Questo documento fornisce un'architettura di riferimento che descrive come creare data warehouse di marketing scalabili. Le soluzioni di data warehouse per il marketing ti consentono di offrire agli utenti esperienze pubblicitarie tempestive, mirate e personalizzate rispettando la loro privacy. Questo documento è rivolto a data engineer, data scientist o membri IT con mansioni 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 utilizzi più piattaforme Software as a Service (SaaS), puoi sfruttare questa architettura per consolidare i dati di marketing e pubblicitari in BigQuery. Se sei stakeholder aziendale, puoi avere informazioni in tempo reale sul rendimento dell'attività e del marketing.
Innovazione del 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 su più piattaforme, come l'email marketing o il targeting pubblicitario.
Esperienza del cliente: un data warehouse di marketing offre una maggiore visibilità sulle preferenze dei clienti, in modo da poter migliorare l'esperienza dei clienti attraverso una personalizzazione accurata. Queste informazioni ti consentono di personalizzare i punti di interazione dei clienti, ad esempio 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.
Il diagramma mostra le seguenti fasi di un flusso di lavoro di un data warehouse di marketing che puoi configurare:
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 di marketing è consolidare i dati in una posizione centrale. Puoi importare i dati dalle seguenti origini dati:
- Piattaforme Google e SaaS: puoi importare 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 consente di analizzare i dati in Google Cloud e Amazon Web Services.
- API, flat file e dati proprietari on-premise: puoi importare dati da origini come sistemi di gestione dei rapporti con i clienti (CRM) o POS. In genere, questa importazione dati viene eseguita offline utilizzando lo strumento a riga di comando bq, l'API BigQuery o la console Google Cloud. Puoi caricare i dati in locale o da Cloud Storage. Per i 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 del prodotto. Per caricare i dati in BigQuery in base a un evento, puoi impostare gli attivatori delle Cloud Function. Ad esempio, puoi impostare gli attivatori in base alla nuova disponibilità dei dati.
La maggior parte degli approcci all'importazione precedenti utilizza caricamenti batch. Se vuoi importare set di dati in modalità flusso in BigQuery, puoi utilizzare le funzionalità di elaborazione in modalità flusso di BigQuery. Per i casi d'uso di analisi dei flussi di dati, consulta Soluzioni di analisi dei flussi di dati.
Trattamento dati
Dopo aver importato i dati, puoi elaborarli, se necessario. Questa fase è obbligatoria solo quando è necessario elaborare i dati prima di eseguire query su di essi. L'elaborazione dei dati include la pulizia e la riformattazione per garantire coerenza in grandi set di dati. Puoi utilizzare i prodotti di elaborazione dati disponibili in Google Cloud.
Seleziona il prodotto Google Cloud appropriato in base a chi sono i tuoi utenti. Ad esempio, considera i seguenti tipi di utenti e i prodotti consigliati:
- Gli sviluppatori che creano pipeline di dati ETL (estrazione, trasformazione e caricamento) possono utilizzare il prodotto di integrazione dei dati Cloud Data Fusion. Cloud Data Fusion offre una UI che 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 utilizzare Dataprep di Trifacta, che consente di esplorare visivamente, 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 dei prodotti Google AI Platform per i seguenti casi d'uso:
- Analisi descrittive 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, rendendo disponibili queste informazioni.
- Analisi predittiva sul 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 del brand limitato ha un elevato potenziale di acquisto se gli utenti sono più coinvolti. Puoi ottenere queste informazioni unendo i dati e utilizzando il machine learning per creare segmenti di clienti e prevedere il lifetime value.
- Analisi prescrittive sul sentiment del prodotto: per evitare un targeting impreciso, puoi analizzare l'evoluzione dei commenti testuali e delle valutazioni. Questa analisi consente di prevedere in che modo un gruppo di utenti potrebbe ricevere un prodotto con determinate caratteristiche. Ad esempio, per prevedere il sentiment puoi usare 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 ML della tua organizzazione:
- Se la tua organizzazione non ha familiarità con il machine learning, puoi creare ed eseguire il deployment dei modelli ML dei clienti con AutoML. Ad esempio, puoi utilizzare AutoML Tables 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 i modelli di segmentazione del pubblico. 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 usare 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 di Google Cloud per ottenere insight da dati pubblicitari e di marketing consolidati. Puoi quindi riportare i dati (come i segmenti differenziati) in piattaforme come Google Analytics e il marketing via email. Google Cloud offre diversi modi per agire sui tuoi dati in base alle tue esigenze. Ad esempio, puoi riportare i segmenti differenziati nei tuoi canali preferiti, come Google Analytics o Salesforce.
Looker per Google Marketing Platform
Puoi anche esaminare e condividere insight tramite Looker, una piattaforma di business intelligence (BI) aziendale. Puoi utilizzare Looker per combinare più set di dati, monitorare il comportamento dei clienti cross-channel e segmentare i clienti in base agli attributi.
Puoi utilizzare Looker per generare i seguenti insight:
- Analisi del ritorno sull'investimento (ROI):consente di conoscere la spesa e le entrate generate dalle campagne.
- Avvisi: configura regole personalizzate per ricevere avvisi via email quando le tattiche o le pubblicità non funzionano.
- Analisi dell'attribuzione cross-channel: identifica le tendenze nel comportamento dei clienti tra e tra i tuoi canali di marketing.
- Test A/B: analizza in che modo le varianti possono influenzare il comportamento chiave degli utenti in base a risultati statisticamente significativi.
- Canali di acquisizione: monitora la provenienza dei nuovi lead e dei nuovi 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 di analisi affidabili e condivisibili per i dati web e pubblicitari di Google Marketing Platform. Questi blocchi e azioni personalizzabili offrono esplorazione interattiva dei dati, nuove sezioni di dati che includono previsioni ML semplici e percorsi di attivazione che rimandano a Google Marketing Platform. I percorsi di attivazione ti consentono di utilizzare i dati proprietari per scegliere come target segmenti di pubblico in modo efficace.
Il seguente diagramma mostra come i prodotti Google possono interagire 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 di Looker in Google Marketing Platform con Actions for Ads (tramite Customer Match) e Analytics (tramite Importazione dati). I servizi orizzontali, come IAM, monitorano costantemente le pipeline dei dati di marketing.
Integrazioni personalizzate
Puoi anche utilizzare Google Cloud per creare integrazioni personalizzate per eseguire il push dei dati in piattaforme a tua scelta. Ad esempio, puoi eseguire query pianificate per generare elenchi dei segmenti di pubblico con i dati di Analytics e poi eseguire il push dei dati 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
- Scopri di più sulla nostra soluzione di analisi dei dati di mercato.
- Scopri di più su BigQuery Data Transfer Service e sulle sue query standard per i vari prodotti Google.
- Per ulteriori architetture di riferimento, diagrammi e best practice, esplora il Cloud Architecture Center.