit pogled na pot stranke. Če imate opravka z milijardami profilov in interakcij, lahko razmislite o uporabi storitve Neptune, upravljane baze podatkov grafov na AWS. Organizacije kot npr Zeta in Activision so uspešno uporabili Neptune za shranjevanje in poizvedovanje milijard edinstvenih identifikatorjev na mesec in milijonov poizvedb na sekundo v milisekundnem odzivnem času.

Pogled ene stranke

Čeprav baze podatkov grafov zagotavljajo poglobljen vpogled, so lahko za običajne aplikacije zapletene. Preudarno je združiti te podatke v en sam pogled stranke, ki služi kot primarna referenca za nadaljnje aplikacije, od platform za e-trgovino do sistemov CRM. Ta konsolidirani pogled deluje kot povezava med podatkovno platformo in aplikacijami, osredotočenimi na stranke. Za te namene priporočamo uporabo Amazon DynamoDB za njegovo prilagodljivost, razširljivost in zmogljivost, kar ima za posledico posodobljeno in učinkovito zbirko podatkov o strankah. Ta zbirka podatkov bo sprejela veliko pisanih poizvedb iz aktivacijskih sistemov, ki izvejo nove informacije o strankah in jim posredujejo povratne informacije.

3. steber: analitika

Analitični steber določa zmožnosti, ki vam pomagajo ustvariti vpoglede poleg podatkov o strankah. Vaša analitična strategija velja za širše organizacijske potrebe, ne le za C360. Iste zmožnosti lahko uporabite za zagotavljanje finančnega poročanja, merjenje operativne uspešnosti ali celo monetizacijo podatkovnih sredstev. Oblikujte strategijo na podlagi tega, kako vaše ekipe raziskujejo podatke, izvajajo analize, prerekajo podatke za nadaljnje zahteve in vizualizirajo podatke na različnih ravneh. Načrtujte, kako lahko svojim ekipam omogočite uporabo strojnega jezika za prehod z opisne na predpisano analitiko.

O Sodobna podatkovna arhitektura AWS prikazuje način za izgradnjo namenske, varne in razširljive podatkovne platforme v oblaku. Naučite se iz tega, kako zgraditi poizvedovalne zmogljivosti v svojem podatkovnem jezeru in podatkovnem skladišču.

Naslednji diagram razdeli analitične zmogljivosti na raziskovanje podatkov, vizualizacijo, shranjevanje podatkov in sodelovanje podatkov. Ugotovimo, kakšno vlogo ima vsaka od teh komponent v kontekstu C360.

Raziskovanje podatkov

Raziskovanje podatkov pomaga odkriti nedoslednosti, izstopajoče vrednosti ali napake. Če te opazite zgodaj, lahko vaše ekipe zagotovijo čistejšo integracijo podatkov za C360, kar posledično vodi do natančnejše analize in napovedi. Upoštevajte osebe, ki raziskujejo podatke, njihove tehnične spretnosti in čas za vpogled. Na primer, analitiki podatkov, ki znajo pisati SQL, lahko neposredno poizvedujejo po podatkih v Amazonu S3 z Amazonska Atena. Uporabniki, ki jih zanima vizualno raziskovanje, lahko to storijo z uporabo AWS lepilo DataBrew. Podatkovni znanstveniki ali inženirji lahko uporabljajo Amazon EMR Studio or Amazon SageMaker Studio za raziskovanje podatkov iz zvezka, za izkušnjo z nizko kodo pa lahko uporabite Amazon SageMaker Data Wrangler. Ker te storitve neposredno poizvedujejo po vedrih S3, lahko raziskujete podatke, ko pristanejo v podatkovnem jezeru, kar skrajša čas do vpogleda.

