Müşteri 360 (C360) Müşterinin tüm temas noktaları ve kanallardaki etkileşimlerinin ve davranışlarının eksiksiz ve birleşik bir görünümünü sağlar. Bu görünüm, iş sonuçlarını iyileştirmek için veriye dayalı kararları bilgilendirebilecek müşteri davranışındaki kalıpları ve eğilimleri belirlemek için kullanılır. Örneğin, belirli müşteri gruplarında yankı bulma olasılığı daha yüksek olan pazarlama kampanyalarını segmentlere ayırmak ve oluşturmak için C360'ı kullanabilirsiniz.

AWS, 2022'de Amerikan Üretkenlik ve Kalite Merkezi (APQC) tarafından yürütülen bir çalışma başlattı. Müşteri 360'ın İş Değeri. Aşağıdaki şekil çalışmadan elde edilen bazı ölçümleri göstermektedir. C360 kullanan kuruluşlar, satış döngüsü süresinde %43.9 azalma, müşteri yaşam boyu değerinde %22.8 artış, pazara sunma süresinde %25.3 daha hızlı ve net tavsiye puanı (NPS) derecelendirmesinde %19.1 iyileşme elde etti.

C360 olmadan işletmeler kaçırılan fırsatlarla, hatalı raporlarla ve tutarsız müşteri deneyimleriyle karşı karşıya kalır ve bu da müşteri kaybıyla sonuçlanır. Ancak bir C360 çözümü oluşturmak karmaşık olabilir. A Gartner Pazarlama anketi 14 derecelik görünümün ne anlama geldiği konusunda fikir birliği eksikliği, veri kalitesiyle ilgili zorluklar ve müşteri verileri için işlevler arası yönetim yapısının eksikliği nedeniyle kuruluşların yalnızca %360'ünün bir C360 çözümünü başarıyla uyguladığını buldu.

Bu yazıda, bu zorlukların üstesinden gelen müşteri verilerini birleştirmek ve yönetmek için C360'a yönelik uçtan uca bir veri stratejisi oluşturmak amacıyla amaca yönelik olarak oluşturulmuş AWS hizmetlerini nasıl kullanabileceğinizi tartışıyoruz. Bunu C360'a güç veren beş sütun halinde yapılandırıyoruz: veri toplama, birleştirme, analiz, etkinleştirme ve veri yönetiminin yanı sıra uygulamanız için kullanabileceğiniz bir çözüm mimarisi.

Olgun bir C360'ın beş sütunu

Bir C360 oluşturmaya başladığınızda birden fazla kullanım durumu, müşteri verisi türü ve farklı araçlar gerektiren kullanıcılar ve uygulamalarla çalışırsınız. Doğru veri kümeleri üzerinde bir C360 oluşturmak, veri kalitesini korurken zaman içinde yeni veri kümeleri eklemek ve onu güvende tutmak, müşteri verileriniz için uçtan uca bir veri stratejisi gerektirir. Ayrıca ekiplerinizin C360'ınızı olgunlaştıracak ürünler oluşturmasını kolaylaştıracak araçlar da sağlamanız gerekir.

Veri stratejinizi aşağıdaki şekilde gösterildiği gibi C360'ın beş sütunu etrafında oluşturmanızı öneririz. Bu, temel veri toplama, benzersiz müşterilerle ilgili çeşitli kanallardan gelen verileri birleştirme ve bağlama ile başlar ve karar alma için temelden ileri düzey analitiklere ve çeşitli kanallar aracılığıyla kişiselleştirilmiş etkileşime doğru ilerler. Bu temellerin her birinde olgunlaştıkça, gerçek zamanlı müşteri sinyallerine yanıt verme yolunda ilerleme kaydedersiniz.

Aşağıdaki diyagram bir yapının yapı taşlarını birleştiren fonksiyonel mimariyi göstermektedir. AWS'de Müşteri Veri Platformu uçtan uca bir C360 çözümü tasarlamak için kullanılan ek bileşenlerle birlikte. Bu, bu yazıda tartıştığımız beş sütunla uyumludur.

Sütun 1: Veri toplama

Müşteri veri platformunuzu oluşturmaya başladığınızda satış sistemleriniz, müşteri desteğiniz, web ve sosyal medya ile veri pazarları gibi çeşitli sistemlerden ve temas noktalarından veri toplamanız gerekir. Veri toplama ayağını alma, depolama ve işleme yeteneklerinin bir kombinasyonu olarak düşünün.

