客户 360 (C360) 提供有关客户在所有接触点和渠道中的交互和行为的完整且统一的视图。此视图用于识别客户行为的模式和趋势，这可以为数据驱动的决策提供信息，以改善业务成果。例如，您可以使用 C360 来细分和创建更有可能与特定客户群体产生共鸣的营销活动。
2022 年，AWS 委托美国生产力和质量中心 (APQC) 进行了一项研究，以量化 客户 360 的商业价值。下图显示了该研究得出的一些指标。使用 C360 的组织的销售周期持续时间缩短了 43.9%，客户终身价值提高了 22.8%，上市时间缩短了 25.3%，净推荐值 (NPS) 评级提高了 19.1%。
如果没有 C360，企业将面临错失机会、报告不准确和客户体验脱节的情况，从而导致客户流失。然而，构建 C360 解决方案可能很复杂。 A Gartner 营销调查 研究发现，由于对 14 度视图的含义缺乏共识、数据质量面临挑战以及缺乏客户数据的跨职能治理结构，只有 360% 的组织成功实施了 C360 解决方案。
在这篇文章中，我们讨论如何使用专门构建的 AWS 服务为 C360 创建端到端数据策略，以统一和管理客户数据来应对这些挑战。我们将其构建为支持 C360 的五个支柱：数据收集、统一、分析、激活和数据治理，以及可用于实施的解决方案架构。
成熟 C360 的五个支柱
当您开始创建 C360 时，您将处理多个用例、客户数据类型以及需要不同工具的用户和应用程序。在正确的数据集上构建 C360、随着时间的推移添加新数据集、同时保持数据质量并保持数据安全，需要针对客户数据制定端到端数据策略。您还需要提供工具，使您的团队能够轻松构建使 C360 成熟的产品。
我们建议围绕 C360 的五个支柱构建数据策略，如下图所示。首先从基本数据收集开始，统一和链接来自与独特客户相关的各种渠道的数据，然后逐步发展到用于决策的基本分析到高级分析，以及通过各种渠道进行个性化参与。随着您在每个支柱上的成熟，您将在响应实时客户信号方面取得进展。
下图说明了组合了构建块的功能架构 AWS 上的客户数据平台 以及用于设计端到端 C360 解决方案的附加组件。这与我们在这篇文章中讨论的五个支柱是一致的。
支柱 1：数据收集
当您开始构建客户数据平台时，您必须从各种系统和接触点收集数据，例如销售系统、客户支持、网络和社交媒体以及数据市场。将数据收集支柱视为摄取、存储和处理功能的组合。
数据提取
您必须根据数据源类型（本地数据存储、文件、SaaS 应用程序、第三方数据）和数据流（无界流或批量数据）等因素构建摄取管道。 AWS 提供不同的服务来构建数据摄取管道：
- AWS胶水 是一种无服务器数据集成服务，可从本地数据库和云中的数据存储批量提取数据。它连接到 70 多个数据源，帮助您构建提取、转换和加载 (ETL) 管道，而无需管理管道基础设施。 AWS Glue 数据质量 检查不良数据并发出警报，以便在问题损害您的业务之前轻松发现和解决问题。
- 亚马逊AppFlow 从 Google Analytics、Salesforce、SAP 和 Marketo 等软件即服务 (SaaS) 应用程序中提取数据，使您能够灵活地从 50 多个 SaaS 应用程序中提取数据。
- AWS数据交换 使查找、订阅和使用第三方数据进行分析变得简单。您可以订阅有助于丰富客户档案的数据产品，例如人口统计数据、广告数据和金融市场数据。
- 亚马逊Kinesis 从销售点系统实时提取流媒体事件、来自移动应用程序和网站的点击流数据以及社交媒体数据。您还可以考虑使用 适用于Apache Kafka的Amazon托管流 (Amazon MSK) 用于实时流式传输事件。
下图说明了使用 AWS 服务从各种源系统提取数据的不同管道。
数据存储
结构化、半结构化或非结构化批量数据存储在对象存储中，因为这些数据经济高效且持久。 亚马逊简单存储服务 (Amazon S3) 是一种具有归档功能的托管存储服务，可以存储 PB 级数据 十一个 9 的耐用性。低延迟需求的流数据存储在 Amazon Kinesis数据流 用于实时消费。这使得各种下游消费者能够立即进行分析并采取行动——正如 Riot Games 的中央 防暴事件巴士.
