Firmy už zriedka fungujú na základe jedného zdroja údajov. Zákazník môže prehliadať webovú stránku, otvoriť e-mail, hovoriť s podporou, používať produkt, opustiť košík a nakoniec kontaktovať predaj. Každá interakcia môže zanechať záznam v inom systéme, často v inom formáte.
Dátové jazero poskytuje firmám miesto na zhromažďovanie týchto záznamov bez toho, aby bolo potrebné, aby každý zdroj najprv zodpovedal vopred definovanej štruktúre. Táto flexibilita ho robí užitočným, keď otázky ešte nie sú známe, keď údaje zahŕňajú formáty ako zvuk alebo protokoly, alebo keď je potrebné uchovávať rozsiahle historické súbory údajov na analýzu.
Ale uchovávanie všetkého neznamená to isté ako sprístupnenie všetkého užitočnému. Bez katalogizácie, kontroly kvality, pravidiel prístupu a jasných prípadov použitia sa dátové jazero môže stať ďalším silom.
Čo je to Data Lake?
Dátové jazero je centralizované úložné prostredie určené na uchovávanie veľkých objemov údajov v ich pôvodnej alebo takmer pôvodnej forme. Namiesto toho, aby sa od každej množiny údajov vyžadovala pevná štruktúra pred uložením, dokáže uchovávať rôzne typy informácií a štruktúru aplikovať vtedy, keď sú tieto údaje potrebné na analýzu.
Vďaka tomu je vhodný pre údaje ako:
- Štruktúrované dáta: Tabuľky z databáz, tabuľky, transakcie a iné záznamy usporiadané do definovaných polí.
- Pološtruktúrované dáta: JSON, XML, udalosti aplikácií a protokoly, ktoré obsahujú označenia alebo kľúče, ale nedodržiavajú jednu pevnú relačnú štruktúru.
- Neštruktúrované dáta: Nahrávky hovorov, dokumenty, obrázky, videá, prepisy a iný obsah, ktorý sa prirodzene nezmestí do riadkov a stĺpcov.
Dôležitý rozdiel je keď sú dáta štruktúrované.
Tradičný relačný systém vo všeobecnosti definuje dátový model pred uložením informácií. Dátové jazero dokáže najskôr uložiť zdrojové dáta a určiť, ako ich interpretovať alebo transformovať, keď ich analytik, aplikácia alebo proces strojového učenia potrebuje.
Táto flexibilita uľahčuje zavádzanie nových zdrojov údajov do prostredia. Zároveň však vytvára zodpovednosť: niekto stále musí vedieť, čo údaje znamenajú, odkiaľ pochádzajú, či sú spoľahlivé a kto ich môže používať.
Pracovný postup Data Lake
Dátové jazero presúva dáta cez niekoľko prepojených fáz, od zberu až po analýzu. Každá fáza má špecifickú úlohu a riadenie prebieha naprieč celým procesom.
- Zbierajte údaje: Dáta pochádzajú zo systémov CRM a ERP, webových stránok, mobilných aplikácií, zariadení internetu vecí, platobných platforiem a zdrojov tretích strán.
- Prijať dáta: Proces príjmu presúva dáta do jazera prostredníctvom plánovaných dávok alebo nepretržitých streamov v závislosti od toho, ako rýchlo musia byť k dispozícii.
- Uložte údaje: Jazero uchováva dáta v ich pôvodnej alebo takmer pôvodnej podobe. Cloudové objektové úložisko sa bežne používa, pretože dokáže spracovať veľké objemy a rôzne formáty súborov.
- Spracovať údaje: Analytické a strojové učenie v pracovných postupoch čistí, kombinuje, transformuje alebo štruktúruje dáta pre konkrétnu otázku alebo prípad použitia.
- Použite údaje: Analytici môžu vyhľadávať dáta prostredníctvom nástrojov BI, zatiaľ čo dátoví vedci a aplikácie ich môžu používať na analytiku, strojové učenie a iné úlohy.
- Spravujte údaje: Riadenie prístupu, katalógy, pôvod údajov, kontroly kvality, pravidlá uchovávania údajov a bezpečnostné opatrenia pomáhajú udržiavať údaje presné, vyhľadateľné a primerane chránené.
Kľúčovou myšlienkou je, že ukladanie a interpretácia sú oddelenéTen istý zdroj údajov preto môže podporovať rôzne analytické využitie bez toho, aby sa pôvodné údaje pre jednu konkrétnu správu trvalo menili.
