Como a ActionIQ se integra ao Databricks Lakehouse Parte 1: Habilite a personalização sem replicação de dados

O paradigma da personalização: equilibrando o self-service de negócios e a governança de dados

A personalização transforma os negócios, moldando e remodelando a maneira como as marcas se conectam com seus públicos. Seu impacto se estende por vários setores, especialmente no concorrido mercado de varejo, onde os hábitos de consumo passam por mudanças drásticas. Pesquisas realizadas pela McKinsey & Company indicam que as marcas alcançam um aumento notável de 40% na receita com a personalização. À medida que a demanda por experiências personalizadas continua a crescer, as empresas que implementarem a personalização ao longo do ciclo de vida do cliente irão prosperar.

A chave para oferecer personalização está em como as organizações utilizam os dados dos clientes. Uma visão de 360 graus do cliente, construída a partir de dados de todos os pontos de contato e estendida por meio de fontes de dados de terceiros e parceiros, fornece às equipes de marketing as informações necessárias para identificar os clientes-alvo e adaptar conteúdos e ofertas às suas necessidades e interesses.

Mas uma visão de 360 graus não é suficiente. As equipes de marketing precisam de acesso a interfaces de usuário low-code e no-code que facilitem seus fluxos de trabalho. Essa funcionalidade geralmente é fornecida por meio de uma Customer Data Platform (CDP), que também inclui recursos para integrar e gerenciar dados de clientes. Esses recursos orientados a dados podem parecer conflitantes com a direção declarada de muitas organizações de gerenciar seus ativos de informação por meio de uma plataforma de dados unificada, como o Databricks Lakehouse. No entanto, devido ao alinhamento funcional diferente desses dois sistemas, as organizações muitas vezes acham necessário implementar tanto uma CDP quanto uma plataforma de dados em paralelo.

Os desafios dessa implementação paralela vão além do custo operacional de implementar dois sistemas separados. Com frequência, os ativos de informação exigidos por um também são necessários para o outro. As equipes de marketing que operam na CDP muitas vezes dependem de seus engenheiros de dados e cientistas de dados que trabalham no lakehouse para ajudar com várias necessidades de processamento de dados e análise. Isso leva à replicação de dados, o que aumenta a carga operacional do ambiente e complica a governança consistente e a proteção dos dados dos clientes.

Sinergia entre o Lakehouse e a CDP Composable da ActionIQ

Hoje, a ActionIQ oferece várias opções de arquitetura para integração com a Databricks, permitindo que as organizações que usam o Databricks Lakehouse consolidem o backend de dados, ao mesmo tempo em que concedem acesso de negócios às experiências de usuário necessárias para impulsionar o engajamento personalizado. Para saber mais sobre os diferentes padrões de integração da ActionIQ com o Databricks Lakehouse, confira nosso artigo conjunto sobre o assunto.

O que diferencia a ActionIQ de outros fornecedores de CDP é sua capacidade exclusiva de executar sua CDP composable de dentro do Databricks Lakehouse, impulsionada pela tecnologia HybridCompute da ActionIQ. Ao contrário da arquitetura em pacote (bundled), onde a CDP e o lakehouse são implementados de forma independente, essa abordagem inovadora alcança uma integração mais profunda entre os dois sistemas. Ela permite que as organizações aproveitem as informações no Databricks Lakehouse como se estivessem residentes na CDP composable da ActionIQ. Especificamente, as ações do usuário na CDP podem acionar o pushdown de consultas nativas para o Databricks Lakehouse, eliminando a necessidade de copiar ou mover dados e fornecendo um ponto único e consistente de governança e segurança de dados.

