Khách hàng 360 (C360) cung cấp cái nhìn đầy đủ và thống nhất về tương tác và hành vi của khách hàng trên tất cả các điểm tiếp xúc và kênh. Chế độ xem này được sử dụng để xác định các mô hình và xu hướng trong hành vi của khách hàng, từ đó có thể đưa ra các quyết định dựa trên dữ liệu nhằm cải thiện kết quả kinh doanh. Ví dụ: bạn có thể sử dụng C360 để phân đoạn và tạo các chiến dịch tiếp thị có nhiều khả năng gây được tiếng vang với các nhóm khách hàng cụ thể.

Vào năm 2022, AWS đã ủy quyền cho Trung tâm Năng suất và Chất lượng Hoa Kỳ (APQC) thực hiện một nghiên cứu để định lượng Giá trị doanh nghiệp của khách hàng 360. Hình dưới đây cho thấy một số số liệu thu được từ nghiên cứu. Các tổ chức sử dụng C360 đã giảm được 43.9% thời lượng chu kỳ bán hàng, tăng 22.8% giá trị trọn đời của khách hàng, thời gian tiếp thị nhanh hơn 25.3% và cải thiện 19.1% về xếp hạng điểm quảng cáo ròng (NPS).

Nếu không có C360, các doanh nghiệp sẽ phải đối mặt với việc bỏ lỡ cơ hội, báo cáo không chính xác và trải nghiệm khách hàng rời rạc, dẫn đến tình trạng khách hàng rời bỏ. Tuy nhiên, việc xây dựng giải pháp C360 có thể phức tạp. MỘT Khảo sát tiếp thị của Gartner chỉ nhận thấy 14% tổ chức đã triển khai thành công giải pháp C360 do thiếu sự đồng thuận về ý nghĩa của chế độ xem 360 độ, thách thức về chất lượng dữ liệu và thiếu cấu trúc quản trị đa chức năng cho dữ liệu khách hàng.

Trong bài đăng này, chúng tôi thảo luận cách bạn có thể sử dụng các dịch vụ AWS được xây dựng có mục đích để tạo chiến lược dữ liệu toàn diện cho C360 nhằm thống nhất và quản lý dữ liệu khách hàng nhằm giải quyết những thách thức này. Chúng tôi cấu trúc nó thành năm trụ cột hỗ trợ C360: thu thập, thống nhất, phân tích, kích hoạt và quản trị dữ liệu, cùng với kiến ​​trúc giải pháp mà bạn có thể sử dụng để triển khai.

Năm trụ cột của một chiếc C360 trưởng thành

Khi bắt tay vào tạo C360, bạn sẽ làm việc với nhiều trường hợp sử dụng, loại dữ liệu khách hàng cũng như người dùng và ứng dụng yêu cầu các công cụ khác nhau. Xây dựng C360 trên các tập dữ liệu phù hợp, thêm các tập dữ liệu mới theo thời gian trong khi vẫn duy trì chất lượng dữ liệu và giữ an toàn cho dữ liệu cần có chiến lược dữ liệu toàn diện cho dữ liệu khách hàng của bạn. Bạn cũng cần cung cấp các công cụ giúp nhóm của bạn dễ dàng xây dựng các sản phẩm hoàn thiện C360 của mình.

Chúng tôi khuyên bạn nên xây dựng chiến lược dữ liệu của mình xoay quanh năm trụ cột của C360, như minh họa trong hình sau. Điều này bắt đầu với việc thu thập dữ liệu cơ bản, thống nhất và liên kết dữ liệu từ nhiều kênh khác nhau liên quan đến khách hàng duy nhất và tiến tới phân tích cơ bản đến nâng cao để ra quyết định và tương tác cá nhân hóa thông qua nhiều kênh khác nhau. Khi bạn trưởng thành trong từng trụ cột này, bạn sẽ tiến tới việc phản hồi các tín hiệu của khách hàng theo thời gian thực.

Sơ đồ sau minh họa kiến ​​trúc chức năng kết hợp các khối xây dựng của một Nền tảng dữ liệu khách hàng trên AWS với các thành phần bổ sung được sử dụng để thiết kế giải pháp C360 toàn diện. Điều này phù hợp với năm trụ cột mà chúng ta thảo luận trong bài viết này.

