Analisi del comportamento dei clienti per creare un'esperienza cliente personalizzata
Questa guida aiuta a migliorare la fidelizzazione dei clienti eseguendo la raccolta e l'analisi dei dati relativi alle informazioni demografiche, al comportamento e alle preferenze dei clienti. Puoi ottenere l'ottimizzazione dei dati creando una piattaforma di dati sui clienti moderna e una pipeline di analisi dei dati che generi approfondimenti utili sui tuoi clienti. Con un'architettura di dati moderna su AWS, puoi utilizzare servizi di dati realizzati appositamente per creare rapidamente data lake scalabilibi, garantire la conformità e condividere facilmente i dati oltre i confini organizzativi.
Diagramma dell'architettura
Fase 1
I dati vengono raccolti da più origini dati in tutta l'azienda, tra cui applicazioni Software as a Service (SaaS), dispositivi edge, log, contenuti multimediali in streaming e social network.
L'attività web online proviene da siti web, piattaforme di social media, e-mail e campagne online. Le origini offline includono la cronologia degli acquisti e gli abbonamenti, principalmente la gestione delle relazioni con i clienti (CRM) e i dati di terze parti.
Fase 2
In base al tipo di origine dati, puoi importare i dati in un data lake in AWS utilizzando AWS Database Migration Service (AWS DMS), AWS DataSync, Amazon Kinesis Streaming gestito da Amazon per Apache Kafka (Amazon MSK) o Amazon AppFlow.
Fase 3
Scambio dati su AWS può essere utilizzato per integrare dati di terze parti nel data lake.
Fase 4
Crea un data lake scalabile utilizzando AWS Lake Formation e usa Amazon Simple Storage Service (Amazon S3) per l'archiviazione di data lake.
Fase 5
Inoltre, puoi utilizzare Lake Formation per abilitare una governance unificata, che aiuta a gestire centralmente la sicurezza, il controllo degli accessi (sicurezza a livello di tabella, riga o colonna) e gli audit trail. Consente inoltre l'individuazione e la conversione automatiche dello schema nei formati richiesti.
Fase 6
AWS Glue estrae, trasforma, cataloga e inserisce dati in più datastore. Utilizza Glue DataBrew per la preparazione visiva dei dati e AWS Lambda per l'arricchimento e la convalida.
Fase 7
Amazon QuickSight fornisce Business Intelligence basata sul machine learning (ML). Amazon Redshift viene utilizzato come data warehouse nel cloud. I servizi Amazon SageMaker e AWS ML possono essere utilizzati per creare, addestrare e implementare modelli di machine learning e aggiungere intelligenza alle tue applicazioni.
Redshift Spectrum e Amazon Athena dispongono di funzionalità interattive di query, analisi ed elaborazione. Il servizio gestito da Amazon per Apache Flink è utilizzato per trasformare e analizzare i dati di streaming in tempo reale.
Fase 8
Archivia le informazioni unificate del profilo cliente nel servizio OpenSearch di Amazon.
Fase 9
Crea un'unica visualizzazione del profilo del cliente con l'aiuto dei dati di risoluzione delle identità provenienti da Amazon Neptune.
Fase 10
Con Gateway Amazon API, puoi esporre le API sviluppate come microservizi.
Fase 11
Attiva i dati unificati dei clienti e inviali a parti interne ed esterne.
Fase 1
I dati vengono raccolti da più origini dati in tutta l'azienda, tra cui applicazioni Software as a Service (SaaS), dispositivi edge, log, contenuti multimediali in streaming e social network.
L'attività web online proviene da siti web, piattaforme di social media, e-mail e campagne online. Le origini offline includono la cronologia degli acquisti e gli abbonamenti, principalmente la gestione delle relazioni con i clienti (CRM) e i dati di terze parti.
Fase 2
In base al tipo di origine dati, puoi importare i dati in un data lake in AWS utilizzando AWS Database Migration Service (AWS DMS), AWS DataSync, Amazon Kinesis Streaming gestito da Amazon per Apache Kafka (Amazon MSK) o Amazon AppFlow.
Fase 3
Scambio dati su AWS può essere utilizzato per integrare dati di terze parti nel data lake.
Fase 4
Crea un data lake scalabile utilizzando AWS Lake Formation e usa Amazon Simple Storage Service (Amazon S3) per l'archiviazione di data lake.
Fase 5
Inoltre, puoi utilizzare Lake Formation per abilitare una governance unificata, che aiuta a gestire centralmente la sicurezza, il controllo degli accessi (sicurezza a livello di tabella, riga o colonna) e gli audit trail. Consente inoltre l'individuazione e la conversione automatiche dello schema nei formati richiesti.
Fase 6
AWS Glue estrae, trasforma, cataloga e inserisce dati in più datastore. Utilizza Glue DataBrew per la preparazione visiva dei dati e AWS Lambda per l'arricchimento e la convalida.
Fase 7
Amazon QuickSight fornisce Business Intelligence basata sul machine learning (ML). Amazon Redshift viene utilizzato come data warehouse nel cloud. I servizi Amazon SageMaker e AWS ML possono essere utilizzati per creare, addestrare e implementare modelli di machine learning e aggiungere intelligenza alle tue applicazioni.
Redshift Spectrum e Amazon Athena dispongono di funzionalità interattive di query, analisi ed elaborazione. Il servizio gestito da Amazon per Apache Flink è utilizzato per trasformare e analizzare i dati di streaming in tempo reale.