Vizualizacija

Spreminjanje zapletenih naborov podatkov v intuitivne vizualne elemente razkriva skrite vzorce v podatkih in je ključnega pomena za primere uporabe C360. S to zmožnostjo lahko oblikujete poročila za različne ravni, ki ustrezajo različnim potrebam: izvršna poročila, ki ponujajo strateške preglede, vodstvena poročila, ki poudarjajo operativne meritve, in podrobna poročila, ki se poglobijo v podrobnosti. Takšna vizualna jasnost pomaga vaši organizaciji sprejemati premišljene odločitve na vseh ravneh in centralizira strankino perspektivo.

Naslednji diagram prikazuje vzorčno izdelano armaturno ploščo C360 Amazon QuickSight. QuickSight ponuja razširljive zmožnosti vizualizacije brez strežnika. Izkoristite lahko njegove integracije ML za avtomatizirane vpoglede, kot je napovedovanje in odkrivanje nepravilnosti ali poizvedovanje v naravnem jeziku z Amazon Q v QuickSightu, neposredna podatkovna povezljivost iz različnih virov in cene za plačilo na sejo. S QuickSightom lahko vdelajte nadzorne plošče v zunanja spletna mesta in aplikacijeIn Začimba motor omogoča hitro, interaktivno vizualizacijo podatkov v velikem obsegu. Naslednji posnetek zaslona prikazuje primer nadzorne plošče C360, zgrajene na QuickSightu.

Skladišče podatkov

Podatkovna skladišča so učinkovita pri konsolidaciji strukturiranih podatkov iz različnih virov in streženju analitičnih poizvedb velikega števila sočasnih uporabnikov. Podatkovna skladišča lahko zagotovijo enoten, dosleden pogled na ogromno količino podatkov o strankah za primere uporabe C360. Amazon RedShift to potrebo obravnava s spretnim ravnanjem z velikimi količinami podatkov in različnimi delovnimi obremenitvami. Zagotavlja močno doslednost v naborih podatkov, kar organizacijam omogoča pridobitev zanesljivih, celovitih vpogledov o svojih strankah, kar je bistvenega pomena za informirano odločanje. Amazon Redshift ponuja vpoglede v realnem času in zmožnosti napovedne analitike za analizo podatkov od terabajtov do petabajtov. z Amazon Redshift ML, lahko vdelate ML v podatke, shranjene v podatkovnem skladišču, z minimalnimi stroški razvoja. Amazon Redshift brez strežnika poenostavi gradnjo aplikacij in podjetjem olajša vgradnjo bogatih analitičnih zmogljivosti podatkov.

Sodelovanje podatkov

Lahko varno sodelovati in analizirati skupne zbirke podatkov od vaših partnerjev, ne da bi drug drugemu delili ali kopirali osnovne podatke Čiste sobe AWS. Združite lahko različne podatke iz različnih kanalov sodelovanja in nizov podatkov o partnerjih, da oblikujete 360-stopinjski pogled na vaše stranke. AWS Clean Rooms lahko izboljša C360 z omogočanjem primerov uporabe, kot je optimizacija medkanalnega trženja, napredna segmentacija strank in personalizacija, skladna z zasebnostjo. Z varnim združevanjem naborov podatkov ponuja bogatejše vpoglede in robustno zasebnost podatkov ter izpolnjuje poslovne potrebe in regulativne standarde.

4. steber: Aktivacija

Vrednost podatkov se manjša, ko so starejši, kar sčasoma povzroči višje oportunitetne stroške. V anketi izvaja Intersystems75 % anketiranih organizacij meni, da so nepravočasni podatki ovirali poslovne priložnosti. V drugi raziskavi, 58% organizacij (od 560 anketirancev Svetovalnega sveta HBR in bralcev) so izjavili, da so opazili povečanje zadrževanja strank in zvestobe z uporabo analitike strank v realnem času.

V C360 lahko dosežete zrelost, ko zgradite sposobnost ukrepanja na podlagi vseh vpogledov, pridobljenih iz prejšnjih stebrov, o katerih smo razpravljali v realnem času. Na tej stopnji zrelosti lahko na primer ukrepate glede na razpoloženje strank na podlagi konteksta, ki ste ga samodejno izpeljali z obogatenim profilom stranke in integriranimi kanali. Za to morate uvesti predpisano odločanje o tem, kako obravnavati čustva stranke. Če želite to narediti v velikem obsegu, morate za odločanje uporabiti storitve AI/ML. Naslednji diagram ponazarja arhitekturo za aktiviranje vpogledov z uporabo ML za predpisano analitiko in storitev AI za ciljanje in segmentacijo.

