Architektur: Marketing Data Warehouse

Last reviewed 2022-03-23 UTC

Dieses Dokument bietet eine Referenzarchitektur, die beschreibt, wie Sie skalierbare Marketing-Data-Warehouses erstellen können. Mit Lösungen für Marketing-Data-Warehouses können Sie Ihren Nutzern zeitnahe, gezielte und maßgeschneiderte Werbeerlebnisse bieten und gleichzeitig ihre Privatsphäre berücksichtigen. Dieses Dokument richtet sich an Data Engineers, Data Scientists oder IT-Mitglieder in einer Marketingrolle, die Marketinganalysen unterstützen.

Mit einem Data Warehouse für Marketing können Sie folgende geschäftliche Anforderungen erfüllen:

  • Umfassende Informationen: Wenn Sie mehrere Software-as-a-Service-Plattformen (SaaS) verwenden, können Sie diese Architektur verwenden, um Marketing- und Werbedaten in BigQuery zu konsolidieren. Als Business-Stakeholder erhalten Sie Echtzeitinformationen über Marketing und Geschäftsleistung.

  • Innovationen für Marketing: Wenn Sie Data Scientist oder Data Engineer sind, können Sie Modelle für maschinelles Lernen (ML) für Geschäftsanforderungen wie die Kundensegmentierung, den Lifetime-Wert des Kunden, Produkt-Empfehlungen und Kaufvorhersagen erstellen. Sie können diese Modelle über mehrere Plattformen hinweg aktivieren, z. B. E-Mail-Marketing oder Werbungsausrichtung.

  • Kundenerfahrung: Ein Marketing-Data Warehouse bietet einen besseren Einblick in die Kundenpräferenzen, sodass Sie die Erfahrung Ihrer Kunden durch genaue Personalisierung verbessern können. Durch diese Erkenntnisse können Sie die Interaktionspunkte Ihrer Kunden personalisieren, z. B. Erstanbieter-Anwendungen, Websites, Online-Werbung und E-Mail-Marketing.

Architektur

Das folgende Diagramm zeigt eine typische Referenzarchitektur für Marketinganalysen in Google Cloud, die mehrere Datenanalyse- und ML-Produkte verwendet.

Referenzarchitektur für Marketinganalysen in Google Cloud

Das Diagramm zeigt die folgenden Phasen eines Marketing-Data Warehouse-Workflows für, den Sie konfigurieren können:

  1. Datenaufnahme
  2. Datenverarbeitung
  3. Maschinelles Lernen
  4. Statistiken und Aktivierung

Architekturkomponenten

In diesem Abschnitt werden die Phasen in einer Lösung für Marketing-Data-Warehouses beschrieben, einschließlich der erforderlichen Technologiekomponenten.

Datenaufnahme

Die erste Phase des Aufbaus eines Marketing-Data-Warehouses ist die Konsolidierung der Daten an einem zentralen Ort. Sie können Daten aus den folgenden Datenquellen aufnehmen:

  • Google- und SaaS-Plattformen: Sie können Datenquellen wie Google Analytics, Google Ads und die Google Marketing Platform in das Marketing-Data-Warehouse von Google Cloud in BigQuery aufnehmen. Zum Importieren von Daten aus Quellen wie Salesforce stehen SaaS-Connectors in Google Cloud und über unsere Partner zur Verfügung.
  • Öffentliche Clouds: Sie können BigQuery Data Transfer Service verwenden, um Daten aus anderen öffentlichen Clouds zu importieren. Wenn Sie beispielsweise Daten von Amazon S3 nach BigQuery verschieben möchten, können Sie wiederkehrende Ladejobs automatisch planen und verwalten. Sie können auch BigQuery Omni verwenden, eine flexible Multi-Cloud-Analyselösung, mit der Sie Daten in Google Cloud und Amazon Web Services analysieren können.
  • APIs, Flatfiles und lokale Erstanbieterdaten: Sie können Daten aus Quellen wie Customer-Relationship-Management (CRM) oder Kassensystemen aufnehmen. In der Regel führen Sie diese Datenaufnahme offline mit dem bq-Befehlszeilentool, der BigQuery API, oder in der Google Cloud Console. Sie können Daten lokal oder aus Cloud Storage laden. Für große Datasets empfehlen wir die Verwendung von Cloud Storage, um die Bandbreitennutzung, die Netzwerkgeschwindigkeiten und die Produktintegration zu optimieren. Wenn Sie Daten ereignisgesteuert in BigQuery laden möchten, können Sie Cloud Functions-Trigger festlegen. Legen Sie beispielsweise Trigger anhand der neuen Datenverfügbarkeit fest.

