Quando pensamos em casos de uso, como recomendações de produtos, previsões de agitação, atribuição de publicidade e detecção de fraude, um denominador comum é que todos eles exigem que identifiquemos consistentemente nossos clientes em várias interações. Não reconhecendo que a mesma pessoa está navegando on-line, comprando na loja, abrindo um electronic mail de advertising and marketing e clicando em um anúncio, nos deixa com uma visão incompleta do cliente, limitando nossa capacidade de reconhecer suas necessidades, preferências e prever seu comportamento futuro.
Apesar de sua importância, é incrivelmente difícil identificar com precisão o cliente nessas interações. As pessoas geralmente interagem conosco sem fornecer detalhes explícitos de identificação e, quando o fazem, esses detalhes nem sempre são consistentes. Por exemplo, se um cliente fizer uma compra usando um cartão de crédito com o nome Jennifer, inscreva -se no programa de fidelidade como Jenny com um electronic mail pessoal e clica em um anúncio on -line vinculado ao seu e -mail de trabalho, essas interações podem aparecer como três clientes separados, mesmo que todos pertencem à mesma pessoa (Figura 1).
Embora resolver isso para um único cliente seja desafiador, a complexidade actual está em abordá -lo por centenas de milhares, ou até milhões, de clientes únicos com os quais os varejistas se envolvem continuamente. Além disso, os detalhes do cliente não são estáticos – à medida que surgem novos comportamentos, identificadores e relações familiares, nossa compreensão de quem é o cliente deve continuar evoluindo também.
Resolução de identidade (IDR) é o termo que usamos para descrever as técnicas usadas para costurar todos esses detalhes para chegar a uma visão unificada de cada cliente. O IDR eficaz é elementary, pois permite e afeta todos os nossos processos centrados em clientes, como advertising and marketing personalizado, por exemplo.
Compreendendo o processo de resolução de identidade
Em muitos cenários, a identidade do cliente é estabelecida através de dados que chamamos de informações pessoalmente identificáveis (PII). Nomes, sobrenomes, endereços de correspondência, endereços de electronic mail, números de telefone, números de conta and so on. são todos os bits comuns de PII coletados através de nossas interações com clientes.
Usando bits sobrepostos de PII, podemos tentar combinar e mesclar alguns registros diferentes para um indivíduo, no entanto, existem diferentes graus de incerteza permitidos, dependendo do tipo de PII. Por exemplo, podemos usar técnicas de normalização para endereços de electronic mail ou números de telefone digitados incorretamente e técnicas de correspondência difusa para variações de nome (por exemplo, Jennifer vs Jenny vs Jen) (Figura 2).
No entanto, muitas vezes existem situações em que não temos PII sobrepostos. Por exemplo, um cliente pode ter fornecido seu nome e endereço de correspondência com um registro, seu nome e endereço de e -mail com outro, e um número de telefone e o mesmo endereço de e -mail em um terceiro registro. Através da associação, podemos deduzir que tudo isso é a mesma pessoa, dependendo de nossa tolerância à incerteza (Figura 3).
O núcleo do processo IDR está na ligação de registros, combinando regras exatas de correspondência e técnicas de correspondência difusa, adaptadas a diferentes elementos de dados, para estabelecer uma identidade unificada do cliente. O resultado é uma compreensão probabilística de quem são seus clientes evolui à medida que novos detalhes são coletados e tecidos no gráfico de identidade.
Construindo o gráfico de identidade
O desafio de construir e manter um gráfico de identidade do cliente é facilitado pela integração dos Databricks com o mecanismo de resolução de identidade de amperidade. Amplamente reconhecido como a principal solução de IDR de primeira parte do mundo, a amperidade aproveita mais de 45 algoritmos para combinar e mesclar registros de clientes. A integração pronta para uso permite que os clientes do Databricks compartilhem perfeitamente seus dados com amperidade e obtenham informações detalhadas sobre como uma coleção de registros de clientes se resolve para identidades unificadas. (Figura 4).
O processo de configuração dessa integração e executar o IDR em amperidade é muito direto:
- Configure uma conexão de compartilhamento Delta com Databricks através da ponte de amperidade
- Use a automação da IA para marcar vários elementos PII nos dados compartilhados
- Execute o algoritmo de ponto de amperidade para montar o gráfico do IDR
- Mapeie a saída resultante para um catálogo de banco de dados
- Atualize o gráfico conforme necessário
Um guia detalhado dessas etapas pode ser encontrado no Guia de partida de resolução de identidade de amperidadee um passo a passo do processo pode ser visto aqui:
Empregando o gráfico de identidade
O resultado ultimate da integração é um conjunto de tabelas relacionadas que incluem elementos unificados do cliente e sugestões para informações de identidade preferidas para cada cliente (Figura 5).
Engenheiros de dados, cientistas de dados e desenvolvedores de aplicativos podem aproveitar os dados resultantes em bancos de dados para criar uma ampla gama de soluções para atender às necessidades de empresas e casos de uso da empresa comuns:
- Insights do cliente: Sendo capazes de vincular os registros de dados do cliente, tanto internos quanto externos, as organizações podem desenvolver informações mais profundas e precisas sobre os comportamentos e preferências dos clientes.
- Advertising and marketing e experiências personalizadas: Usando essas idéias e sendo mais capaz de identificar os clientes à medida que eles envolvem várias plataformas, as organizações podem fornecer mensagens e ofertas mais direcionadas, criando uma experiência mais personalizada.
- Variedade de produtos: Com uma imagem mais precisa de quem está comprando o que, as organizações podem perfilar melhor o perfil da demografia de seus clientes em locais específicos e criar sortimentos de produtos com maior probabilidade de ressoar com a população que está sendo atendida.
- Colocação da loja: Essas mesmas idéias demográficas podem ajudar as organizações a avaliar o potencial de novos locais de lojas, identificando áreas em que residem clientes como aqueles que eles se envolveram com sucesso em outras regiões.
- Detecção de fraude: Ao desenvolver uma imagem mais clara de como os indivíduos se identificam, as organizações podem identificar melhor os maus atores que tentam ofertas promocionais de jogos, listas de festas bloqueadas por saia ou usar credenciais que não pertencem a eles.
- Cenários de RH e insights de funcionários: E, assim como os clientes, as organizações podem desenvolver uma visão mais abrangente dos funcionários existentes ou em potencial para gerenciar melhor as práticas de recrutamento, contratação e retenção.
Introdução com identidades unificadoras de clientes
Se sua organização estiver lutando com a resolução de identidade do cliente, você pode começar com a resolução de identidade da amperidade por Inscreva-se para um teste gratuito de 30 dias. Antes de fazer isso, é recomendável garantir que você tenha acesso aos ativos de dados do cliente e a capacidade de configurar o compartilhamento da Delta no ambiente do Databricks. Também recomendamos que você siga as etapas no Guia de início rápido O uso da amostra de dados de dados fornece para se familiarizar com o processo geral. Por fim, você sempre pode entrar em contato com o seu Databricks e Amperidade Representantes para obter mais detalhes sobre a solução e como ela pode ser alavancada para suas necessidades específicas.