Trụ cột 1: Thu thập dữ liệu

Khi bắt đầu xây dựng nền tảng dữ liệu khách hàng, bạn phải thu thập dữ liệu từ nhiều hệ thống và điểm tiếp xúc khác nhau, chẳng hạn như hệ thống bán hàng, hỗ trợ khách hàng, web và phương tiện truyền thông xã hội cũng như thị trường dữ liệu. Hãy coi trụ cột thu thập dữ liệu là sự kết hợp giữa khả năng nhập, lưu trữ và xử lý.

Nhập dữ liệu

Bạn phải xây dựng quy trình truyền dẫn dựa trên các yếu tố như loại nguồn dữ liệu (kho dữ liệu tại chỗ, tệp, ứng dụng SaaS, dữ liệu của bên thứ ba) và luồng dữ liệu (luồng không giới hạn hoặc dữ liệu hàng loạt). AWS cung cấp các dịch vụ khác nhau để xây dựng quy trình nhập dữ liệu:

• Keo AWS là dịch vụ tích hợp dữ liệu không có máy chủ, nhập dữ liệu theo lô từ cơ sở dữ liệu tại chỗ và kho dữ liệu trên đám mây. Nó kết nối với hơn 70 nguồn dữ liệu và giúp bạn xây dựng các quy trình trích xuất, chuyển đổi và tải (ETL) mà không cần phải quản lý cơ sở hạ tầng quy trình. Chất lượng dữ liệu keo AWS kiểm tra và cảnh báo về dữ liệu kém, giúp bạn dễ dàng phát hiện và khắc phục sự cố trước khi chúng gây hại cho doanh nghiệp của bạn.
• Luồng ứng dụng Amazon nhập dữ liệu từ các ứng dụng phần mềm dưới dạng dịch vụ (SaaS) như Google Analytics, Salesforce, SAP và Marketo, giúp bạn linh hoạt nhập dữ liệu từ hơn 50 ứng dụng SaaS.
• Trao đổi dữ liệu AWS giúp việc tìm kiếm, đăng ký và sử dụng dữ liệu của bên thứ ba để phân tích trở nên đơn giản. Bạn có thể đăng ký các sản phẩm dữ liệu giúp làm phong phú hồ sơ khách hàng, ví dụ như dữ liệu nhân khẩu học, dữ liệu quảng cáo và dữ liệu thị trường tài chính.
• Amazon Kinesis nhập các sự kiện phát trực tuyến trong thời gian thực từ hệ thống điểm bán hàng, dữ liệu luồng nhấp chuột từ các ứng dụng và trang web dành cho thiết bị di động cũng như dữ liệu truyền thông xã hội. Bạn cũng có thể cân nhắc sử dụng Truyền trực tuyến được quản lý của Amazon cho Apache Kafka (Amazon MSK) để phát trực tuyến các sự kiện trong thời gian thực.

Sơ đồ sau minh họa các quy trình khác nhau để nhập dữ liệu từ nhiều hệ thống nguồn khác nhau bằng dịch vụ AWS.

lưu trữ dữ liệu

Dữ liệu lô có cấu trúc, bán cấu trúc hoặc không cấu trúc được lưu trữ trong bộ lưu trữ đối tượng vì chúng tiết kiệm chi phí và bền bỉ. Dịch vụ lưu trữ đơn giản của Amazon (Amazon S3) là dịch vụ lưu trữ được quản lý với các tính năng lưu trữ có thể lưu trữ hàng petabyte dữ liệu với độ bền mười một số 9. Truyền dữ liệu với nhu cầu độ trễ thấp được lưu trữ trong Luồng dữ liệu Amazon Kinesis để tiêu dùng theo thời gian thực. Điều này cho phép phân tích và hành động ngay lập tức cho nhiều người tiêu dùng ở hạ nguồn khác nhau—như đã thấy với trung tâm của Riot Games Xe buýt sự kiện bạo loạn.

