Analysieren Sie das Kundenverhalten, um personalisierte Kundenerlebnisse zu schaffen
Diese Anleitung hilft Ihnen, die langfristige Kundenbindung zu verbessern. Dazu werden Daten zu demografischen Merkmalen, Verhaltensweisen und Präferenzen von Kunden erfasst und analysiert. Zur Datenoptimierung können Sie eine moderne Kundendatenplattform und eine Datenanalyse-Pipeline entwickeln, die verwertbare Dateneinblicke zu Ihren Kunden generiert. Mit einer modernen Datenarchitektur in AWS können Sie zweckgerichtete Datenservices nutzen, um schnell skalierbare Data Lakes zu entwickeln, die Compliance zu gewährleisten und Daten über Unternehmensgrenzen hinweg problemlos weiterzuleiten.
Architekturdiagramm
Schritt 1
Daten werden aus verschiedensten Datenquellen im gesamten Unternehmen erfasst, darunter SaaS-Anwendungen (Software-as-a-Service), Edge-Geräte, Protokolle, Streaming-Medien und soziale Netzwerke.
Online-Webaktivitäten rühren von Websites, Social-Media-Plattformen, E-Mails und Online-Kampagnen her. Zu den Offline-Quellen gehören Einkaufsverläufe und Abonnements – in erster Linie CRM-Daten (Customer Relationship Management) und Daten von Dritten.
Schritt 2
Je nach Art der Datenquelle können Sie die Daten mit AWS Database Migration Service (AWS DMS), AWS DataSync, Amazon Kinesis, Amazon Managed Streaming für Apache Kafka (Amazon MSK) oder Amazon AppFlow in einen Data Lake in AWS aufnehmen.
Schritt 3
Daten von Dritten können mit AWS Data Exchange in den Data Lake integriert werden.
Schritt 4
Erstellen Sie mit AWS Lake Formation einen skalierbaren Data Lake und verwenden Sie Amazon Simple Storage Service (Amazon S3) als Data-Lake-Speicher.
Schritt 5
Mit Lake Formation können Sie außerdem eine einheitliche Governance ermöglichen, was die zentrale Verwaltung der Sicherheit, der Zugriffssteuerung (Sicherheit auf Tabellen-, Zeilen- oder Spaltenebene) und der Prüfpfade vereinfacht. Darüber hinaus ermöglicht es die automatische Schemaerkennung und die Konvertierung in die erforderlichen Formate.
Schritt 6
Mit AWS Glue werden Daten aus mehreren Datenspeichern extrahiert, transformiert, katalogisiert und eingelesen. Verwenden Sie Glue DataBrew für die visuelle Datenaufbereitung und AWS Lambda für die Anreicherung und Validierung.
Schritt 7
Amazon QuickSight bietet Business Intelligence auf der Grundlage von Machine Learning (ML). Amazon Redshift kommt als cloudbasiertes Data Warehouse zum Einsatz. Mit den ML-Services von Amazon SageMaker und AWS lassen sich ML-Modelle erstellen, trainieren und bereitstellen sowie Anwendungen intelligenter gestalten.
Redshift Spectrum und Amazon Athena verfügen über interaktive Abfrage-, Analyse- und Verarbeitungsfunktionen. Amazon Managed Service für Apache Flink wird zur Transformation und Analyse von Streaming-Daten in Echtzeit verwendet.
Schritt 8
Speichern Sie vereinheitlichte Kundenprofildaten in Amazon OpenSearch Service.
Schritt 9
Erstellen Sie mithilfe der Daten zur Identitätsauflösung aus Amazon Neptune eine einzige Ansicht von Kundenprofilen.
Schritt 10
Mit Amazon API Gateway können Sie entwickelte APIs als Microservices veröffentlichen.
Schritt 11
Aktivieren Sie die vereinheitlichten Kundendaten und senden Sie sie an interne und externe Parteien.
Well-Architected-Säulen
Das AWS-Well-Architected-Framework hilft Ihnen, die Vor- und Nachteile der Entscheidungen zu verstehen, die Sie beim Aufbau von Systemen in der Cloud treffen. Die sechs Säulen des Frameworks ermöglichen es Ihnen, architektonische bewärhte Methoden für die Entwicklung und den Betrieb zuverlässiger, sicherer, effizienter, kostengünstiger und nachhaltiger Systeme zu erlernen. Mit dem AWS-Well-Architected-Tool, das kostenlos in der AWS-Managementkonsole verfügbar ist, können Sie Ihre Workloads anhand dieser bewährten Methoden überprüfen, indem Sie eine Reihe von Fragen für jede Säule beantworten.