Veri alımı

Veri kaynağı türleri (şirket içi veri depoları, dosyalar, SaaS uygulamaları, üçüncü taraf verileri) ve veri akışı (sınırsız akışlar veya toplu veriler) gibi faktörlere dayalı olarak alım işlem hatları oluşturmanız gerekir. AWS, veri alımı işlem hatları oluşturmak için farklı hizmetler sağlar:

• AWS Tutkal şirket içi veritabanlarından ve buluttaki veri depolarından verileri toplu olarak alan sunucusuz bir veri entegrasyon hizmetidir. 70'ten fazla veri kaynağına bağlanır ve işlem hattı altyapısını yönetmeye gerek kalmadan işlem hatları oluşturmanıza, dönüştürmenize ve yüklemenize (ETL) yardımcı olur. AWS Glue Veri Kalitesi Zayıf verileri kontrol eder ve bunlarla ilgili uyarılar vererek, sorunları işinize zarar vermeden önce tespit edip düzeltmenizi kolaylaştırır.
• Amazon Uygulama Akışı Google Analytics, Salesforce, SAP ve Marketo gibi hizmet olarak yazılım (SaaS) uygulamalarından veri alarak size 50'den fazla SaaS uygulamasından veri alma esnekliği sağlar.
• AWS Veri Değişimi analitik için üçüncü taraf verilerini bulmayı, abone olmayı ve kullanmayı kolaylaştırır. Demografik veriler, reklam verileri ve finansal piyasa verileri gibi müşteri profillerini zenginleştirmeye yardımcı olan veri ürünlerine abone olabilirsiniz.
• Amazon Kinesis satış noktası sistemlerinden akış olaylarını, mobil uygulamalardan ve web sitelerinden tıklama akışı verilerini ve sosyal medya verilerini gerçek zamanlı olarak alır. Ayrıca kullanmayı da düşünebilirsiniz Apache Kafka için Amazon Tarafından Yönetilen Akış (Amazon MSK) etkinlikleri gerçek zamanlı olarak yayınlamak için.

Aşağıdaki diyagram, AWS hizmetlerini kullanarak çeşitli kaynak sistemlerden veri almak için kullanılan farklı işlem hatlarını göstermektedir.

Veri depolama

Yapılandırılmış, yarı yapılandırılmış veya yapılandırılmamış toplu veriler, uygun maliyetli ve dayanıklı olduğundan nesne depolama alanında depolanır. Amazon Basit Depolama Hizmeti (Amazon S3), petabaytlarca veriyi depolayabilen arşivleme özelliklerine sahip, yönetilen bir depolama hizmetidir. on bir 9'luk dayanıklılık. Düşük gecikme gereksinimlerine sahip akış verileri, Amazon Kinesis Veri Akışları gerçek zamanlı tüketim için. Bu, Riot Games'in merkezinde görüldüğü gibi, çeşitli alt tüketiciler için anında analizlere ve eylemlere olanak tanır. Riot Etkinlik Otobüsü.

Veri işleme

Ham veriler genellikle kopyalar ve düzensiz formatlarla doludur. Analize hazır hale getirmek için bunu işlemeniz gerekir. Toplu verileri ve akış verilerini tüketiyorsanız her ikisini de işleyebilecek bir çerçeve kullanmayı düşünün. Şöyle bir desen Kappa mimarisi her şeyi bir akış olarak görür ve işlem hatlarını basitleştirir. Kullanmayı düşünün Apache Flink için Amazon Yönetilen Hizmeti işleme işini halletmek için. Apache Flink için Yönetilen Hizmet ile akış verilerini temizleyip dönüştürebilir ve gecikme gereksinimlerine göre uygun hedefe yönlendirebilirsiniz. Toplu veri işlemeyi aşağıdakileri kullanarak da uygulayabilirsiniz: Amazon EMR'si Apache Spark gibi açık kaynaklı çerçevelerde 3.5 kat daha iyi performansla kendi kendini yöneten versiyona göre. Toplu veya akışlı işleme sistemi kullanmanın mimari kararı çeşitli faktörlere bağlı olacaktır; ancak müşteri verileriniz üzerinde gerçek zamanlı analitiği etkinleştirmek istiyorsanız Kappa mimarisi modelini kullanmanızı öneririz.