Xử lí dữ liệu

Dữ liệu thô thường bị lộn xộn với các bản sao và định dạng không đều. Bạn cần xử lý việc này để sẵn sàng phân tích. Nếu bạn đang sử dụng dữ liệu hàng loạt và truyền dữ liệu trực tuyến, hãy cân nhắc sử dụng một khung có thể xử lý cả hai. Một mô hình như Kiến trúc Kappa xem mọi thứ dưới dạng luồng, đơn giản hóa quy trình xử lý. Cân nhắc sử dụng Dịch vụ được quản lý của Amazon dành cho Apache Flink để xử lý công việc xử lý. Với Dịch vụ được quản lý dành cho Apache Flink, bạn có thể dọn dẹp và chuyển đổi dữ liệu truyền trực tuyến cũng như hướng dữ liệu đó đến đích thích hợp dựa trên yêu cầu về độ trễ. Bạn cũng có thể triển khai xử lý dữ liệu hàng loạt bằng cách sử dụng Amazon EMR trên các khung nguồn mở như Apache Spark với hiệu suất tốt hơn 3.5 lần hơn phiên bản tự quản lý. Quyết định về kiến ​​trúc của việc sử dụng hệ thống xử lý theo lô hoặc theo luồng sẽ phụ thuộc vào nhiều yếu tố khác nhau; tuy nhiên, nếu bạn muốn bật phân tích thời gian thực trên dữ liệu khách hàng của mình, chúng tôi khuyên bạn nên sử dụng mẫu kiến ​​trúc Kappa.

Trụ cột 2: Thống nhất

Để liên kết dữ liệu đa dạng đến từ nhiều điểm tiếp xúc khác nhau với một khách hàng duy nhất, bạn cần xây dựng giải pháp xử lý danh tính xác định thông tin đăng nhập ẩn danh, lưu trữ thông tin khách hàng hữu ích, liên kết chúng với dữ liệu bên ngoài để có thông tin chi tiết tốt hơn và nhóm khách hàng theo các miền quan tâm. Mặc dù giải pháp xử lý danh tính giúp xây dựng hồ sơ khách hàng thống nhất nhưng chúng tôi khuyên bạn nên coi đây là một phần khả năng xử lý dữ liệu của mình. Sơ đồ sau đây minh họa các thành phần của một giải pháp như vậy.

Các thành phần chính như sau:

• Độ phân giải danh tính – Giải pháp nhận dạng là một giải pháp chống trùng lặp, trong đó các bản ghi được so khớp để xác định một khách hàng và khách hàng tiềm năng duy nhất bằng cách liên kết nhiều số nhận dạng như cookie, số nhận dạng thiết bị, địa chỉ IP, ID email và ID doanh nghiệp nội bộ với một người đã biết hoặc hồ sơ ẩn danh bằng cách sử dụng quyền riêng tư- các phương pháp tuân thủ. Điều này có thể đạt được bằng cách sử dụng Độ phân giải thực thể AWS, cho phép sử dụng các quy tắc và kỹ thuật máy học (ML) để khớp hồ sơ và giải quyết danh tính. Ngoài ra, bạn có thể xây dựng đồ thị nhận dạng sử dụng Sao Hải vương Amazon để có cái nhìn thống nhất duy nhất về khách hàng của bạn.
• Tổng hợp hồ sơ – Khi bạn đã xác định duy nhất một khách hàng, bạn có thể xây dựng các ứng dụng trong Dịch vụ được quản lý cho Apache Flink để hợp nhất tất cả siêu dữ liệu của họ, từ tên đến lịch sử tương tác. Sau đó, bạn chuyển đổi dữ liệu này thành một định dạng ngắn gọn. Thay vì hiển thị mọi chi tiết giao dịch, bạn có thể cung cấp giá trị chi tiêu tổng hợp và liên kết tới bản ghi Quản lý quan hệ khách hàng (CRM) của họ. Đối với các tương tác dịch vụ khách hàng, hãy cung cấp điểm CSAT trung bình và liên kết đến hệ thống trung tâm cuộc gọi để tìm hiểu sâu hơn về lịch sử liên lạc của họ.
• Làm giàu hồ sơ – Sau khi bạn phân loại khách hàng thành một danh tính duy nhất, hãy nâng cao hồ sơ của họ bằng nhiều nguồn dữ liệu khác nhau. Việc làm phong phú thường liên quan đến việc thêm dữ liệu về nhân khẩu học, hành vi và vị trí địa lý. Bạn có thể dùng sản phẩm dữ liệu của bên thứ ba từ AWS Marketplace được phân phối thông qua AWS Data Exchange để hiểu rõ hơn về thu nhập, mô hình tiêu dùng, điểm rủi ro tín dụng và nhiều khía cạnh khác nhằm cải thiện hơn nữa trải nghiệm của khách hàng.
• Phân khúc khách hàng – Sau khi xác định duy nhất và làm phong phú hồ sơ khách hàng, bạn có thể phân đoạn họ dựa trên nhân khẩu học như độ tuổi, mức chi tiêu, thu nhập và vị trí bằng cách sử dụng các ứng dụng trong Dịch vụ được quản lý dành cho Apache Flink. Khi bạn tiến bộ, bạn có thể kết hợp Dịch vụ AI cho kỹ thuật nhắm mục tiêu chính xác hơn.