数据处理
原始数据通常充满重复数据和不规则格式。您需要对其进行处理以使其为分析做好准备。如果您正在使用批量数据和流数据，请考虑使用可以处理这两种数据的框架。诸如以下的图案 卡帕建筑 将一切视为流，简化处理管道。考虑使用 适用于 Apache Flink 的 Amazon 托管服务 来处理加工工作。借助 Apache Flink 托管服务，您可以清理和转换流数据，并根据延迟要求将其定向到适当的目的地。您还可以使用以下方式实现批量数据处理 亚马逊电子病历 基于 Apache Spark 等开源框架 性能提升 3.5 倍 比自我管理版本。使用批处理还是流处理系统的架构决策将取决于多种因素；但是，如果您想对客户数据进行实时分析，我们建议使用 Kappa 架构模式。
第二支柱：统一
要将来自不同接触点的不同数据链接到唯一的客户，您需要构建一个身份处理解决方案，该解决方案可识别匿名登录、存储有用的客户信息、将其链接到外部数据以获得更好的见解，并将客户分组到感兴趣的领域。尽管身份处理解决方案有助于构建统一的客户档案，但我们建议将其视为数据处理功能的一部分。下图说明了此类解决方案的组件。
关键组件如下：
- 身份解析 – 身份解析是一种重复数据删除解决方案，通过将 Cookie、设备标识符、IP 地址、电子邮件 ID 和内部企业 ID 等多个标识符链接到使用隐私的已知人员或匿名个人资料，将记录进行匹配，以识别唯一的客户和潜在客户 –合规方法。这可以通过使用来实现 AWS 实体解析，这使得能够使用规则和机器学习 (ML) 技术来 匹配记录并解析身份。 或者，您可以 构建恒等图 运用 亚马逊海王星 为您的客户提供统一的视图。
- 配置文件聚合 – 当您唯一地识别了客户后，您可以 在 Apache Flink 的托管服务中构建应用程序 整合他们的所有元数据，从名称到交互历史记录。然后，您将这些数据转换为简洁的格式。您可以提供汇总的支出值以及指向其客户关系管理 (CRM) 记录的链接，而不是显示每个交易详细信息。对于客户服务交互，请提供平均 CSAT 分数和呼叫中心系统的链接，以便更深入地了解他们的通信历史记录。
- 资料丰富 – 将客户解析为单一身份后，使用各种数据源增强他们的个人资料。丰富通常涉及添加人口统计、行为和地理位置数据。您可以使用 AWS Marketplace 中通过 AWS Data Exchange 提供的第三方数据产品 获得有关收入、消费模式、信用风险评分以及更多维度的见解，以进一步完善客户体验。
- 客户细分 – 在唯一识别和丰富客户资料后，您可以使用 Apache Flink 托管服务中的应用程序根据年龄、支出、收入和位置等人口统计数据对他们进行细分。随着您的进步，您可以合并 人工智能服务提供更精确的定位技术。
完成身份处理和细分后，您需要一个存储能力来存储唯一的客户档案，并在此基础上提供搜索和查询功能，以便下游消费者使用丰富的客户数据。
下图说明了统一客户资料和下游应用程序客户单一视图的统一支柱。
统一的客户档案
图形数据库擅长对客户交互和关系进行建模，提供客户旅程的全面视图。如果您正在处理数十亿个配置文件和交互，您可以考虑使用 Neptune，这是 AWS 上的托管图形数据库服务。组织如 泽塔 和 Activision公司 已成功使用 Neptune 每月存储和查询数十亿个唯一标识符，并以毫秒响应时间每秒进行数百万次查询。
单一客户视图
尽管图数据库提供了深入的见解，但对于常规应用程序来说它们可能很复杂。谨慎的做法是将这些数据整合到单一客户视图中，作为下游应用程序（从电子商务平台到 CRM 系统）的主要参考。这种综合视图充当数据平台和以客户为中心的应用程序之间的联络人。为此，我们建议使用 Amazon DynamoDB 其适应性、可扩展性和性能，从而产生最新且高效的客户数据库。该数据库将接受从激活系统返回的大量写入查询，这些激活系统了解有关客户的新信息并反馈给他们。
支柱 3：分析
分析支柱定义了可帮助您根据客户数据生成见解的功能。您的分析策略适用于更广泛的组织需求，而不仅仅是 C360。您可以使用相同的功能来提供财务报告、衡量运营绩效，甚至将数据资产货币化。根据您的团队如何探索数据、运行分析、根据下游需求整理数据以及在不同级别可视化数据来制定策略。规划如何使您的团队能够使用机器学习从描述性分析转向规范性分析。
AWS 现代数据架构 展示了一种在云中构建专用、安全且可扩展的数据平台的方法。从中学习如何构建跨数据湖和数据仓库的查询功能。
下图将分析功能分解为数据探索、可视化、数据仓库和数据协作。让我们了解一下这些组件在 C360 的背景下扮演什么角色。
数据探索