Sütun 2: Birleşme

Çeşitli temas noktalarından gelen çeşitli verileri benzersiz bir müşteriye bağlamak için, anonim girişleri tanımlayan, yararlı müşteri bilgilerini depolayan, daha iyi içgörüler için bunları harici verilere bağlayan ve müşterileri ilgi alanlarına göre gruplandıran bir kimlik işleme çözümü oluşturmanız gerekir. Kimlik işleme çözümü birleşik müşteri profili oluşturmaya yardımcı olsa da bunu veri işleme yeteneklerinizin bir parçası olarak değerlendirmenizi öneririz. Aşağıdaki şema böyle bir çözümün bileşenlerini göstermektedir.

Temel bileşenler aşağıdaki gibidir:

• Kimlik çözünürlüğü – Kimlik çözümü, çerezler, cihaz tanımlayıcılar, IP adresleri, e-posta kimlikleri ve dahili kurumsal kimlikler gibi birden fazla tanımlayıcıyı gizlilik kullanarak bilinen bir kişiye veya anonim profile bağlayarak benzersiz bir müşteriyi ve potansiyel müşterileri tanımlamak için kayıtların eşleştirildiği bir tekilleştirme çözümüdür. uyumlu yöntemler. Bu kullanılarak başarılabilir AWS Varlık Çözümükuralların ve makine öğrenimi (ML) tekniklerinin kullanılmasını sağlayan kayıtları eşleştirin ve kimlikleri çözün. Alternatif olarak, kimlik grafikleri oluşturma kullanma Amazon Neptün Müşterilerinizin tek bir birleşik görünümü için.
• Profil toplama – Bir müşteriyi benzersiz şekilde tanımladığınızda, Apache Flink için Yönetilen Hizmette uygulamalar oluşturun adından etkileşim geçmişine kadar tüm meta verilerini birleştirmek. Daha sonra bu verileri kısa ve öz bir formata dönüştürürsünüz. Her işlem ayrıntısını göstermek yerine, toplu bir harcama değeri ve Müşteri İlişkileri Yönetimi (CRM) kaydına bir bağlantı sunabilirsiniz. Müşteri hizmetleri etkileşimleri için ortalama bir CSAT puanı ve iletişim geçmişini daha derinlemesine incelemek amacıyla çağrı merkezi sistemine bir bağlantı sağlayın.
• Profil zenginleştirme – Bir müşteriyi tek bir kimliğe ayırdıktan sonra çeşitli veri kaynaklarını kullanarak profilini geliştirin. Zenginleştirme genellikle demografik, davranışsal ve coğrafi konum verilerinin eklenmesini içerir. Kullanabilirsiniz AWS Marketplace'ten AWS Data Exchange aracılığıyla sunulan üçüncü taraf veri ürünleri müşteri deneyimini daha da iyileştirmek için gelir, tüketim kalıpları, kredi riski puanları ve daha birçok boyut hakkında bilgi edinmek.
• Müşteri segmentasyonu – Bir müşterinin profilini benzersiz bir şekilde tanımlayıp zenginleştirdikten sonra, Apache Flink için Yönetilen Hizmet'teki uygulamaları kullanarak müşteriyi yaş, harcama, gelir ve konum gibi demografik bilgilere göre segmentlere ayırabilirsiniz. İlerledikçe dahil edebilirsiniz Daha kesin hedefleme teknikleri için yapay zeka hizmetleri.

Kimlik işleme ve segmentasyonu yaptıktan sonra, benzersiz müşteri profilini saklayacak ve alt tüketicilerin zenginleştirilmiş müşteri verilerini kullanması için bunun üzerine arama ve sorgulama yetenekleri sağlayacak bir depolama kapasitesine ihtiyacınız var.

Aşağıdaki şema, birleşik bir müşteri profiline yönelik birleştirme sütununu ve alt uygulamalar için müşterinin tek görünümünü göstermektedir.

Birleşik müşteri profili

Grafik veritabanları, müşteri etkileşimlerini ve ilişkilerini modellemede mükemmel bir performans sergileyerek müşteri yolculuğunun kapsamlı bir görünümünü sunar. Milyarlarca profil ve etkileşimle uğraşıyorsanız AWS'de yönetilen bir grafik veritabanı hizmeti olan Neptune'ü kullanmayı düşünebilirsiniz. Gibi organizasyonlar Zeta ve Activision Ayda milyarlarca benzersiz tanımlayıcıyı ve saniyede milyonlarca sorguyu milisaniyelik yanıt süresinde depolamak ve sorgulamak için Neptune'ü başarıyla kullandık.