Sau khi thực hiện xong việc xử lý và phân đoạn danh tính, bạn cần có khả năng lưu trữ để lưu trữ hồ sơ khách hàng duy nhất, đồng thời cung cấp khả năng tìm kiếm và truy vấn cho người tiêu dùng ở cấp dưới để sử dụng dữ liệu khách hàng được làm phong phú.

Sơ đồ sau đây minh họa trụ cột thống nhất cho hồ sơ khách hàng thống nhất và cái nhìn duy nhất về khách hàng đối với các ứng dụng tiếp theo.

Hồ sơ khách hàng thống nhất

Cơ sở dữ liệu đồ thị vượt trội trong việc mô hình hóa các tương tác và mối quan hệ của khách hàng, cung cấp cái nhìn toàn diện về hành trình của khách hàng. Nếu bạn đang xử lý hàng tỷ hồ sơ và tương tác, bạn có thể cân nhắc sử dụng Neptune, dịch vụ cơ sở dữ liệu đồ thị được quản lý trên AWS. Các tổ chức như Zeta và Activision đã sử dụng thành công Neptune để lưu trữ và truy vấn hàng tỷ số nhận dạng duy nhất mỗi tháng và hàng triệu truy vấn mỗi giây với thời gian phản hồi tính bằng mili giây.

Xem một khách hàng

Mặc dù cơ sở dữ liệu đồ thị cung cấp những hiểu biết sâu sắc nhưng chúng có thể phức tạp đối với các ứng dụng thông thường. Điều khôn ngoan là hợp nhất dữ liệu này vào một chế độ xem khách hàng duy nhất, đóng vai trò là tài liệu tham khảo chính cho các ứng dụng tiếp theo, từ nền tảng thương mại điện tử đến hệ thống CRM. Chế độ xem hợp nhất này hoạt động như một cầu nối giữa nền tảng dữ liệu và các ứng dụng lấy khách hàng làm trung tâm. Với những mục đích như vậy, chúng tôi khuyên bạn nên sử dụng Máy phát điện Amazon về khả năng thích ứng, khả năng mở rộng và hiệu suất của nó, mang lại cơ sở dữ liệu khách hàng cập nhật và hiệu quả. Cơ sở dữ liệu này sẽ chấp nhận rất nhiều truy vấn ghi lại từ hệ thống kích hoạt để tìm hiểu thông tin mới về khách hàng và cung cấp lại cho họ.

Trụ cột 3: Phân tích

Trụ cột phân tích xác định các khả năng giúp bạn tạo ra thông tin chi tiết dựa trên dữ liệu khách hàng của mình. Chiến lược phân tích của bạn áp dụng cho nhu cầu tổ chức rộng hơn, không chỉ C360. Bạn có thể sử dụng các khả năng tương tự để phục vụ báo cáo tài chính, đo lường hiệu suất hoạt động hoặc thậm chí kiếm tiền từ tài sản dữ liệu. Lập chiến lược dựa trên cách nhóm của bạn khám phá dữ liệu, chạy phân tích, sắp xếp dữ liệu cho các yêu cầu tiếp theo và trực quan hóa dữ liệu ở các cấp độ khác nhau. Lập kế hoạch về cách bạn có thể cho phép nhóm của mình sử dụng ML để chuyển từ phân tích mô tả sang phân tích theo quy định.

Sản phẩm Kiến trúc dữ liệu hiện đại của AWS chỉ ra cách xây dựng nền tảng dữ liệu được xây dựng có mục đích, an toàn và có thể mở rộng trên đám mây. Tìm hiểu từ điều này để xây dựng khả năng truy vấn trên hồ dữ liệu và kho dữ liệu của bạn.