Fase 8
Archivia le informazioni unificate del profilo cliente nel servizio OpenSearch di Amazon.
Fase 9
Crea un'unica visualizzazione del profilo del cliente con l'aiuto dei dati di risoluzione delle identità provenienti da Amazon Neptune.
Fase 10
Con Gateway Amazon API, puoi esporre le API sviluppate come microservizi.
Fase 11
Attiva i dati unificati dei clienti e inviali a parti interne ed esterne.
Principi di Well-Architected
Il framework AWS Well-Architected consente di valutare i pro e i contro delle decisioni prese durante il processo di creazione di sistemi nel cloud. I sei principi del framework consentono di apprendere le best practice architetturali per la progettazione e il funzionamento di sistemi affidabili, sicuri, efficienti, convenienti e sostenibili. Grazie allo strumento AWS Well-Architected, disponibile gratuitamente nella Console di gestione AWS, puoi rivedere i tuoi carichi di lavoro rispetto a queste best practice rispondendo a una serie di domande per ciascun principio.
Il diagramma dell'architettura sopra riportato è un esempio di una soluzione creata tenendo conto delle best practice Well-Architected. Per essere completamente Well-Architected, dovresti seguire il maggior numero possibile di best practice.
-
Eccellenza operativaLeggi il whitepaper sull'eccellenza operativa
L'architettura di riferimento della piattaforma di analisi dei dati dei clienti (CDAP) è completamente serverless. La tua soluzione può essere implementata con l'infrastruttura come codice e l'automazione per iterazioni rapide e implementazioni coerenti. Utilizza Amazon CloudWatch per il monitoraggio di applicazioni e infrastruttura.
-
SicurezzaLeggi il whitepaper sulla sicurezza
Utilizza Lake Formation per una governance unificata che consente la gestione centralizzata della sicurezza, del controllo degli accessi (a livello di sicurezza di tabella, riga e colonna) e degli audit trail. Consente inoltre l'individuazione e la conversione automatiche dello schema nei formati richiesti. Gateway API applica policy che controllano aspetti di sicurezza come l'autenticazione, l'autorizzazione o la gestione del traffico.
-
AffidabilitàLeggi il whitepaper sull'affidabilità
L'architettura serverless consente alla soluzione di essere automaticamente scalabile, disponibile e implementata in tutte le zone di disponibilità.
-
Efficienza delle prestazioniLeggi il whitepaper sull'efficienza delle prestazioni
Grazie a tecnologie serverless, devi effettuare il provisioning soltanto delle risorse necessarie. Per massimizzare le prestazioni della soluzione CDAP, esegui test con più tipi di istanze. Utilizza gli endpoint Gateway API Edge per clienti geograficamente distribuiti. Utilizza Regionale per i clienti regionali (e quando usi altri servizi AWS all'interno della stessa regione).
-
Ottimizzazione dei costiLeggi il whitepaper sull'ottimizzazione dei costi
Utilizzando tecnologie serverless e il dimensionamento automatico, paghi solo per le risorse che utilizzi. I servizi serverless non costano nulla quando sono inattivi.
-
SostenibilitàLeggi il whitepaper sulla sostenibilità
Riduci al minimo l'impatto ambientale. Data lake utilizza processi per spostare automaticamente i dati a cui si accede raramente nell'archiviazione a freddo con configurazioni del ciclo di vita di Amazon S3. Tramite un ampio utilizzo dei servizi gestiti e del dimensionamento dinamico, questa architettura riduce al minimo l'impatto ambientale dei servizi di back-end.
Risorse per l'implementazione
Viene fornita una guida dettagliata da sperimentare e utilizzare all'interno del tuo account AWS. Ogni fase della creazione della guida, inclusa l'implementazione, l'utilizzo e la pulizia, viene esaminata per prepararla all'implementazione.
Il codice di esempio è un punto di partenza. È convalidato dal settore, prescrittivo ma non definitivo, ed è il punto di partenza per iniziare a lavorare.
Contenuti correlati
[Titolo]
Avvertenza
Il codice di esempio, le librerie software, gli strumenti della linea di comando, le proof of concept, i modelli e le altre tecnologie correlate (comprese tutte le tecnologie di cui sopra fornite dal nostro personale) vengono forniti all'utente sotto forma di contenuto AWS ai sensi dell'Accordo cliente AWS o del relativo accordo scritto stipulato tra l'utente e AWS (a seconda dei casi). Non bisogna utilizzare il contenuto AWS in questione negli account di produzione o sui dati di produzione o altri dati fondamentali. L'utente è responsabile dei test, della sicurezza e dell'ottimizzazione del contenuto AWS, come il codice di esempio, in modo appropriato per l'utilizzo in produzione sulla base delle pratiche e degli standard di qualità specifici. L'implementazione del contenuto AWS può comportare costi AWS per la creazione o l'utilizzo di risorse AWS addebitabili, quali le istanze Amazon EC2 in esecuzione o l'archiviazione Amazon S3.
Eventuali riferimenti a servizi o organizzazioni di terze parti contenuti in questa guida non implicano alcuna approvazione, sponsorizzazione o affiliazione tra Amazon o AWS e dette terze parti. La guida di AWS è un punto di partenza tecnico e l'integrazione con servizi di terze parti può essere personalizzata al momento dell'implementazione dell'architettura.