Kľúčové komponenty dátového jazera
Funkčné dátové jazero potrebuje viac než len veľký úložný priestor. Dáta musia spoľahlivo vstupovať, zostať vyhľadateľné, musia byť efektívne spracované a musia sa dostať k používateľom vo forme, ktorú môžu skutočne použiť. Šesť komponentov nižšie pokrýva základnú architektúru.
1. Zdroje údajov
Zdroje poskytujú surovinu pre jazero.
Bežné príklady zahŕňajú:
- Záznamy CRM
- Transakcie ERP
- Udalosti na webovej stránke
- Denníky aplikácií
- Telemetria internetu vecí
- Systémy podpory zákazníkov
- Marketingové platformy
- Súbory údajov tretích strán
- Dokumenty, zvuk, obrázky a video
Hodnota pridania zdroja závisí od toho, čo sa z neho podnik chce dozvedieť. Zhromažďovanie každej dostupnej udalosti bez účelu zvyšuje požiadavky na ukladanie a riadenie bez toho, aby nevyhnutne zlepšilo analýzu.
2. Príjem údajov
Prijímanie presúva dáta zo zdrojových systémov do jazera. Dva bežné prístupy sú:
- Dávkové prijatie: Dáta sa prenášajú v plánovaných intervaloch. Toto funguje dobre pre reportovanie a prípady použitia, kde postačujú hodinové alebo denné aktualizácie.
- Streamovanie príjmu: Udalosti sa prenášajú nepretržite alebo s veľmi nízkou latenciou. Toto je vhodnejšie, keď rozhodnutia závisia od nedávnych udalostí, ako napríklad monitorovanie v reálnom čase alebo aplikácie riadené udalosťami.
Streamovanie nie je automaticky lepšie. Zavádza dodatočnú infraštruktúru a prevádzkovú zložitosť, takže obchodný prípad by mal určiť, či je nižšia latencia skutočne cenná.
3. skladovanie
Úložisko uchováva prichádzajúce dáta a súvisiace metadáta. Objektové úložisko je bežné, pretože dokáže spracovať veľké súbory údajov a viacero typov súborov bez toho, aby sa vyžadovalo, aby každý súbor zodpovedal rovnakej schéme.
Náklady na úložisko sú však len jednou časťou ekonomiky. Spracovanie, prenos údajov, zabezpečenie, monitorovanie, riadenie a pracovné zaťaženie dotazov môžu tiež významne prispieť k celkovým nákladom na prevádzku dátového jazera.
4. Spracovanie
Spracovanie prevádza uložené údaje do formy vhodnej na konkrétne použitie. Napríklad podnik môže:
- Odstrániť duplicitné záznamy
- Štandardizovať časové pečiatky
- Zlúčenie ID zákazníkov naprieč systémami
- Extrakcia sentimentu z konverzácií s podporou
- Previesť udalosti na behaviorálne charakteristiky
- Súhrnné transakcie
- Príprava tréningových údajov pre model strojového učenia
Nespracovaný zdroj môže zostať zachovaný, kým sa tieto transformácie vytvárajú na špecifické analytické účely.
5. vláda
Riadenie určuje, či ľudia skutočne môžu dôverovať údajom a bezpečne ich používať.
Môže zahŕňať:
- Katalógy údajov
- Záznamy o vlastníctve
- Dátová línia
- Kontroly kvality
- Kontroly prístupu
- Pravidlá ochrany osobných údajov
- Zásady uchovávania údajov
- Kontrolné stopy
Toto je obzvlášť dôležité, keď jazero obsahuje informácie o zákazníkoch. Centrálne ukladanie údajov neodstraňuje povinnosti týkajúce sa ochrany súkromia, zabezpečenia alebo dodržiavania predpisov, ktoré sú s týmito údajmi spojené.
6. Spotreba
Vrstva spotreby je miestom, kde sa uložené dáta stávajú užitočnými. Rôzni používatelia môžu konzumovať rovnaké základné informácie prostredníctvom:
- Dashboardy BI
- SQL dotazy
- Analytické aplikácie
- Kanálmi strojového učenia
- Zápisníky pre dátovú vedu
- Prevádzkové aplikácie
Dátové jazero je úspešné iba vtedy, keď táto vrstva vedie k užitočnej analýze alebo akcii. Veľké objemy uložených údajov nie sú samy osebe výsledkom.
