Analise o comportamento do cliente para criar uma experiência personalizada
Esta orientação ajuda você a melhorar a retenção de clientes realizando coleta e análise de dados sobre os dados demográficos, o comportamento e as preferências do cliente. Você pode obter a otimização de dados criando uma plataforma moderna de dados de clientes e um pipeline de análise de dados que gere insights de dados práticos sobre seus clientes. Com uma arquitetura de dados moderna na AWS, você pode usar serviços de dados específicos para criar rapidamente data lakes escaláveis, garantir a conformidade e compartilhar dados facilmente entre as fronteiras organizacionais.
Diagrama de arquitetura
Etapa 1
Os dados são coletados de várias fontes de dados em toda a empresa, incluindo aplicativos de software como serviço (SaaS), dispositivos de borda, logs, mídia de streaming e redes sociais.
As atividades on-line na Web vêm de sites, plataformas de mídia social, e-mails e campanhas on-line. As fontes off-line incluem histórico de compras e assinaturas, principalmente o gerenciamento de relacionamento com o cliente (CRM) e dados de terceiros.
Etapa 2
Com base no tipo de fonte de dados, é possível ingerir os dados em um data lake na AWS usando o AWS Database Migration Service (AWS DMS), o AWS DataSync, o Amazon Kinesis, o Amazon Managed Streaming for Apache Kafka (Amazon MSK) ou o Amazon AppFlow.
Etapa 3
O AWS Data Exchange pode ser usado para integrar dados de terceiros ao data lake.
Etapa 4
Crie um data lake escalável usando o AWS Lake Formation e use o Amazon Simple Storage Service (Amazon S3) para armazenamento no data lake.
Etapa 5
Você também pode usar o Lake Formation para permitir uma governança unificada, que ajuda a gerenciar centralmente a segurança, o controle de acesso (segurança em nível de tabela, linha ou coluna) e as trilhas de auditoria. Ele também permite a descoberta automática de esquemas e a conversão para os formatos necessários.
Etapa 6
O AWS Glue extrai, transforma, cataloga e ingere dados em vários datastores. Use o Glue DataBrew para a preparação visual de dados e o AWS Lambda para enriquecimento e validação.
Etapa 7
O Amazon QuickSight fornece business intelligence baseada em machine learning (ML). O Amazon Redshift é usado como um data warehouse na nuvem. Os serviços do Amazon SageMaker e de ML da AWS podem ser usados para criar, treinar e implantar modelos de ML e adicionar inteligência às suas aplicações.
O Redshift Spectrum e o Amazon Athena têm recursos interativos de consulta, análise e processamento. O Amazon Managed Service for Apache Flink , é usado para transformar e analisar dados de transmissão em tempo real.
Etapa 8
Armazene informações unificadas do perfil do cliente no Amazon OpenSearch Service.
Etapa 9
Crie uma visualização única do perfil do cliente com a ajuda dos dados de resolução de identidade provenientes do Amazon Neptune.
Etapa 10
Com o Amazon API Gateway, você pode expor as APIs desenvolvidas como microsserviços.
Etapa 11
Ative os dados unificados do cliente e envie-os para partes internas e externas.
Etapa 1
Os dados são coletados de várias fontes de dados em toda a empresa, incluindo aplicativos de software como serviço (SaaS), dispositivos de borda, logs, mídia de streaming e redes sociais.
As atividades on-line na Web vêm de sites, plataformas de mídia social, e-mails e campanhas on-line. As fontes off-line incluem histórico de compras e assinaturas, principalmente o gerenciamento de relacionamento com o cliente (CRM) e dados de terceiros.
Etapa 2
Com base no tipo de fonte de dados, é possível ingerir os dados em um data lake na AWS usando o AWS Database Migration Service (AWS DMS), o AWS DataSync, o Amazon Kinesis, o Amazon Managed Streaming for Apache Kafka (Amazon MSK) ou o Amazon AppFlow.
Etapa 3
O AWS Data Exchange pode ser usado para integrar dados de terceiros ao data lake.
Etapa 4
Crie um data lake escalável usando o AWS Lake Formation e use o Amazon Simple Storage Service (Amazon S3) para armazenamento no data lake.
Etapa 5
Você também pode usar o Lake Formation para permitir uma governança unificada, que ajuda a gerenciar centralmente a segurança, o controle de acesso (segurança em nível de tabela, linha ou coluna) e as trilhas de auditoria. Ele também permite a descoberta automática de esquemas e a conversão para os formatos necessários.
Etapa 6
O AWS Glue extrai, transforma, cataloga e ingere dados em vários datastores. Use o Glue DataBrew para a preparação visual de dados e o AWS Lambda para enriquecimento e validação.
Etapa 7
O Amazon QuickSight fornece business intelligence baseada em machine learning (ML). O Amazon Redshift é usado como um data warehouse na nuvem. Os serviços do Amazon SageMaker e de ML da AWS podem ser usados para criar, treinar e implantar modelos de ML e adicionar inteligência às suas aplicações.