Die meisten vorherigen Aufnahmemethoden verwenden Batchladevorgänge. Wenn Sie Streaming-Datasets in BigQuery aufnehmen möchten, können Sie die Streamingfunktionen von BigQuery verwenden. Anwendungsfälle für Streaminganalysen finden Sie unter Lösungen für Streaminganalysen.

Datenverarbeitung

Nachdem Sie Daten aufgenommen haben, können Sie diese bei Bedarf verarbeiten. Diese Phase ist nur erforderlich, wenn Sie die Daten verarbeiten müssen, bevor Sie Abfragen dafür ausführen. Die Datenverarbeitung umfasst das Bereinigen und Neuformatieren, um Konsistenz in großen Datasets zu gewährleisten. Sie können die in Google Cloud verfügbaren Datenverarbeitungsprodukte verwenden.

Wählen Sie basierend auf Ihrem Nutzer das entsprechende Google Cloud-Produkt aus. Betrachten Sie beispielsweise die folgenden Nutzertypen und empfohlenen Produkte:

  • Entwickler, die ETL-Datenpipelines (Extract, Transform and Load) erstellen, können das Datenintegrationsprodukt von Cloud Data Fusion verwenden. Cloud Data Fusion hat eine UI, mit der Sie Ihre ELT- (Extrahieren, Laden und Transformieren) und ETL-Datenpipelines ohne Code bereitstellen können.
  • Data Engineering-Teams, die Marketinganalysen unterstützen, können Dataflow verwenden. Mit Dataflow können Sie sowohl Batch- als auch Streaming-Datenquellen in großem Maßstab aufnehmen und analysieren.
  • Datenanalysten können Dataprep by Trifacta nutzen, mit dem Sie Daten für die Analyse in BigQuery visuell untersuchen, bereinigen und vorbereiten können.

Maschinelles Lernen

Nachdem Ihr System die Daten aufgenommen und verarbeitet hat, können Sie die Google AI Platform-Produktoptionen für folgende Anwendungsfälle verwenden:

  • Deskriptive Analysen dazu, wie sich die Häufigkeit auf die Conversion pro Nutzer und Kampagne auswirkt: Mit dieser Information können Sie die Häufigkeit der Ausrichtung Ihrer Remarketing-Kampagnen anhand einer bestimmten Liste von Nutzern anpassen. BigQuery hat Zugriff auf Rohdaten von Campaign Manager 360, wodurch diese Informationen verfügbar sind.
  • Analysen zu Prognosezwecken zum Lifetime-Wert bestimmter Nutzer: Wenn Sie den Wert bestimmter Nutzergruppen vorhersagen, können Sie Marketingkampagnen zur Steigerung des Umsatzes ausführen. Sie könnten beispielsweise feststellen, dass eine Gruppe von Nutzern mit begrenztem Markeninteresse ein hohes Kaufpotenzial aufweist, sofern die Nutzerinteraktion gesteigert wird. Sie gewinnen diese Information durch Verknüpfen von Daten und mit maschinellem Lernen zur Erstellung von Kundensegmenten und Vorhersage eines Lifetime-Wert-Betrags.
  • Präskriptive Analysen zum Produktsentiment: Um ungenaues Targeting zu vermeiden, können Sie die Entwicklung von Textkommentaren und Bewertungen analysieren. Mit dieser Analyse können Sie prognostizieren, wie eine Nutzergruppe ein Produkt mit bestimmten Merkmalen erhalten kann. Für die Vorhersage der Stimmung können Sie beispielsweise die Sentimentanalyse und die Kundensegmentierung verwenden.

Dank der konsolidierten Marketingdaten in BigQuery können Sie ein AI Platform-Produkt auswählen, das Ihren Anforderungen entspricht. Wählen Sie abhängig von der ML-Reife und den Fähigkeiten der Organisation eines der folgenden Produkte aus:

  • Wenn Ihre Organisation mit ML nicht vertraut ist, können Sie Kunden-ML-Modelle mit AutoML erstellen und bereitstellen. Beispielsweise können Sie mit AutoML Tables Regressions- und Klassifizierungsmodelle erstellen, z. B. die Abwanderungswahrscheinlichkeit und den Lifetime-Wert des Kunden.
  • Wenn Ihre Organisation SQL-Kompetenzen hat, können Sie mit BigQuery ML SQL-Konstrukte verwenden, um Modelle wie Zielgruppensegmentierungsmodelle zu erstellen, zu bewerten und vorherzusagen. Sie können viele unterstützte Modelle trainieren und bereitstellen und ML-Workflows ausführen, ohne Daten aus BigQuery zu verschieben.
  • Wenn Ihr Unternehmen über Data Scientists verfügt, können Sie mit Vertex AI optimierte Modelle in großem Umfang erstellen und bereitstellen. Ein Beispiel für die Verwendung von Vertex AI zur Ermittlung des Customer Lifetime Value finden Sie unter Customer Lifetime Value mit AI Platform vorhersagen.

Statistiken und Aktivierung

Mit den Optionen von Google Cloud können Sie Informationen aus konsolidierten Werbe- und Marketingdaten gewinnen. Anschließend können Sie Daten (z. B. unterschiedliche Segmente) wieder in Plattformen wie Google Analytics und E-Mail-Marketing zurückbringen. Google Cloud bietet verschiedene Möglichkeiten, gemäß Ihren Anforderungen auf Ihre Daten zu reagieren. Beispielsweise können Sie Ihre unterschiedlichen Segmente wieder in Ihre bevorzugten Kanäle zurückführen, z. B. Google Analytics oder Salesforce.

Looker für die Google Marketing Platform

Sie können Informationen auch mit Looker, einer Business Intelligence-Plattform (BI), prüfen und teilen. Mit Looker können Sie mehrere Datasets kombinieren, das kanalübergreifende Kundenverhalten verfolgen und Kunden nach Attributen segmentieren.

Mit Looker können Sie die folgenden Statistiken generieren:

  • ROI-Analyse (Return on Investment): Informationen zu den von Kampagnen generierten Ausgaben und Umsätzen
  • Benachrichtigungen: Richten Sie benutzerdefinierte Regeln ein, um E-Mail-Benachrichtigungen zu erhalten, wenn Taktiken oder Werbeanzeigen nicht nach Plan laufen.
  • Kanalübergreifende Attributionsanalyse: Ermitteln Sie Trends im Kundenverhalten zwischen und übergreifend über Ihre Marketingkanäle.
  • A/B Testing: Analysieren, wie sich Ihre Variationen auf die wichtigsten Merkmale des Verhaltens von Nutzern auswirken können, basierend auf statistisch signifikanten Ergebnissen.
  • Akquisekanäle: Verfolgen Sie, woher neue Leads und Kunden stammen.
  • Kohortenanalyse: Segmentieren Sie Ihre Daten und analysieren Sie, wie sich verschiedene Segmente im Laufe der Zeit verhalten.

Die Blöcke und Aktionen in Looker bilden eine Grundlage für robuste und gemeinsam nutzbare Analysen für Werbungs- und Webdaten der Google Marketing Platform. Diese anpassbaren Blöcke und Aktionen bieten eine interaktive Datenexploration, neue Datensegmente mit leichten ML-Vorhersagen sowie Aktivierungspfade zurück zur Google Marketing Platform. Mit Aktivierungspfaden können Sie Ihre selbst erhobenen Daten verwenden, um effektives Zielgruppen-Targeting zu betreiben.

Das folgende Diagramm zeigt, wie Google-Produkte mit Looker funktionieren können.

Wie Produkte mit Looker zusammenarbeiten

Im Diagramm wird gezeigt, wie Looker mit Daten aus Google Analytics 4, Google Analytics  360, Campaign Manager 360 und allen Daten in BigQuery Echtzeitberichte erstellen kann. Sie können eigene Daten von Looker in der Google Marketing Platform mit Aktionen für Anzeigen (über Kundenabgleich) und Analysen (über Datenimport) aktivieren. Horizontale Dienste wie IAM überwachen Ihre Marketingdatenpipelines kontinuierlich.

Benutzerdefinierte Integrationen

Sie können auch Google Cloud verwenden, um benutzerdefinierte Integrationen zu erstellen, um die Daten zurück auf Plattformen Ihrer Wahl zu übertragen. Sie können beispielsweise geplante Abfragen ausführen, um Zielgruppenlisten mit Ihren Analytics-Daten zu generieren, und die Daten dann mit API-Aufrufen zurückübertragen. Verwenden Sie beispielsweise Cloud Functions, um die Datenübertragung auszulösen, nachdem in Cloud Storage ein neues Segment bereit ist.

Nächste Schritte