Das obige Architekturdiagramm ist ein Beispiel für eine Lösung, die unter Berücksichtigung der bewährten Methoden von Well-Architected erstellt wurde. Um eine vollständige Well-Architected-Lösung zu erhalten, sollten Sie so viele bewährte Methoden von Well-Architected wie möglich befolgen.
-
Operative Exzellenz
Die Referenzarchitektur der Customer Data Analytics Platform (CDAP) ist vollkommen serverlos. Um schnelle Iterationen und einheitliche Bereitstellungen zu gewährleisten, kann Ihre Lösung mit Infrastruktur als Code und Automatisierung bereitgestellt werden. Überwachen Sie Anwendungen und die Infrastruktur mit Amazon CloudWatch.
-
Sicherheit
Verwenden Sie Lake Formation zur vereinheitlichten, zentralen Verwaltung der Sicherheit, der Zugriffssteuerung (Sicherheit auf Tabellen-, Zeilen- oder Spaltenebene) und der Prüfpfade. Darüber hinaus ermöglicht es die automatische Schemaerkennung und die Konvertierung in die erforderlichen Formate. API Gateway setzt Richtlinien durch, die Sicherheitsaspekte wie die Authentifizierung, die Autorisierung oder die Verwaltung des Datenverkehrs steuern.
-
Zuverlässigkeit
Durch die Serverless-Architektur ist die Lösung in allen Availability Zones automatisch skalierbar, verfügbar und bereitstellbar.
-
Leistung und Effizienz
Durch den Einsatz von Serverless-Technologien stellen Sie nur genau die Ressourcen bereit, die Sie wirklich benötigen. Um die Leistung der CDAP-Lösung zu maximieren, sollten Sie sie mit mehreren Instance-Typen testen. Verwenden Sie Edge-Endpunkte von API Gateway für geografisch weit verstreute Kunden. Nutzen Sie „Regional“ für regionale Kunden (und bei Verwendung anderer AWS-Services in derselben Region).
-
Kostenoptimierung
Durch den Einsatz von Serverless-Technologien und die automatische Skalierung zahlen Sie nur für die tatsächlich genutzten Ressourcen. Severless Services kosten nichts, solange sie inaktiv sind.
-
Nachhaltigkeit
Minimieren Sie die von Ihnen verursachte Umweltbelastung. Data Lake nutzt entsprechende Prozesse, um selten abgerufene Daten mit Lebenszykluskonfigurationen von Amazon S3 automatisch in Cold Storage zu verschieben. Durch die umfassende Nutzung von Managed Services und der dynamischen Skalierung minimiert diese Architektur die Umweltauswirkungen der Backend-Services.
Implementierungsressourcen
Es wird eine detaillierte Anleitung zum Experimentieren und zur Verwendung in Ihrem AWS-Konto bereitgestellt. Jede Phase der Erstellung der Anleitung, einschließlich Bereitstellung, Verwendung und Bereinigung, wird untersucht, um sie für die Bereitstellung vorzubereiten.
Der Beispielcode dient als Ausgangspunkt. Er ist branchenerprobt, präskriptiv, aber nicht endgültig, und ein Blick unter die Motorhaube, der Ihnen den Einstieg erleichtert.
Ähnliche Inhalte
[Titel]
Haftungsausschluss
Der Beispielcode, die Softwarebibliotheken, die Befehlszeilentools, die Machbarkeitsnachweise, die Vorlagen oder andere zugehörige Technologien (einschließlich derjenigen, die von unseren Mitarbeitern bereitgestellt werden) werden Ihnen als AWS-Inhalte im Rahmen der AWS-Kundenvereinbarung oder der entsprechenden schriftlichen Vereinbarung zwischen Ihnen und AWS (je nachdem, was zutrifft) zur Verfügung gestellt. Sie sollten diese AWS-Inhalte nicht in Ihren Produktionskonten oder für Produktions- oder andere kritische Daten verwenden. Sie sind verantwortlich für das Testen, Sichern und Optimieren des AWS-Inhalts, z. B. des Beispielcodes, für die Verwendung in der Produktion auf der Grundlage Ihrer spezifischen Qualitätskontrollverfahren und -standards. Bei der Bereitstellung von AWS-Inhalten können AWS-Gebühren für die Erstellung oder Nutzung von kostenpflichtigen AWS-Ressourcen anfallen, z. B. für den Betrieb von Amazon-EC2-Instances oder die Nutzung von Amazon-S3-Speicher.
Verweise auf Services oder Organisationen von Drittanbietern in diesen Leitlinien bedeuten nicht, dass Amazon oder AWS eine Billigung, Förderung oder Zugehörigkeit zwischen Amazon oder AWS und dem Drittanbieter darstellt. Die Beratung durch AWS ist ein technischer Ausgangspunkt, und Sie können Ihre Integration mit Services von Drittanbietern anpassen, wenn Sie die Architektur bereitstellen.