Sơ đồ sau chia nhỏ khả năng phân tích thành khám phá dữ liệu, trực quan hóa, lưu trữ dữ liệu và cộng tác dữ liệu. Hãy cùng tìm hiểu vai trò của từng thành phần này trong bối cảnh của C360.

Khám phá dữ liệu

Khám phá dữ liệu giúp phát hiện sự không nhất quán, ngoại lệ hoặc lỗi. Bằng cách phát hiện sớm những điều này, nhóm của bạn có thể tích hợp dữ liệu rõ ràng hơn cho C360, từ đó dẫn đến phân tích và dự đoán chính xác hơn. Hãy xem xét những cá nhân đang khám phá dữ liệu, kỹ năng kỹ thuật của họ và thời gian để tìm hiểu sâu hơn. Ví dụ: nhà phân tích dữ liệu biết viết SQL có thể truy vấn trực tiếp dữ liệu nằm trong Amazon S3 bằng cách sử dụng amazon Athena. Người dùng quan tâm đến khám phá trực quan có thể làm như vậy bằng cách sử dụng AWS Keo DataBrew. Các nhà khoa học hoặc kỹ sư dữ liệu có thể sử dụng Phòng thu âm Amazon EMR or Xưởng sản xuất Amazon SageMaker để khám phá dữ liệu từ sổ ghi chép và để có trải nghiệm mã ngắn, bạn có thể sử dụng Trình sắp xếp dữ liệu Amazon SageMaker. Vì các dịch vụ này truy vấn trực tiếp bộ chứa S3 nên bạn có thể khám phá dữ liệu ngay khi dữ liệu được đưa vào hồ dữ liệu, giúp giảm thời gian tìm hiểu thông tin chi tiết.

Hình ảnh

Việc biến các tập dữ liệu phức tạp thành hình ảnh trực quan sẽ làm sáng tỏ các mẫu ẩn trong dữ liệu và điều này rất quan trọng đối với các trường hợp sử dụng C360. Với khả năng này, bạn có thể thiết kế báo cáo cho các cấp độ khác nhau đáp ứng các nhu cầu khác nhau: báo cáo điều hành cung cấp tổng quan về chiến lược, báo cáo quản lý nêu bật các số liệu hoạt động và báo cáo chi tiết đi sâu vào chi tiết cụ thể. Hình ảnh rõ ràng như vậy giúp tổ chức của bạn đưa ra quyết định sáng suốt ở tất cả các cấp, tập trung vào quan điểm của khách hàng.

Sơ đồ sau đây hiển thị bảng thông tin C360 mẫu được xây dựng trên Amazon QuickSight. QuickSight cung cấp khả năng hiển thị không cần máy chủ và có thể mở rộng. Bạn có thể hưởng lợi từ việc tích hợp ML của nó để có được những hiểu biết tự động như dự báo và phát hiện bất thường hoặc truy vấn ngôn ngữ tự nhiên với Amazon Q trong QuickSight, kết nối dữ liệu trực tiếp từ nhiều nguồn khác nhau và giá trả cho mỗi phiên. Với QuickSight, bạn có thể nhúng bảng điều khiển vào các trang web và ứng dụng bên ngoài, và Spice công cụ cho phép hiển thị dữ liệu tương tác nhanh chóng trên quy mô lớn. Ảnh chụp màn hình sau đây hiển thị bảng điều khiển C360 mẫu được xây dựng trên QuickSight.

