Plateforme Customer 360

Client

En tant que grand détaillant, notre client souhaitait comprendre le comportement des clients et avait donc besoin de moderniser son infrastructure cloud pour développer une plateforme Customer 360. La variété croissante des sources de données cloisonnées rendait la gestion efficace de l'entreprise impossible.

Ils étaient conscients de la nécessité de développer un pipeline de données fluide avec des services bien conçus et des déclencheurs pour établir une architecture logicielle en tant que service robuste. Ce dernier était nécessaire pour créer une base de données client unifiée et centralisée qui inclut tous les points de contact et interactions avec leur produit. L'approche actuelle de gestion des données n'avait pas de base de données centralisée avec des données cloisonnées provenant de multiples sources sous divers formats.

Pour cela, l'écosystème de données existant a dû être réorganisé en une architecture cloud SaaS consolidée pour centraliser les données clients de toutes les sources et le rendre disponible pour une analyse approfondie.

Défi : Intégrer des sources de données hétérogènes pour obtenir une vue unifiée à 360° de chaque client

Le principal goulot d'étranglement sur le chemin vers un flux de données unifié résidait dans la nature non structurée et cloisonnée des données. Les données clients étaient réparties entre plusieurs sources, dont SAP, Salesforce, API, fichiers plats, CSV, etc. Avant de construire l’architecture du produit SaaS, notre équipe devait transformer les informations existantes, incluant les tâches associées de nettoyage, de cartographie et de fusion des données.

De plus, une plateforme de données client devait être intégrée de manière transparente à chacun des produits SaaS. Une CDP devait également disposer de capacités d'automatisation avancées pour créer une compréhension cohérente de chaque client.

Solution : Système CDP personnalisé basé sur le processus MDM et l'appariement de données basé sur le ML

Le processus de développement a commencé par notre équipe d'ingénieurs en Big Data analysant les exigences du client et les subtilités de l'architecture de données actuelle. Le projet a été livré en plusieurs phases et a couvert la conception, l'implémentation et le déploiement de l'architecture de l'application SaaS.

Les tâches suivantes ont été effectuées pour établir une base de données client complète pour l'analyse :

• Différents types et formats de données ont été regroupés dans un format de données commun avec Azure Data Factory
• Le système de stockage a été établi dans Azure Data Lake
• Les données ont été chargées dans ADLS Gen2 Azure Blob comme une couche brute au format CDM
• Le nettoyage, la cartographie et la fusion ont été réalisés avec Azure Databricks
• Le profilage a été effectué pour correspondre aux enregistrements de différentes entités et créer un profil unifié
• La mise en correspondance et la fusion ont été effectuées pour trois pipelines différents afin de mettre en place une solution basée sur trois règles.
• Les algorithmes d’apprentissage automatique couplés à des algorithmes de graphes.

Résultat : Une architecture de données SaaS sur mesure pour garantir une stratégie client proactive et exploitable

L'équipe DataSqueeze a créé un système CDP pour collecter les données de sources multiples et les intégrer à d'autres applications SaaS métiers. Nous avons fusionné les données via le processus MDM et l’appariement par apprentissage automatique pour offrir une vue client complète à 360°.

Les données fusionnées finales peuvent ensuite être présentées via une interface utilisateur appropriée – effectivement un tableau de bord simple, qui affiche un profil client granulaire unique en termes de nombreux indicateurs clés (KPI) pertinents et modèles analytiques.

En conséquence, le client peut désormais agréger et organiser les données clients à travers divers points de contact et utiliser ces données pour des analyses supplémentaires, des efforts de marketing ciblé et d'autres services personnalisés.