Tek müşteri görünümü

Grafik veritabanları derinlemesine bilgiler sağlasa da normal uygulamalar için karmaşık olabilirler. Bu verileri, e-ticaret platformlarından CRM sistemlerine kadar uzanan alt uygulamalar için birincil referans olarak hizmet verecek şekilde tek bir müşteri görünümünde birleştirmek akıllıca olacaktır. Bu birleştirilmiş görünüm, veri platformu ile müşteri odaklı uygulamalar arasında bir bağlantı görevi görür. Bu tür amaçlar için kullanmanızı öneririz Amazon DinamoDB uyarlanabilirliği, ölçeklenebilirliği ve performansı nedeniyle güncel ve verimli bir müşteri veritabanı sağlar. Bu veritabanı, müşteriler hakkında yeni bilgiler öğrenen ve onlara geri bildirimde bulunan aktivasyon sistemlerinden gelen birçok yazma sorgusunu kabul edecektir.

Sütun 3: Analitik

Analitik sütunu, müşteri verilerinize ek olarak içgörüler oluşturmanıza yardımcı olacak yetenekleri tanımlar. Analitik stratejiniz yalnızca C360 için değil, daha geniş kurumsal ihtiyaçlar için de geçerlidir. Aynı yetenekleri finansal raporlama hizmeti vermek, operasyonel performansı ölçmek ve hatta veri varlıklarından para kazanmak için kullanabilirsiniz. Ekiplerinizin verileri nasıl keşfettiğini, analizleri nasıl yürüttüğünü, alt gereksinimler için verileri nasıl tartıştığını ve farklı düzeylerdeki verileri nasıl görselleştirdiğini temel alarak strateji oluşturun. Açıklayıcı analitikten kuralcı analitiklere geçmek için ekiplerinizin makine öğrenimini kullanmasını nasıl sağlayabileceğinizi planlayın.

The AWS modern veri mimarisi bulutta amaca yönelik, güvenli ve ölçeklenebilir bir veri platformu oluşturmanın bir yolunu gösterir. Veri gölünüz ve veri ambarınız genelinde sorgulama yetenekleri oluşturmak için bundan bilgi edinin.

Aşağıdaki şemada analitik yeteneği veri keşfi, görselleştirme, veri ambarı ve veri işbirliği olarak ayrılıyor. Bu bileşenlerin her birinin C360 bağlamında hangi rolü oynadığını öğrenelim.

Veri keşfi

Veri araştırması tutarsızlıkların, aykırı değerlerin veya hataların ortaya çıkarılmasına yardımcı olur. Bunları erken tespit ederek ekipleriniz C360 için daha temiz veri entegrasyonuna sahip olabilir ve bu da daha doğru analizlere ve tahminlere olanak sağlar. Verileri keşfeden kişileri, teknik becerilerini ve içgörü elde etme süresini göz önünde bulundurun. Örneğin SQL yazmayı bilen veri analistleri, Amazon S3'te bulunan verileri doğrudan sorgulayabilir. Amazon Atina. Görsel keşifle ilgilenen kullanıcılar bunu kullanarak yapabilirler. AWS Tutkal DataBrew. Veri bilimcileri veya mühendisleri kullanabilir Amazon EMR Stüdyosu or Amazon SageMaker Stüdyosu Not defterindeki verileri keşfetmek ve az kodlu bir deneyim için şunları kullanabilirsiniz: Amazon SageMaker Veri Düzenleyicisi. Bu hizmetler doğrudan S3 klasörlerini sorguladığından, verileri veri gölüne ulaşırken keşfedebilir ve içgörü elde etme süresini kısaltabilirsiniz.

Görüntüleme

Karmaşık veri kümelerini sezgisel görsellere dönüştürmek, verilerdeki gizli kalıpları ortaya çıkarır ve C360 kullanım durumları için çok önemlidir. Bu özellik sayesinde, değişen ihtiyaçlara yanıt veren farklı düzeyler için raporlar tasarlayabilirsiniz: stratejik genel bakışlar sunan yönetici raporları, operasyonel ölçümleri vurgulayan yönetim raporları ve ayrıntılara giren ayrıntılı raporlar. Bu görsel netlik, kuruluşunuzun tüm katmanlarda bilinçli kararlar almasına yardımcı olarak müşterinin bakış açısını merkezileştirir.