Kho dữ liệu

Kho dữ liệu có hiệu quả trong việc hợp nhất dữ liệu có cấu trúc từ nhiều nguồn khác nhau và phục vụ các truy vấn phân tích từ một số lượng lớn người dùng đồng thời. Kho dữ liệu có thể cung cấp cái nhìn thống nhất, nhất quán về lượng lớn dữ liệu khách hàng cho các trường hợp sử dụng C360. Amazon RedShift giải quyết nhu cầu này bằng cách xử lý khéo léo khối lượng dữ liệu lớn và khối lượng công việc đa dạng. Nó cung cấp tính nhất quán mạnh mẽ giữa các bộ dữ liệu, cho phép các tổ chức có được những hiểu biết toàn diện, đáng tin cậy về khách hàng của họ, điều này rất cần thiết để đưa ra quyết định sáng suốt. Amazon Redshift cung cấp thông tin chuyên sâu theo thời gian thực và khả năng phân tích dự đoán để phân tích dữ liệu từ hàng terabyte đến petabyte. Với Máy học dịch chuyển đỏ của Amazon, bạn có thể nhúng ML lên trên dữ liệu được lưu trữ trong kho dữ liệu với chi phí phát triển tối thiểu. Amazon Redshift không có máy chủ đơn giản hóa việc xây dựng ứng dụng và giúp các công ty dễ dàng tích hợp các khả năng phân tích dữ liệu phong phú.

Cộng tác dữ liệu

Bạn có thể an toàn cộng tác và phân tích các tập dữ liệu tập thể từ các đối tác của bạn mà không chia sẻ hoặc sao chép dữ liệu cơ bản của nhau bằng cách sử dụng Phòng sạch AWS. Bạn có thể tập hợp các dữ liệu khác nhau từ các kênh tương tác và tập dữ liệu của đối tác để tạo thành cái nhìn 360 độ về khách hàng của mình. Phòng sạch AWS có thể nâng cao C360 bằng cách hỗ trợ các trường hợp sử dụng như tối ưu hóa tiếp thị trên nhiều kênh, phân khúc khách hàng nâng cao và cá nhân hóa tuân thủ quyền riêng tư. Bằng cách hợp nhất các tập dữ liệu một cách an toàn, nó cung cấp thông tin chi tiết phong phú hơn và quyền riêng tư dữ liệu mạnh mẽ, đáp ứng nhu cầu kinh doanh và các tiêu chuẩn quy định.

Trụ cột 4: Kích hoạt

Giá trị của dữ liệu càng giảm đi, dẫn đến chi phí cơ hội cao hơn theo thời gian. Trong một cuộc khảo sát được thực hiện bởi Intersystems, 75% tổ chức được khảo sát tin rằng dữ liệu không kịp thời sẽ hạn chế cơ hội kinh doanh. Trong một cuộc khảo sát khác, 58% tổ chức (trong số 560 người trả lời hội đồng tư vấn HBR và độc giả) cho biết họ nhận thấy tỷ lệ giữ chân và lòng trung thành của khách hàng tăng lên nhờ sử dụng phân tích khách hàng theo thời gian thực.

Bạn có thể đạt được sự trưởng thành trong C360 khi xây dựng khả năng hành động dựa trên tất cả những hiểu biết sâu sắc có được từ các trụ cột trước đó mà chúng ta đã thảo luận trong thời gian thực. Ví dụ: ở cấp độ trưởng thành này, bạn có thể hành động dựa trên cảm tính của khách hàng dựa trên bối cảnh mà bạn tự động rút ra với hồ sơ khách hàng phong phú và các kênh tích hợp. Để làm được điều này, bạn cần thực hiện việc ra quyết định theo quy định về cách giải quyết tình cảm của khách hàng. Để thực hiện điều này trên quy mô lớn, bạn phải sử dụng các dịch vụ AI/ML để đưa ra quyết định. Sơ đồ sau đây minh họa kiến ​​trúc để kích hoạt thông tin chi tiết bằng cách sử dụng ML cho các dịch vụ phân tích theo quy định và AI để nhắm mục tiêu và phân khúc.

Sử dụng ML cho công cụ ra quyết định

Với ML, bạn có thể cải thiện trải nghiệm tổng thể của khách hàng—bạn có thể tạo các mô hình dự đoán hành vi của khách hàng, thiết kế các ưu đãi siêu cá nhân hóa và nhắm mục tiêu đến đúng khách hàng với ưu đãi phù hợp. Bạn có thể xây dựng chúng bằng cách sử dụng Amazon SageMaker, có một bộ dịch vụ được quản lý ánh xạ tới vòng đời của khoa học dữ liệu, bao gồm sắp xếp dữ liệu, đào tạo mô hình, lưu trữ mô hình, suy luận mô hình, phát hiện sai lệch mô hình và lưu trữ tính năng. SageMaker cho phép bạn xây dựng và vận hành các mô hình ML của bạn, truyền chúng trở lại ứng dụng của bạn để tạo ra thông tin chi tiết phù hợp cho đúng người vào đúng thời điểm.