Exemplo de fluxo de trabalho: marcas de varejo operacionalizam modelos de propensão com uma UI fácil de usar

Para ilustrar como as organizações podem implantar a CDP composable da ActionIQ diretamente no ambiente do Databricks Lakehouse, criamos um fluxo de trabalho simples. Nesse fluxo de trabalho, os dados de fidelidade do cliente de uma marca de varejo são usados para pontuar os clientes com base na probabilidade de compra de itens em diferentes categorias de produtos, alinhados com o conteúdo e as ofertas promocionais que a equipe de marketing deseja utilizar. Esses scores de propensão, com valores que variam de 0.0 a 1.0, representam a probabilidade de um cliente fazer uma compra de uma categoria de produto específica nos próximos 30 dias. Os scores são calculados e registrados em uma tabela residente no Databricks Lakehouse (Figura 1). (Consulte este blog para obter informações detalhadas sobre como exatamente esses scores são calculados no Databricks.)

Usando essas informações, a equipe de marketing visa atingir clientes com alta probabilidade de comprar pão nos próximos 30 dias, mas apenas uma probabilidade moderada de comprar refrigerantes no mesmo período. Eles planejam engajar esses clientes por meio de canais outbound, como e-mail e mídia paga, com uma oferta de pacote projetada para incentivar a compra conjunta de itens de ambas as categorias de produtos. Para os visitantes do site da marca, a equipe de marketing busca oferecer uma experiência consistente e personalizada na página principal, onde o banner exibido destaca a categoria de produto que o visitante específico tem maior probabilidade de comprar.

Para viabilizar o fluxo de trabalho da equipe de marketing com esses dados, os administradores da CDP configuraram uma conexão direta entre a plataforma ActionIQ e a Databricks, aproveitando a integração HybridCompute da ActionIQ. Simultaneamente, os administradores da Databricks configuraram permissões nos objetos apropriados para permitir a execução de consultas originadas da ActionIQ. A equipe de marketing não precisa conhecer esses detalhes técnicos. Para eles, os dados de score de propensão aparecem simplesmente como uma fonte de dados de clientes na interface de usuário da ActionIQ (Figura 2).

Na ActionIQ, a equipe de marketing pode criar instantaneamente segmentos de público usando a UI no-code, sem depender das equipes de TI. Eles podem então mapear as jornadas do cliente em várias etapas usando a tela de arrastar e soltar na ActionIQ, orquestrando facilmente experiências personalizadas em todos os canais outbound onde desejam engajar os clientes — neste caso, canais de e-mail e mídia paga. Uma vez concluído, o conteúdo ou oferta específica é direcionado aos clientes certos, e as etapas necessárias são seguidas para acionar a ativação (Figura 3).

Além disso, a equipe de marketing pode personalizar a página principal do site em tempo real, acessando as informações de propensão de compra do visitante em milissegundos, aproveitando a API de perfil da ActionIQ (Figura 4).

A grande vantagem dessa abordagem é que os cientistas e engenheiros de dados responsáveis por gerar continuamente esses scores de propensão usando os dados mais recentes dos clientes podem trabalhar em seu ambiente preferido. Assim que os dados são atualizados no Databricks Lakehouse, a equipe de marketing pode acessá-los imediatamente, sem precisar esperar pelo acionamento de um processo lento e complexo de replicação de dados. Além disso, a equipe de governança de dados tem a garantia de que esses dados confidenciais são gerenciados a partir de um local central, ao mesmo tempo em que viabiliza os resultados de negócios que geram valor.

Coloque em prática na parte dois

Na parte dois do nosso guia prático, confira os detalhes passo a passo com recursos visuais sobre como o ActionIQ se integra ao Databricks via HybridCompute, viabilizado pelo pushdown de consulta nativo para o Databricks Lakehouse. Para cada etapa, primeiro forneceremos uma descrição de alto nível sobre o conceito e, em seguida, explicaremos sua implementação no contexto do caso de uso descrito acima.

Quer saber mais sobre como um CDP combinável pode ajudar você a escalar suas operações de dados de clientes? Entre em contato com a equipe do ActionIQ.

Saiba mais

(Esta publicação no blog foi traduzida utilizando ferramentas baseadas em inteligência artificial) Publicação original