Dátové jazero verzus dátový sklad
Dátové jazerá a dátové sklady riešia súvisiace, ale odlišné problémy. Dátový sklad je vo všeobecnosti navrhnutý okolo štruktúrovaných, opakovateľných analytických otázok, zatiaľ čo jazero poskytuje väčšiu flexibilitu pre surové, rozmanité a prieskumné údaje.
| atribút | Dátové jazero | Dátový sklad |
| Údaje akceptované | Štruktúrované, pološtruktúrované, neštruktúrované | Primárne štruktúrované |
| Stav údajov | Často sa uchováva v surovej forme | Vyčistené a premenené |
| Keď sa použije štruktúra | Typicky počas analýzy alebo transformácie | Pred alebo počas nakladania |
| Bežní používatelia | Dátoví vedci, inžinieri, analytici | Analytici, obchodné tímy |
| Typická pevnosť | Prieskum a rozmanité údaje | Konzistentné podávanie správ a analýzy |
| Výkon dotazu | Závisí od architektúry a pracovnej záťaže | Zvyčajne optimalizované pre opakujúce sa dopyty |
| Bežné prípady použitia | AI, prieskum, behaviorálne dáta | BI, finančné výkazníctvo, operačná analýza |
Rozdiel sa stáva jasnejším pri pohľade na otázky, na ktoré je každý systém navrhnutý tak, aby zodpovedal.
Sklad je vhodný pre otázky ako:
- Aké boli tržby podľa regiónov v minulom štvrťroku?
- Ktorá kategória produktov vygenerovala najvyššiu maržu?
- Ako sa zmenila odchod zákazníkov za posledný rok?
Tieto otázky sú vopred známe, takže dáta je možné podľa nich vyčistiť a usporiadať.
Jazero je užitočnejšie, keď chce podnik preskúmať informácie, ktoré sa nehodia do vopred definovaných štruktúr.
Napríklad:
- Obsahujú rozhovory s podporou signály, ktoré predpovedajú odchod zákazníkov?
- Ovplyvňuje používanie produktu obnovu?
- Ktorá postupnosť akcií na webovej stránke je spojená s konverziou?
- Môžu nahrávky hovorov poskytnúť užitočné informácie pre model predikcie predaja?
Mnoho organizácií preto používa oboje. Databázový sklad podporuje zavedené reportovanie, zatiaľ čo Lake poskytuje širšie prostredie pre prieskum, strojové učenie a rozmanité dáta.
Dôležité upozornenie: Dátové jazero je analytické dátové prostredie. Môže ukladať a spracovávať informácie o zákazníkoch, ale nenahrádza prevádzkové funkcie, ktoré spravujú potenciálnych zákazníkov, obchody, prípady, kampane alebo interakcie so zákazníkmi – napríklad ako CRM môcť.
Výhody Data Lake
Najsilnejším dôvodom na vybudovanie dátového jazera nie je len to, koľko údajov dokáže uchovávať. Jeho hodnota spočíva v uchovávaní rôznych druhov informácií a ich analýze s cieľom odpovedať na otázky, na ktoré existujúce operačné systémy nedokážu efektívne odpovedať.
Škálovanie bez prepracovania každého zdroja
Dátové jazero dokáže spracovať rastúce objemy bez toho, aby bolo potrebné, aby každý nový súbor údajov zodpovedal existujúcej relačnej schéme.
To je užitočné, keď firma pridá:
- Nová aplikácia
- Nový produkt
- Nový zákaznícky kanál
- Získaný podnik
- Nový zdroj behaviorálnych údajov
Nový zdroj je možné prijať a katalogizovať bez toho, aby bolo potrebné najskôr prepracovať každú existujúcu analytickú tabuľku.
Podpora rôznych typov údajov
Mnohé užitočné obchodné signály neprichádzajú v úhľadných riadkoch a stĺpcoch.
Jazero dokáže zadržať:
- Nahrávanie hovorov
- Podporné prepisy
- Obrázky výrobkov
- Dokumenty
- Udalosti na webovej stránke
- Denníky aplikácií
- Telemetria internetu vecí
Tieto zdroje sa neskôr dajú transformovať na prvky alebo súbory údajov pre špecifické analytické účely.