O Redshift Spectrum e o Amazon Athena têm recursos interativos de consulta, análise e processamento. O Amazon Managed Service for Apache Flink , é usado para transformar e analisar dados de transmissão em tempo real.
Etapa 8
Armazene informações unificadas do perfil do cliente no Amazon OpenSearch Service.
Etapa 9
Crie uma visualização única do perfil do cliente com a ajuda dos dados de resolução de identidade provenientes do Amazon Neptune.
Etapa 10
Com o Amazon API Gateway, você pode expor as APIs desenvolvidas como microsserviços.
Etapa 11
Ative os dados unificados do cliente e envie-os para partes internas e externas.
Pilares do Well-Architected
O AWS Well-Architected Framework ajuda a entender as vantagens e as desvantagens das decisões tomadas durante a criação de sistemas na nuvem. Os seis pilares do Framework permitem que você aprenda as melhores práticas de arquitetura, a fim de projetar e operar sistemas confiáveis, seguros, eficientes, econômicos e sustentáveis. Com a Ferramenta AWS Well-Architected, disponível gratuitamente no Console de Gerenciamento da AWS, você pode avaliar suas workloads em relação às práticas recomendadas ao responder a uma série de questões para cada pilar.
O diagrama de arquitetura acima exemplifica a criação de uma solução pautada nas melhores práticas do Well-Architected. Para ser totalmente Well-Architected, é preciso respeitar a maior quantidade possível das melhores práticas desse framework.
-
Excelência operacionalLeia o whitepaper sobre excelência operacional
A arquitetura de referência da Customer Data Analytics Platform (CDAP) é totalmente sem servidor. A solução pode ser implantada com infraestrutura como código e automação para iteração rápida e implantações consistentes. Use o Amazon CloudWatch para o monitoramento das aplicações e da infraestrutura.
-
SegurançaLeia o whitepaper sobre segurança
Use o Lake Formation para uma governança unificada, a fim de gerenciar de forma centralizada a segurança, o controle de acesso (no nível de segurança da tabela, linha e coluna) e as trilhas de auditoria. Ele também permite a descoberta automática de esquemas e a conversão para os formatos necessários. O API Gateway aplica políticas que controlam aspectos de segurança como autenticação, autorização ou gerenciamento de tráfego.
-
ConfiabilidadeLeia o whitepaper sobre confiabilidade
A arquitetura sem servidor permite que a solução seja automaticamente escalável, disponível e implantada em todas as zonas de disponibilidade.
-
Eficiência de performanceLeia o whitepaper sobre eficiência da performance
Ao usar tecnologias sem servidor, você provisiona apenas os recursos exatos necessários. Para maximizar a performance da solução CDAP, teste com vários tipos de instância. Use endpoints de borda do API Gateway para clientes geograficamente dispersos. Use Regional para clientes regionais (e quando usar outros serviços da AWS na mesma região).
-
Otimização de custosLeia o whitepaper sobre otimização de custos
Usando as tecnologias sem servidor e escalando automaticamente, você paga apenas pelos recursos que usa. Os serviços sem servidor não custarão nada enquanto estiverem ociosos.
-
SustentabilidadeLeia o whitepaper sobre sustentabilidade
Minimize o impacto ambiental O data lake usa processos para mover automaticamente os dados acessados com pouca frequência para o armazenamento a frio com as configurações do Amazon S3 Lifecycle. Ao usar amplamente os serviços gerenciados e a escalabilidade dinâmica, essa arquitetura minimiza o impacto ambiental dos serviços de back-end.
Recursos de implementação
Com sua conta da AWS, um guia detalhado é fornecido para experimentação e uso. Cada etapa da criação das orientações, incluindo implantação, uso e limpeza, é examinada para prepará-las para a implantação.
O código de exemplo é um ponto de partida. Ele é validado para o setor, é prescritivo, mas não definitivo, e mostra o que há por trás de tudo para ajudar você a começar.
Conteúdo relacionado
[Título]
Aviso de isenção de responsabilidade
O código de exemplo, as bibliotecas de software, as ferramentas de linha de comando, as provas de conceito, os modelos ou outra tecnologia relacionada (incluindo qualquer uma das anteriores fornecidas por nossa equipe) são fornecidos a você como Conteúdo da AWS nos termos do Contrato de Cliente da AWS ou o contrato por escrito pertinente entre você e a AWS (o que for aplicável). Você não deve usar esse Conteúdo da AWS em suas contas de produção, na produção ou em outros dados essenciais. Você é responsável por testar, proteger e otimizar o Conteúdo da AWS, como código de exemplo, conforme apropriado para uso em nível de produção com base em suas práticas e padrões específicos de controle de qualidade. A implantação de Conteúdo da AWS pode gerar cobranças da AWS para criar ou usar recursos cobráveis, como executar instâncias do Amazon EC2 ou usar armazenamento do Amazon S3.
As referências a serviços ou organizações terceirizadas nesta orientação não implicam em endosso, patrocínio ou afiliação entre a Amazon ou a AWS e terceiros. A orientação da AWS é um ponto de partida técnico, e você pode personalizar sua integração com serviços de terceiros ao implantar a arquitetura.