Aşağıdaki şemada, temel olarak oluşturulmuş örnek bir C360 kontrol paneli gösterilmektedir. Amazon QuickSight. QuickSight ölçeklenebilir, sunucusuz görselleştirme yetenekleri sunar. Tahmin ve anormallik tespiti veya doğal dil sorgulaması gibi otomatikleştirilmiş bilgiler için ML entegrasyonlarından yararlanabilirsiniz. QuickSight'ta Amazon Q, çeşitli kaynaklardan doğrudan veri bağlantısı ve oturum başına ödeme fiyatlandırması. QuickSight ile şunları yapabilirsiniz: harici web sitelerine ve uygulamalara kontrol panelleri yerleştirme, Ve BAHARAT motor, uygun ölçekte hızlı, etkileşimli veri görselleştirmesine olanak tanır. Aşağıdaki ekran görüntüsü QuickSight üzerine oluşturulmuş örnek bir C360 kontrol panelini göstermektedir.

Veri deposu

Veri ambarları, çok çeşitli kaynaklardan gelen yapılandırılmış verileri birleştirmede ve çok sayıda eşzamanlı kullanıcıdan gelen analitik sorguları sunmada etkilidir. Veri ambarları, C360 kullanım durumları için büyük miktarda müşteri verisinin birleşik, tutarlı bir görünümünü sağlayabilir. Amazon Kırmızıya Kaydırma büyük hacimli verileri ve çeşitli iş yüklerini ustaca işleyerek bu ihtiyacı karşılar. Veri kümeleri arasında güçlü bir tutarlılık sağlayarak kuruluşların bilinçli karar verme için gerekli olan, müşterileri hakkında güvenilir, kapsamlı bilgiler elde etmelerine olanak tanır. Amazon Redshift, terabaytlardan petabaytlara kadar verileri analiz etmek için gerçek zamanlı öngörüler ve tahmine dayalı analiz yetenekleri sunar. İle Amazon Redshift ML, minimum geliştirme yüküyle veri ambarında depolanan verilerin üzerine ML'yi gömebilirsiniz. Amazon Redshift Sunucusuz uygulama oluşturmayı basitleştirir ve şirketlerin zengin veri analitiği yeteneklerini yerleştirmesini kolaylaştırır.

Veri işbirliği

Güvenli bir şekilde yapabilirsiniz kolektif veri kümelerini işbirliği yapın ve analiz edin kullanarak birbirlerinin temel verilerini paylaşmadan veya kopyalamadan ortaklarınızdan AWS Temiz Odalar. Müşterilerinizin 360 derecelik bir görünümünü oluşturmak için etkileşim kanallarından ve iş ortağı veri kümelerinden farklı verileri bir araya getirebilirsiniz. AWS Temiz Odalar, kanallar arası pazarlama optimizasyonu, gelişmiş müşteri segmentasyonu ve gizlilikle uyumlu kişiselleştirme gibi kullanım örneklerini etkinleştirerek C360'ı geliştirebilir. Veri kümelerini güvenli bir şekilde birleştirerek daha zengin bilgiler ve sağlam veri gizliliği sunarak iş ihtiyaçlarını ve düzenleyici standartları karşılar.

Bölüm 4: Etkinleştirme

Verinin değeri yaşlandıkça azalır ve bu da zaman içinde daha yüksek fırsat maliyetlerine yol açar. Bir ankette Intersystems'in yürüttüğüAnkete katılan kuruluşların %75'i, zamanında olmayan verilerin iş fırsatlarını engellediğine inanıyor. Başka bir ankette ise Kuruluşların% 58'u (HBR Danışma Konseyi ve okuyucularının 560 katılımcısı arasında) gerçek zamanlı müşteri analitiğini kullanarak müşteriyi elde tutma ve sadakatte artış gördüklerini belirtti.

Gerçek zamanlı olarak tartıştığımız önceki sütunlardan elde edilen tüm içgörülere göre hareket etme yeteneğini geliştirdiğinizde C360'ta olgunluğa ulaşabilirsiniz. Örneğin, bu olgunluk seviyesinde, zenginleştirilmiş bir müşteri profili ve entegre kanallarla otomatik olarak türettiğiniz bağlama dayalı olarak müşteri duyarlılığına göre hareket edebilirsiniz. Bunun için müşterinin duygularına nasıl hitap edeceğiniz konusunda kuralcı karar verme sürecini uygulamanız gerekir. Bunu geniş ölçekte yapabilmek için karar verme amacıyla AI/ML hizmetlerini kullanmanız gerekir. Aşağıdaki şemada, kuralcı analizler için ML ve hedefleme ve segmentasyon için yapay zeka hizmetleri kullanılarak içgörülerin etkinleştirilmesine yönelik mimari gösterilmektedir.