数据探索有助于发现不一致、异常值或错误。通过尽早发现这些问题，您的团队可以为 C360 提供更清晰的数据集成，从而实现更准确的分析和预测。考虑探索数据的角色、他们的技术技能以及洞察的时间。例如，知道编写 SQL 的数据分析师可以使用以下命令直接查询驻留在 Amazon S3 中的数据： 亚马逊雅典娜。对视觉探索感兴趣的用户可以使用 AWS Glue 数据酿造。数据科学家或工程师可以使用 亚马逊EMR Studio or 亚马逊SageMaker Studio 要探索笔记本中的数据，并获得低代码体验，您可以使用 亚马逊SageMaker数据牧马人。由于这些服务直接查询 S3 存储桶，因此您可以在数据进入数据湖时对其进行探索，从而缩短获得洞察的时间。
可视化
将复杂的数据集转化为直观的视觉效果可以揭示数据中隐藏的模式，这对于 C360 用例至关重要。借助此功能，您可以设计不同级别的报告，以满足不同的需求：提供战略概述的执行报告、突出显示运营指标的管理报告以及深入探讨具体细节的详细报告。这种视觉清晰度有助于您的组织在各个层面做出明智的决策，集中客户的视角。
下图显示了基于以下内容构建的示例 C360 仪表板 亚马逊QuickSight。 QuickSight 提供可扩展的无服务器可视化功能。您可以从其 ML 集成中受益，以实现自动化洞察，例如预测和异常检测或自然语言查询 QuickSight 中的 Amazon Q，来自各种来源的直接数据连接，以及 按会话付费定价。借助 QuickSight，您可以 将仪表板嵌入到外部网站和应用程序，并 香料 引擎可实现快速、大规模的交互式数据可视化。以下屏幕截图显示了基于 QuickSight 构建的示例 C360 仪表板。
数据仓库
数据仓库可以有效地整合来自多个来源的结构化数据并为大量并发用户提供分析查询。数据仓库可以为 C360 用例提供大量客户数据的统一、一致的视图。 亚马逊Redshift 通过熟练地处理大量数据和不同的工作负载来满足这一需求。它提供了跨数据集的强大一致性，使组织能够获得有关其客户的可靠、全面的见解，这对于做出明智的决策至关重要。 Amazon Redshift 提供实时洞察和预测分析功能，用于分析从 TB 到 PB 的数据。和 亚马逊红移机器学习，您可以以最小的开发开销将 ML 嵌入到数据仓库中存储的数据之上。 Amazon Redshift 无服务器 简化了应用程序构建，使公司能够轻松嵌入丰富的数据分析功能。
数据协作
您可以安全地 协作和分析集体数据集 来自您的合作伙伴，而无需使用以下方式共享或复制彼此的基础数据 AWS 洁净室。您可以将来自不同参与渠道和合作伙伴数据集的不同数据汇集在一起，形成 360 度的客户视图。 AWS Clean Rooms 可以通过支持跨渠道营销优化、高级客户细分和符合隐私的个性化等用例来增强 C360。通过安全地合并数据集，它可以提供更丰富的见解和强大的数据隐私，满足业务需求和监管标准。
支柱 4：激活
数据的价值随着时间的推移而减少，随着时间的推移导致机会成本更高。在一项调查中 由 Intersystems 进行，75% 的受访组织认为不及时的数据抑制了商业机会。在另一项调查中， 58％的组织 （来自《哈佛商业评论》咨询委员会和读者的 560 名受访者）表示，他们发现使用实时客户分析可以提高客户保留率和忠诚度。
当您具备根据我们实时讨论的之前支柱获得的所有见解采取行动的能力时，您就可以在 C360 中实现成熟。例如，在此成熟度级别，您可以根据通过丰富的客户资料和集成渠道自动得出的上下文来根据客户情绪采取行动。为此，您需要就如何解决客户的情绪实施规范性决策。要大规模实现这一目标，您必须使用 AI/ML 服务进行决策。下图说明了使用 ML 进行规范性分析以及使用 AI 服务进行定位和细分来激活见解的架构。
使用 ML 作为决策引擎
借助机器学习，您可以改善整体客户体验 - 您可以创建预测客户行为模型，设计超个性化优惠，并通过适当的激励来瞄准正确的客户。您可以使用构建它们 亚马逊SageMaker，它具有一套映射到数据科学生命周期的托管服务，包括数据整理、模型训练、模型托管、模型推理、模型漂移检测和特征存储。 SageMaker 使您能够 构建并运行您的机器学习模型，将它们重新注入您的应用程序中，以便在正确的时间向正确的人提供正确的见解。
亚马逊个性化 支持上下文推荐，通过它，您可以通过在上下文（例如设备类型、位置或一天中的时间）内生成推荐来提高推荐的相关性。您的团队无需任何 ML 经验即可开始使用 API，只需点击几下即可构建复杂的个性化功能。有关更多信息，请参阅 通过使用 Amazon Personalize 的业务规则推广特定项目来自定义您的推荐.