Cá nhân hóa Amazon hỗ trợ các đề xuất theo ngữ cảnh, qua đó bạn có thể cải thiện mức độ liên quan của các đề xuất bằng cách tạo chúng trong một ngữ cảnh—ví dụ: loại thiết bị, vị trí hoặc thời gian trong ngày. Nhóm của bạn có thể bắt đầu mà không cần bất kỳ kinh nghiệm ML nào trước đó bằng cách sử dụng API để xây dựng khả năng cá nhân hóa tinh vi chỉ bằng vài cú nhấp chuột. Để biết thêm thông tin, xem Tùy chỉnh các đề xuất của bạn bằng cách quảng cáo các mặt hàng cụ thể bằng cách sử dụng các quy tắc kinh doanh với Amazon Personalize.

Kích hoạt các kênh tiếp thị, quảng cáo, trực tiếp tới người tiêu dùng và lòng trung thành

Bây giờ, bạn đã biết khách hàng của mình là ai và ai cần liên hệ, bạn có thể xây dựng các giải pháp để chạy các chiến dịch nhắm mục tiêu trên quy mô lớn. Với Điểm chính xác của Amazon, bạn có thể cá nhân hóa và phân đoạn thông tin liên lạc để thu hút khách hàng trên nhiều kênh. Ví dụ: bạn có thể sử dụng Amazon Pinpoint để xây dựng trải nghiệm khách hàng hấp dẫn thông qua nhiều kênh liên lạc khác nhau như email, SMS, thông báo đẩy và thông báo trong ứng dụng.

Trụ cột 5: Quản trị dữ liệu

Việc thiết lập cơ chế quản trị phù hợp giúp cân bằng giữa quyền kiểm soát và quyền truy cập mang lại cho người dùng niềm tin và sự tin cậy vào dữ liệu. Hãy tưởng tượng đưa ra các chương trình khuyến mãi cho những sản phẩm mà khách hàng không cần hoặc gửi thông báo đến nhầm đối tượng khách hàng. Chất lượng dữ liệu kém có thể dẫn đến những tình huống như vậy và cuối cùng dẫn đến việc khách hàng rời bỏ. Bạn phải xây dựng các quy trình xác thực chất lượng dữ liệu và thực hiện các hành động khắc phục. Chất lượng dữ liệu keo AWS có thể giúp bạn xây dựng các giải pháp xác thực chất lượng dữ liệu khi lưu trữ và truyền đi, dựa trên các quy tắc được xác định trước.

Để thiết lập cấu trúc quản trị đa chức năng cho dữ liệu khách hàng, bạn cần có khả năng quản lý và chia sẻ dữ liệu trong toàn tổ chức của mình. Với Vùng dữ liệu Amazon, quản trị viên và người quản lý dữ liệu có thể quản lý và quản lý quyền truy cập vào dữ liệu và người tiêu dùng như kỹ sư dữ liệu, nhà khoa học dữ liệu, người quản lý sản phẩm, nhà phân tích và những người dùng doanh nghiệp khác có thể khám phá, sử dụng và cộng tác với dữ liệu đó để nâng cao hiểu biết. Nó hợp lý hóa việc truy cập dữ liệu, cho phép bạn tìm và sử dụng dữ liệu khách hàng, thúc đẩy sự cộng tác của nhóm với nội dung dữ liệu được chia sẻ và cung cấp phân tích được cá nhân hóa thông qua ứng dụng web hoặc API trên cổng thông tin. Sự hình thành hồ AWS đảm bảo dữ liệu được truy cập một cách an toàn, đảm bảo đúng người nhìn thấy đúng dữ liệu vì những lý do phù hợp, điều này rất quan trọng để quản trị hiệu quả giữa các chức năng trong bất kỳ tổ chức nào. Siêu dữ liệu kinh doanh được lưu trữ và quản lý bởi Amazon DataZone, được củng cố bởi siêu dữ liệu kỹ thuật và thông tin lược đồ đã được đăng ký trong Danh mục dữ liệu keo AWS. Siêu dữ liệu kỹ thuật này cũng được sử dụng bởi cả các dịch vụ quản trị khác như Lake Formation và Amazon DataZone cũng như các dịch vụ phân tích như Amazon Redshift, Athena và AWS Glue.