Karar verme motoru için ML'yi kullanın

ML ile genel müşteri deneyimini geliştirebilirsiniz; tahmine dayalı müşteri davranışı modelleri oluşturabilir, son derece kişiselleştirilmiş teklifler tasarlayabilir ve doğru müşteriyi doğru teşvikle hedefleyebilirsiniz. Bunları kullanarak oluşturabilirsiniz Amazon Adaçayı YapıcıVeri düzenleme, model eğitimi, model barındırma, model çıkarımı, model sapması tespiti ve özellik depolama dahil olmak üzere veri bilimi yaşam döngüsüyle eşlenen bir yönetilen hizmetler paketini içerir. SageMaker şunları yapmanızı sağlar: ML modellerinizi oluşturun ve operasyonel hale getirin, doğru kişiye doğru zamanda doğru öngörüyü sağlamak için bunları uygulamalarınıza geri aktarın.

Amazon Kişiselleştir Bağlamsal önerileri destekler; bu sayede önerileri bir bağlam (örneğin, cihaz türü, konum veya günün saati) içinde oluşturarak alaka düzeyini artırabilirsiniz. Ekibiniz, birkaç tıklamayla gelişmiş kişiselleştirme yetenekleri oluşturmak için API'leri kullanarak önceden herhangi bir makine öğrenimi deneyimi olmadan çalışmaya başlayabilir. Daha fazla bilgi için bakınız Amazon Personalize ile iş kurallarını kullanarak belirli öğeleri tanıtarak önerilerinizi özelleştirin.

Pazarlama, reklam, doğrudan tüketiciye satış ve sadakat kanallarını etkinleştirin

Artık müşterilerinizin kim olduğunu ve kime ulaşacağınızı bildiğinize göre, hedefleme kampanyalarını geniş ölçekte yürütmek için çözümler oluşturabilirsiniz. İle Amazon Nokta Tespiti, birden fazla kanalda müşterilerle etkileşime geçmek için iletişimleri kişiselleştirebilir ve bölümlere ayırabilirsiniz. Örneğin Amazon Pinpoint'i kullanarak şunları yapabilirsiniz: ilgi çekici müşteri deneyimleri oluşturun e-posta, SMS, anlık bildirimler ve uygulama içi bildirimler gibi çeşitli iletişim kanalları aracılığıyla.

Sütun 5: Veri Yönetişimi

Kontrol ve erişimi dengeleyen doğru yönetimi oluşturmak, kullanıcılara verilere güven ve güven verir. Bir müşterinin ihtiyaç duymadığı ürünler için promosyonlar sunduğunuzu veya yanlış müşterileri bildirim bombardımanına tuttuğunuzu hayal edin. Düşük veri kalitesi bu tür durumlara yol açabilir ve sonuçta müşteri kaybıyla sonuçlanabilir. Veri kalitesini doğrulayan ve düzeltici eylemler gerçekleştiren süreçler oluşturmanız gerekir. AWS Glue Veri Kalitesi önceden tanımlanmış kurallara göre, bekleyen ve aktarılan verilerin kalitesini doğrulayan çözümler oluşturmanıza yardımcı olabilir.