激活营销、广告、直接面向消费者和忠诚度等渠道
现在您知道您的客户是谁以及要联系谁，您可以构建解决方案来大规模运行定位活动。和 亚马逊Pinpoint，您可以个性化和细分通信，以跨多个渠道吸引客户。例如，您可以使用 Amazon Pinpoint 来 打造引人入胜的客户体验 通过电子邮件、短信、推送通知和应用内通知等各种通信渠道。
支柱 5：数据治理
建立平衡控制和访问的正确治理可以让用户对数据产生信任和信心。想象一下，对客户不需要的产品进行促销，或者用通知轰炸错误的客户。数据质量差可能会导致这种情况，并最终导致客户流失。您必须构建验证数据质量并采取纠正措施的流程。 AWS Glue 数据质量 可以帮助您构建解决方案，根据预定义的规则验证静态和传输中数据的质量。
要为客户数据建立跨职能的治理结构，您需要具有在整个组织内治理和共享数据的能力。和 亚马逊数据区，管理员和数据管理员可以管理和控制对数据的访问，数据工程师、数据科学家、产品经理、分析师和其他业务用户等消费者可以发现、使用这些数据并与之协作以推动洞察。它简化了数据访问，让您可以查找和使用客户数据，促进与共享数据资产的团队协作，并通过 Web 应用程序或门户上的 API 提供个性化分析。 AWS湖形成 确保安全地访问数据，保证正确的人员因正确的原因看到正确的数据，这对于任何组织中有效的跨职能治理至关重要。业务元数据由 Amazon DataZone 存储和管理，该数据区以技术元数据和架构信息为基础，这些信息注册在 AWS Glue数据目录。此技术元数据还用于 Lake Formation 和 Amazon DataZone 等其他治理服务以及 Amazon Redshift、Athena 和 AWS Glue 等分析服务。
把它一起
使用下图作为参考，您可以创建项目和团队来构建和运营不同的功能。例如，您可以让数据集成团队专注于数据收集支柱，然后您可以调整职能角色，例如数据架构师和数据工程师。您可以构建分析和数据科学实践，分别专注于分析和激活支柱。然后，您可以创建一个专门的团队来处理客户身份并构建客户的统一视图。您可以建立一个由来自不同职能部门的数据管理员、安全管理员和数据治理决策者组成的数据治理团队来设计和自动化策略。
结论
构建强大的 C360 功能对于您的组织深入了解客户群至关重要。 AWS 数据库、分析和 AI/ML 服务可以帮助简化此流程，提供可扩展性和效率。遵循五个支柱来指导您的思维，您可以构建端到端数据策略，定义整个组织的 C360 视图，确保数据准确，并为客户数据建立跨职能治理。您可以对每个支柱中必须构建的产品和功能进行分类和优先级，选择适合工作的工具，并培养团队所需的技能。
参观 AWS 数据客户案例 了解 AWS 如何改变客户旅程，从全球最大的企业到成长中的初创公司。
作者简介
伊斯梅尔·马克鲁夫 是 AWS 数据分析高级专家解决方案架构师。 Ismail 专注于为组织构建端到端数据分析领域的解决方案，包括批处理和实时流、大数据、数据仓库和数据湖工作负载。他主要与零售、电子商务、金融科技、健康科技和旅游领域的组织合作，利用架构良好的数据平台实现他们的业务目标。
桑迪潘鲍米克 （桑迪） 是 AWS 的高级分析专家解决方案架构师。他帮助客户实现云中数据平台的现代化，以大规模安全地执行分析、减少运营开销并优化使用以实现成本效益和可持续性。