Đưa nó tất cả cùng nhau

Sử dụng sơ đồ sau làm tài liệu tham khảo, bạn có thể tạo các dự án và nhóm để xây dựng và vận hành các khả năng khác nhau. Ví dụ: bạn có thể yêu cầu nhóm tích hợp dữ liệu tập trung vào trụ cột thu thập dữ liệu—sau đó bạn có thể sắp xếp các vai trò chức năng, như kiến ​​trúc sư dữ liệu và kỹ sư dữ liệu. Bạn có thể xây dựng các phương pháp phân tích và khoa học dữ liệu của mình để tập trung tương ứng vào các trụ cột phân tích và kích hoạt. Sau đó, bạn có thể tạo một nhóm chuyên biệt để xử lý danh tính khách hàng và xây dựng cái nhìn thống nhất về khách hàng. Bạn có thể thành lập nhóm quản trị dữ liệu với những người quản lý dữ liệu từ các chức năng khác nhau, quản trị viên bảo mật và người hoạch định chính sách quản trị dữ liệu để thiết kế và tự động hóa các chính sách.

Kết luận

Xây dựng năng lực C360 mạnh mẽ là điều cơ bản để tổ chức của bạn hiểu rõ hơn về cơ sở khách hàng của mình. Cơ sở dữ liệu AWS, Phân tích và các dịch vụ AI/ML có thể giúp hợp lý hóa quy trình này, mang lại khả năng mở rộng và hiệu quả. Tuân theo năm trụ cột để định hướng suy nghĩ của bạn, bạn có thể xây dựng chiến lược dữ liệu toàn diện nhằm xác định chế độ xem C360 trong toàn tổ chức, đảm bảo dữ liệu chính xác và thiết lập quản trị đa chức năng cho dữ liệu khách hàng. Bạn có thể phân loại và ưu tiên các sản phẩm cũng như tính năng mà bạn phải xây dựng trong mỗi trụ cột, chọn công cụ phù hợp cho công việc cũng như xây dựng các kỹ năng bạn cần trong nhóm của mình.

Truy cập Câu chuyện của khách hàng về dữ liệu AWS để tìm hiểu cách AWS đang chuyển đổi hành trình của khách hàng, từ các doanh nghiệp lớn nhất thế giới đến các công ty khởi nghiệp đang phát triển.

Về các tác giả

Ismail Makhlouf là Kiến trúc sư giải pháp chuyên gia cấp cao về phân tích dữ liệu tại AWS. Ismail tập trung vào việc xây dựng các giải pháp kiến ​​trúc cho các tổ chức trên toàn bộ lĩnh vực phân tích dữ liệu đầu cuối của họ, bao gồm truyền phát hàng loạt và thời gian thực, dữ liệu lớn, kho dữ liệu và khối lượng công việc của hồ dữ liệu. Anh chủ yếu làm việc với các tổ chức trong lĩnh vực bán lẻ, thương mại điện tử, FinTech, HealthTech và du lịch để đạt được mục tiêu kinh doanh của họ với nền tảng dữ liệu được kiến ​​trúc tốt.

Sandipan Bhaumik (Sandi) là Kiến trúc sư giải pháp chuyên gia phân tích cấp cao tại AWS. Anh giúp khách hàng hiện đại hóa nền tảng dữ liệu của họ trên đám mây để thực hiện phân tích một cách an toàn trên quy mô lớn, giảm chi phí vận hành và tối ưu hóa việc sử dụng để đạt được hiệu quả chi phí và tính bền vững.

• Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
• PlatoData.Network Vertical Generative Ai. Trao quyền cho chính mình. Truy cập Tại đây.
• PlatoAiStream. Thông minh Web3. Kiến thức khuếch đại. Truy cập Tại đây.
• Trung tâmESG. Than đá, công nghệ sạch, Năng lượng, Môi trường Hệ mặt trời, Quản lý chất thải. Truy cập Tại đây.
• PlatoSức khỏe. Tình báo thử nghiệm lâm sàng và công nghệ sinh học. Truy cập Tại đây.
• nguồn: https://aws.amazon.com/blogs/big-data/create-an-end-to-end-data-strategy-for-customer-360-on-aws/