Uporabite ML za mehanizem odločanja

Z ML lahko izboljšate splošno uporabniško izkušnjo – ustvarite lahko napovedne modele vedenja strank, oblikujete hiperpersonalizirane ponudbe in ciljate na pravo stranko s pravo spodbudo. Lahko jih zgradite z uporabo Amazon SageMaker, ki vsebuje nabor upravljanih storitev, preslikanih v življenjski cikel znanosti o podatkih, vključno s prerekanjem podatkov, usposabljanjem za modele, gostovanjem modela, sklepanjem o modelu, zaznavanjem premikanja modela in shranjevanjem funkcij. SageMaker vam omogoča zgradite in operacionalizirajte svoje modele ML, ki jih vnese nazaj v vaše aplikacije, da zagotovijo pravi vpogled pravi osebi ob pravem času.

Amazonska prilagoditev podpira kontekstualna priporočila, prek katerih lahko izboljšate ustreznost priporočil tako, da jih ustvarite znotraj konteksta – na primer vrste naprave, lokacije ali ure. Vaša ekipa lahko začne brez kakršnih koli predhodnih izkušenj z ML z uporabo API-jev za izgradnjo sofisticiranih zmogljivosti personalizacije v nekaj klikih. Za več informacij glejte Prilagodite svoja priporočila tako, da promovirate določene elemente z uporabo poslovnih pravil z Amazon Personalize.

Aktivirajte kanale prek trženja, oglaševanja, neposrednega potrošnika in zvestobe

Zdaj, ko veste, kdo so vaše stranke in na koga se obrniti, lahko ustvarite rešitve za izvajanje ciljnih akcij v velikem obsegu. z Amazon natančen, lahko prilagodite in segmentirate komunikacije, da pritegnete stranke prek več kanalov. Amazon Pinpoint lahko na primer uporabite za zgraditi privlačne izkušnje strank prek različnih komunikacijskih kanalov, kot so e-pošta, SMS, potisna obvestila in obvestila v aplikaciji.

5. steber: Upravljanje podatkov

Vzpostavitev pravega upravljanja, ki uravnoteži nadzor in dostop, daje uporabnikom zaupanje v podatke. Predstavljajte si, da ponujate promocije izdelkov, ki jih stranka ne potrebuje, ali da z obvestili zasipate napačne stranke. Slaba kakovost podatkov lahko privede do takšnih situacij in na koncu povzroči odliv strank. Zgraditi morate procese, ki potrjujejo kakovost podatkov in izvajajo korektivne ukrepe. Kakovost podatkov AWS Glue vam lahko pomaga zgraditi rešitve, ki potrjujejo kakovost podatkov med mirovanjem in med prenosom na podlagi vnaprej določenih pravil.

Če želite vzpostaviti večfunkcionalno strukturo upravljanja za podatke o strankah, potrebujete zmogljivost za upravljanje in skupno rabo podatkov v vaši organizaciji. z Amazon DataZone, skrbniki in skrbniki podatkov lahko upravljajo in upravljajo dostop do podatkov, potrošniki, kot so podatkovni inženirji, podatkovni znanstveniki, produktni vodje, analitiki in drugi poslovni uporabniki, pa lahko odkrijejo, uporabljajo in sodelujejo z njimi, da pridobijo vpoglede. Poenostavlja dostop do podatkov, vam omogoča iskanje in uporabo podatkov o strankah, spodbuja timsko sodelovanje s skupnimi podatkovnimi sredstvi in ​​zagotavlja prilagojeno analitiko prek spletne aplikacije ali API-ja na portalu. Oblikovanje jezera AWS zagotavlja varen dostop do podatkov, kar zagotavlja, da pravi ljudje vidijo prave podatke iz pravih razlogov, kar je ključnega pomena za učinkovito medfunkcionalno upravljanje v kateri koli organizaciji. Poslovne metapodatke shranjuje in upravlja Amazon DataZone, ki je podprt s tehničnimi metapodatki in informacijami o shemi, ki so registrirane v Katalog podatkov o lepilu AWS. Te tehnične metapodatke uporabljajo tudi druge storitve upravljanja, kot sta Lake Formation in Amazon DataZone, ter analitične storitve, kot so Amazon Redshift, Athena in AWS Glue.

