Мы считаем, что технология персонализации является неотъемлемой частью повышения качества обслуживания клиентов и удержания клиентов. Мы создаем опыт и предоставляем соответствующие продукты и услуги, а также повышаем лояльность и пожизненную ценность клиентов с помощью данных о посещениях в режиме реального времени, собираемых из веб-приложений и мобильных приложений.
Предложения и рекомендуемые продукты в режиме реального времени или даже маркетинговые кампании в режиме реального времени, доставляемые клиентам по нескольким маркетинговым каналам, делают инфраструктуру масштабируемой и сложной. Однако лучше разбить сложную инфраструктуру на три основных компонента: маркетинговую платформу для обслуживания контента по собственным и чужим каналам, платформу данных для регистрации миллиардов событий в секунду и платформу машинного обучения для развертывания статистических моделей, созданных специалистом по данным. и генерировать рекомендации, баллы или вероятности в реальном времени для персонализации в реальном времени.
Облачная инфраструктура, такая как Google Cloud или AWS, сделала конвейерную архитектуру возможной или даже масштабируемой. Раньше мы использовали задания Hadoop и MapReduce для обработки данных, где они работали как пакетный процесс, и предоставляли информацию различным командам. Позже мы построили инфраструктуру на Apache Storm, чтобы преодолеть задержки и обрабатывать данные для анализа и отчетов в Tableau за считанные минуты, что не требуется для персонализации в режиме реального времени.
Ускоренная перемотка вперед: теперь конвейер можно построить на управляемых сервисах Google Cloud, которые включают Google Dataflow в качестве механизма обработки данных, BigQuery в качестве хранилища данных и систему доставки событий на основе Cloud Pub/Sub, и после этого он делает данные доступными для ML на основе GCP. Модели для создания механизма персонализации.
Существуют критически важные для бизнеса события, которые очень важны для измерения состояния бизнеса, а некоторые события важны для моделей машинного обучения, и мы присвоили этим событиям высокий, средний и низкий приоритет с разными соглашениями об уровне обслуживания. Следовательно, у каждого типа события есть своя тема Pub/Sub, процесс извлечения, преобразования и загрузки (ETL) и конечное место хранения в BigQuery.
Благодаря управляемым очередям обмена сообщениями, обработке данных и облачному хранению мы создаем надежные платформы данных. Мы можем владеть данными и контролировать их, а также стать более совместимыми с GDPR.
Отказ от ответственности — Все взгляды и идеи, выраженные на этом сайте, являются моими собственными и не отражают мнения какой-либо организации, с которой я был, сейчас или буду связан.