Architettura: data warehouse per il marketing

Questo documento fornisce un'architettura di riferimento che descrive come puoi creare data warehouse di marketing scalabili. Le soluzioni di data warehouse per il marketing ti consentono di offrire ai tuoi utenti esperienze pubblicitarie tempestive, personalizzate e personalizzate rispettando al contempo la loro privacy. Questo documento è rivolto a data engineer, data scientist e membri dell'IT in un ruolo di marketing che supportano l'analisi dei dati di marketing.

L'implementazione di un data warehouse di marketing consente di soddisfare le seguenti esigenze aziendali:

  • Approfondimenti completi: se usi più piattaforme Software as a Service (SaaS), puoi usare questa architettura per consolidare i dati di marketing e pubblicitari in BigQuery. Se sei una parte interessata, puoi ottenere informazioni in tempo reale sul marketing e sul rendimento aziendale.

  • Innovazione nel marketing: se sei un data scientist o un data engineer, puoi creare modelli di machine learning (ML) per le esigenze aziendali, come la segmentazione dei clienti, il lifetime value del cliente, i suggerimenti sui prodotti e le previsioni di acquisto. Puoi attivare questi modelli in più piattaforme, come l'email marketing o il targeting pubblicitario.

  • Esperienza dei clienti: un data warehouse per i dati di marketing offre una maggiore visibilità alle preferenze dei clienti, in modo da poter migliorare l'esperienza tramite una personalizzazione precisa. Con queste informazioni puoi personalizzare i punti di interazione dei clienti, come applicazioni proprietarie, siti web, pubblicità online e marketing via email.

Architettura

Il seguente diagramma mostra una tipica architettura di riferimento per l'analisi dei dati di marketing su Google Cloud che utilizza più prodotti di analisi dei dati e ML.

Architettura di riferimento per l'analisi del marketing su Google Cloud.

Il diagramma mostra le fasi seguenti in un flusso di lavoro di data warehouse di marketing che puoi configurare:

  1. Importazione dati
  2. Trattamento dati
  3. Machine learning
  4. Approfondimenti e attivazione

Componenti dell'architettura

Questa sezione descrive le fasi di una soluzione di data warehouse per il marketing, inclusi i componenti tecnologici necessari.

Importazione dati

La prima fase della creazione di un data warehouse per il marketing è il consolidamento dei dati in una posizione centrale. Puoi importare i dati dalle seguenti origini dati:

  • Piattaforme Google e SaaS: puoi importare le origini dati, come Google Analytics, Google Ads e Google Marketing Platform, nel data warehouse di marketing di Google Cloud in BigQuery. Per importare dati da origini come Salesforce, i connettori SaaS sono disponibili in Google Cloud e tramite i nostri partner.
  • Cloud pubblici: puoi utilizzare BigQuery Data Transfer Service per importare dati da altri cloud pubblici. Ad esempio, per spostare i dati da Amazon S3 a BigQuery, puoi pianificare e gestire automaticamente i job di caricamento ricorrenti. Puoi anche utilizzare BigQuery Omni, una soluzione di analisi flessibile e multi-cloud che ti consente di analizzare i dati in Google Cloud e Amazon Web Services.
  • API, file fissi e dati proprietari on-premise: puoi importare i dati da origini come sistemi di gestione dei rapporti con i clienti (CRM) o point of sale (POS). Di solito, l'importazione dei dati viene eseguita offline utilizzando lo strumento a riga di comando bq, l'API BigQuery o la console. Puoi caricare i dati a livello locale o da Cloud Storage. Per set di dati di grandi dimensioni, consigliamo di utilizzare Cloud Storage per ottimizzare l'utilizzo della larghezza di banda, la velocità della rete e l'integrazione dei prodotti. Per caricare i dati in base agli eventi in BigQuery, puoi impostare gli attivatori delle funzioni Cloud. Ad esempio, imposta gli attivatori in base alla nuova disponibilità dei dati.

La maggior parte degli approcci di importazione precedenti utilizza i caricamenti collettivi. Se vuoi importare set di dati di flusso in BigQuery, puoi utilizzare le funzionalità di streaming di BigQuery. Per casi d'uso di analisi dei flussi di dati, consulta le soluzioni di analisi dei flussi di dati.

Elaborazione dei dati

Dopo aver importato i dati, puoi elaborarli, se necessario. Questa fase è obbligatoria solo quando devi elaborare i dati prima di eseguirvi le query. L'elaborazione dei dati include la pulizia e la riformattazione per fornire coerenza in grandi set di dati. Puoi utilizzare i prodotti per il trattamento dei dati disponibili in Google Cloud.

Seleziona il prodotto Google Cloud appropriato in base agli utenti. Ad esempio, prendi in considerazione i seguenti tipi di utenti e i prodotti consigliati:

  • Gli sviluppatori che creano pipeline di dati di estrazione, trasformazione e caricamento (ETL) possono utilizzare il prodotto di integrazione dei dati Cloud Data Fusion. Cloud Data Fusion offre un'interfaccia utente che ti consente di eseguire il deployment delle pipeline di dati ELT (estrazione, caricamento e trasformazione) ed ETL senza codice.
  • I team di data engineering che supportano l'analisi di marketing possono utilizzare Dataflow. Dataflow consente di importare e analizzare origini dati in modalità flusso e batch su larga scala.
  • Gli analisti di dati possono Dataprep by Trifacta, che ti consente di esplorare in modo visivo, pulire e preparare i dati per l'analisi in BigQuery.