Ga pripelje vse skupaj

Z naslednjim diagramom kot referenco lahko ustvarite projekte in skupine za gradnjo in delovanje različnih zmogljivosti. Na primer, ekipa za integracijo podatkov se lahko osredotoči na steber zbiranja podatkov – nato lahko uskladite funkcionalne vloge, kot so podatkovni arhitekti in podatkovni inženirji. Svojo prakso analitike in znanosti o podatkih lahko zgradite tako, da se osredotočite na steber analitike oziroma aktivacije. Nato lahko ustvarite specializirano ekipo za obdelavo identitete stranke in za izgradnjo enotnega pogleda na stranko. Ustanovite lahko skupino za upravljanje podatkov s skrbniki podatkov iz različnih funkcij, varnostnimi skrbniki in oblikovalci politik upravljanja podatkov za oblikovanje in avtomatizacijo politik.

zaključek

Izgradnja robustne zmogljivosti C360 je temeljnega pomena za vašo organizacijo, da pridobi vpogled v svojo bazo strank. Podatkovne baze AWS, analitika in storitve AI/ML lahko pomagajo racionalizirati ta proces ter zagotavljajo razširljivost in učinkovitost. Po petih stebrih, ki vodijo vaše razmišljanje, lahko zgradite strategijo podatkov od konca do konca, ki definira pogled C360 v celotni organizaciji, zagotavlja točnost podatkov in vzpostavlja medfunkcionalno upravljanje podatkov o strankah. Izdelke in funkcije, ki jih morate zgraditi znotraj posameznega stebra, lahko kategorizirate in jim date prednost, izberete pravo orodje za delo in razvijete veščine, ki jih potrebujete v svojih ekipah.

obisk AWS za podatkovne zgodbe strank izvedeti, kako AWS spreminja poti strank, od največjih svetovnih podjetij do rastočih zagonskih podjetij.

O avtorjih

Ismail Makhlouf je višji specialist za rešitve za analizo podatkov pri AWS. Ismail se osredotoča na arhitekturne rešitve za organizacije v celotnem posestvu podatkovne analitike od konca do konca, vključno s paketnim pretakanjem in pretakanjem v realnem času, velikimi podatki, skladiščenjem podatkov in delovnimi obremenitvami podatkovnega jezera. Primarno sodeluje z organizacijami v maloprodaji, e-trgovini, FinTech, HealthTech in potovanjih, da doseže svoje poslovne cilje z dobro zasnovanimi podatkovnimi platformami.

Sandipan Bhaumik (Sandi) je višji arhitekt za rešitve strokovnjaka za analitiko pri AWS. Strankam pomaga posodobiti njihove podatkovne platforme v oblaku za varno izvajanje analitike v velikem obsegu, zmanjšanje operativnih stroškov in optimizacijo uporabe za stroškovno učinkovitost in trajnost.

• Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
• PlatoData.Network Vertical Generative Ai. Opolnomočite se. Dostopite tukaj.
• PlatoAiStream. Web3 Intelligence. Razširjeno znanje. Dostopite tukaj.
• PlatoESG. Ogljik, CleanTech, Energija, Okolje, sončna energija, Ravnanje z odpadki. Dostopite tukaj.
• PlatoHealth. Obveščanje o biotehnologiji in kliničnih preskušanjih. Dostopite tukaj.
• vir: https://aws.amazon.com/blogs/big-data/create-an-end-to-end-data-strategy-for-customer-360-on-aws/