Müşteri verilerine yönelik işlevler arası bir yönetim yapısı oluşturmak için kuruluşunuz genelinde verileri yönetme ve paylaşma yeteneğine ihtiyacınız vardır. İle Amazon Veri Bölgesi, yöneticiler ve veri sorumluları verilere erişimi yönetebilir ve yönetebilir ve veri mühendisleri, veri bilimcileri, ürün yöneticileri, analistler ve diğer iş kullanıcıları gibi tüketiciler, öngörüleri artırmak için bu verileri keşfedebilir, kullanabilir ve bunlarla işbirliği yapabilir. Müşteri verilerini bulmanızı ve kullanmanızı sağlayarak veri erişimini kolaylaştırır, paylaşılan veri varlıklarıyla ekip işbirliğini destekler ve bir web uygulaması veya bir portaldaki API aracılığıyla kişiselleştirilmiş analizler sağlar. AWS Göl Oluşumu verilere güvenli bir şekilde erişilmesini sağlar ve doğru kişilerin, doğru verileri doğru nedenlerle görmesini garanti eder; bu, herhangi bir kuruluşta işlevler arası etkin yönetim için çok önemlidir. İş meta verileri, Amazon DataZone'da kayıtlı teknik meta veriler ve şema bilgileriyle desteklenen Amazon DataZone tarafından depolanır ve yönetilir. AWS Tutkal Veri Kataloğu. Bu teknik meta veriler aynı zamanda Lake Formation ve Amazon DataZone gibi diğer yönetim hizmetleri ve Amazon Redshift, Athena ve AWS Glue gibi analiz hizmetleri tarafından da kullanılır.

Hepsini bir araya getirmek

Aşağıdaki diyagramı referans olarak kullanarak, farklı yetenekler oluşturmak ve işletmek için projeler ve ekipler oluşturabilirsiniz. Örneğin, bir veri entegrasyon ekibinin veri toplama temeline odaklanmasını sağlayabilirsiniz; daha sonra veri mimarları ve veri mühendisleri gibi işlevsel rolleri uyumlu hale getirebilirsiniz. Analitik ve veri bilimi uygulamalarınızı sırasıyla analitik ve aktivasyon sütunlarına odaklanacak şekilde oluşturabilirsiniz. Daha sonra müşteri kimliğinin işlenmesi ve müşterinin birleşik görünümünün oluşturulması için uzman bir ekip oluşturabilirsiniz. Politikaları tasarlamak ve otomatikleştirmek için farklı işlevlerden veri yöneticileri, güvenlik yöneticileri ve veri yönetimi politika yapıcılarından oluşan bir veri yönetimi ekibi oluşturabilirsiniz.

Sonuç

Sağlam bir C360 yeteneği oluşturmak, kuruluşunuzun müşteri tabanınız hakkında bilgi edinmesi açısından temel önemdedir. AWS Veritabanları, Analytics ve AI/ML hizmetleri bu sürecin kolaylaştırılmasına yardımcı olarak ölçeklenebilirlik ve verimlilik sağlayabilir. Düşüncenize rehberlik edecek beş sütunu takip ederek, kuruluş genelinde C360 görünümünü tanımlayan, verilerin doğru olduğundan emin olan ve müşteri verileri için işlevler arası yönetişim oluşturan uçtan uca bir veri stratejisi oluşturabilirsiniz. Her bir sütunda oluşturmanız gereken ürün ve özellikleri kategorilere ayırıp önceliklendirebilir, iş için doğru aracı seçebilir ve ekiplerinizde ihtiyaç duyduğunuz becerileri geliştirebilirsiniz.

Türkiye Dental Sosyal Medya Hesaplarından bizi takip edebilirsiniz. Veri Müşteri Hikayeleri için AWS AWS'nin dünyanın en büyük kuruluşlarından büyüyen girişimlere kadar müşteri yolculuklarını nasıl dönüştürdüğünü öğrenmek için.

Yazarlar Hakkında

İsmail Mahluf AWS'de Veri Analitiği alanında Kıdemli Uzman Çözüm Mimarıdır. Ismail, toplu ve gerçek zamanlı akış, büyük veri, veri ambarı ve veri gölü iş yükleri de dahil olmak üzere, uçtan uca veri analitiği alanlarındaki kuruluşlar için çözümler tasarlamaya odaklanıyor. İş hedeflerine iyi tasarlanmış veri platformlarıyla ulaşmak için öncelikle perakende, e-ticaret, FinTech, HealthTech ve seyahat sektörlerindeki kuruluşlarla çalışıyor.

Sandipan Bhaumik (Sandi) AWS'de Kıdemli Analitik Uzmanı Çözüm Mimarıdır. Müşterilerin, analitiği uygun ölçekte güvenli bir şekilde gerçekleştirmek, operasyonel ek yükü azaltmak ve maliyet etkinliği ve sürdürülebilirlik açısından kullanımı optimize etmek için buluttaki veri platformlarını modernleştirmelerine yardımcı oluyor.

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
• PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
• PlatoESG. karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
• PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
• Kaynak: https://aws.amazon.com/blogs/big-data/create-an-end-to-end-data-strategy-for-customer-360-on-aws/