Machine learning

Dopo che il sistema ha importato ed elaborato i dati, puoi utilizzare le opzioni del prodotto di Google AI Platform per i seguenti casi d'uso:

  • Analisi descrittiva su come la frequenza influisce sulla conversione per utente per campagna: queste informazioni ti aiutano ad adattare la frequenza di targeting delle tue campagne di remarketing in base a un elenco specifico di utenti. BigQuery ha accesso ai dati non elaborati di Campaign Manager 360, il che rende disponibili queste informazioni.
  • Analisi predittiva del lifetime value per utenti specifici: quando prevedi il valore di gruppi specifici di utenti, puoi pubblicare campagne di marketing per aumentare le vendite. Ad esempio, potresti scoprire che un gruppo di utenti con un coinvolgimento limitato nel brand ha un elevato potenziale di acquisto se gli utenti sono più coinvolti. Puoi ottenerlo grazie all'unione dei dati e all'uso del machine learning per creare segmenti di clienti e prevedere un lifetime value.
  • Analisi prescrittiva sul sentiment del prodotto: per evitare un targeting non preciso, puoi analizzare l'evoluzione dei commenti e delle valutazioni del testo. Questa analisi ti consente di prevedere come un gruppo di utenti potrebbe ricevere un prodotto che ha determinate caratteristiche. Ad esempio, per prevedere il sentiment, puoi utilizzare l'analisi del sentiment e la segmentazione dei clienti.

Con i dati di marketing consolidati in BigQuery, puoi scegliere un prodotto AI Platform adatto alle tue esigenze. Scegli uno dei seguenti prodotti in base alla maturità e alle competenze nell'ambito del machine learning della tua organizzazione.

  • Se la tua organizzazione non ha familiarità con il machine learning, puoi creare ed eseguire il deployment di modelli di machine learning per i clienti con AutoML. Ad esempio, puoi utilizzare le tabelle AutoML per creare modelli di regressione e classificazione, come la probabilità di abbandono e il lifetime value del cliente.
  • Se la tua organizzazione ha competenze SQL, BigQuery ML ti consente di utilizzare i costrutti SQL per creare, valutare e prevedere modelli, come quelli per la segmentazione dell'audience. Puoi addestrare ed eseguire il deployment di molti modelli supportati ed eseguire flussi di lavoro di ML senza spostare i dati da BigQuery.
  • Se la tua organizzazione ha un team di data scientist, puoi utilizzare Vertex AI per creare ed eseguire il deployment di modelli ottimizzati su larga scala. Per un esempio di come utilizzare Vertex AI per risolvere il lifetime value cliente, consulta Previsione del lifetime value cliente con AI Platform.

Approfondimenti e attivazione

Puoi utilizzare le opzioni Google Cloud per ottenere insight da dati consolidati relativi alla pubblicità e al marketing. Puoi quindi trasferire i dati (come i segmenti differenziati) in piattaforme come Google Analytics e marketing via email. Google Cloud offre diversi modi per intervenire sui dati in base alle tue esigenze. Ad esempio, puoi ripristinare i segmenti differenziati nei canali che preferisci, come Google Analytics o Salesforce.

Looker per Google Marketing Platform

Puoi anche esaminare e condividere gli insight tramite Looker, una piattaforma di business intelligence (BI). Puoi utilizzare Looker per combinare più set di dati, monitorare il comportamento dei clienti su più canali e segmentare i clienti in base ad attributi.

Puoi utilizzare Looker per generare i seguenti insight:

  • Analisi del ritorno sull'investimento (ROI): scopri qual è la spesa e le entrate generate dalle campagne.
  • Avvisi: configura regole personalizzate in modo da ricevere avvisi via email quando si verificano tattiche o pubblicità.
  • Analisi dell'attribuzione multicanale: identifica le tendenze nel comportamento dei clienti tra i tuoi canali di marketing.
  • Test A/B: analizza in che modo le tue varianti possono influire sul comportamento degli utenti chiave in base a risultati statisticamente significativi.
  • Canali di acquisizione: monitora la provenienza dei nuovi lead e clienti.
  • Analisi di coorte: segmenta i dati e analizza il comportamento dei diversi segmenti nel tempo.

I blocchi e le azioni in Looker forniscono una base solida e condivisibile per la pubblicità e i dati web di Google Marketing Platform. Questi blocchi e azioni personalizzabili offrono l'esplorazione interattiva dei dati, nuove sezioni di dati che includono previsioni ML ML e percorsi di attivazione per tornare a Google Marketing Platform. I percorsi di attivazione ti consentono di utilizzare i tuoi dati proprietari per scegliere come target segmenti di pubblico in modo efficace.

Il seguente diagramma mostra in che modo i prodotti Google possono funzionare con Looker.

Come interagiscono i prodotti con Looker.

Il diagramma mostra in che modo Looker può utilizzare gli insight di Google Analytics 4, Google Analytics 360, Campaign Manager 360 e qualsiasi dato in BigQuery per creare report in tempo reale. Puoi attivare i dati proprietari da Looker in Google Marketing Platform con Actions for Ads (tramite Customer Match) e Analytics (tramite l'importazione dei dati). I servizi orizzontali, come IAM, monitorano continuamente le pipeline di dati di marketing.

Integrazioni personalizzate

Puoi anche usare Google Cloud per creare integrazioni personalizzate per trasferire i dati in piattaforme di tua scelta. Ad esempio, puoi eseguire query pianificate per generare elenchi dei segmenti di pubblico con i dati di Analytics e poi respingerli con le chiamate API. Ad esempio, usa Cloud Functions per attivare il push dei dati dopo che un nuovo segmento è pronto in Cloud Storage.

Passaggi successivi