Flexibilný základ pre umelú inteligenciu a strojové učenie
Projekty umelej inteligencie často vyžadujú historické údaje z viacerých zdrojov. Jazero môže poskytnúť centrálne prostredie na uchovávanie týchto informácií a ich prípravu na vývoj modelu.
Ale viac dát automaticky nevedie k lepšej umelej inteligencii.
Údaje musia byť stále:
- Relevantné pre predpoveď
- Správne označené tam, kde je to potrebné
- Dostatočne konzistentné na analýzu
- Reprezentatívny pre modelovanú populáciu
- Správne riadené
- Prístup k pracovnému postupu modelovania
Výhodou jazera je, že dokáže zachytiť širšiu škálu potenciálnych signálov skôr, ako podnik zistí, ktoré z nich sa ukážu ako užitočné.
Znížte silá analytických údajov
Jazero môže priniesť informácie z viacerých systémov do spoločného analytického prostredia.
Napríklad maloobchodník by mohol kombinovať:
Transakcie + správanie na webovej stránke + marketingová angažovanosť + zákaznícka podpora
namiesto toho, aby sa od štyroch systémov vyžadovali štyri samostatné správy.
To síce neodstraňuje všetky problémy s integráciou, ale môže to znížiť počet opakovaných exportov a manuálneho zosúladenia pre analytické pracovné zaťaženia.
Nezamieňajte si úložisko s použiteľnosťou: Jazero sa môže stať „dátovým močiarom“, keď sú súbory údajov zle zdokumentované, ťažko sa dajú nájsť, sú nespoľahlivé alebo ich vyhľadávanie je drahé. Riadenie, katalogizácia, kontroly kvality a vlastníctvo sú preto súčasťou architektúry, a nie voliteľnou čistiacou prácou.
Prípady použitia Data Lake
Dátové jazerá sa stávajú cennými, keď podnik potrebuje analyzovať informácie, ktoré sú príliš rozmanité, príliš rozsiahle, príliš historické alebo príliš rozptýlené na to, aby ich jeho existujúce systémy dokázali efektívne spracovať.
Analýza naprieč systémami
Jazero môže kombinovať informácie zo systémov, ktoré boli navrhnuté na rôzne prevádzkové účely.
Napríklad, firma by mohla analyzovať:
- História úhrad
- Aktivita na webovej stránke
- Marketingová angažovanosť
- Podporné interakcie
- Použitie produktu
v jednom analytickom pracovnom postupe.
To môže odhaliť vzťahy, ktoré je ťažké identifikovať, keď sa každý systém analyzuje samostatne.
Strojové učenie a AI
Jazero môže poskytnúť centrálne prostredie na prípravu historických údajov pre strojové učenie.
Možné aplikácie zahŕňajú:
- Predpoveď otrasov
- Prognóza dopytu
- Systémy odporúčaní
- Odhaľovanie podvodov
- Modelovanie sklonu zákazníkov
- Prediktívna údržba
Jazero nevytvára samotný model. Poskytuje úložisko a prístup k údajom potrebným na vytváranie, testovanie a vylepšovanie modelov.
Analýza správania zákazníka
Prevádzkové CRM systémy zvyčajne zachytávajú informácie potrebné na riadenie vzťahov so zákazníkmi. Jazero dokáže uchovať širší prúd behaviorálnych udalostí.
Tieto môžu zahŕňať:
- Cesty webových stránok
- Vyhľadávacia aktivita
- Udalosti relácie
- Opustenie košíka
- Použitie produktu
- Interakcie e-mailom
- Podporná činnosť
Analýza týchto udalostí v priebehu času môže pomôcť firmám identifikovať vzory, ktoré nie sú viditeľné v jednotlivých záznamoch CRM.
Konsolidácia údajov po akvizíciách
Akvizície často zanechávajú podniky s niekoľkými CRM, ERP, analytickými a operačnými systémami. Dátové jazero môže poskytnúť spoločné analytické prostredie bez nutnosti okamžitej migrácie všetkých starších systémov. To môže byť užitočné, keď je bezprostredným cieľom analyzovať zlúčený podnik, zatiaľ čo dlhodobá konsolidácia systémov sa stále plánuje.
Ako dátové jazerá podporujú CRM s umelou inteligenciou
CRM obsahuje informácie, ktoré podnik potrebuje na riadenie vzťahov so zákazníkmi. Dátové jazero môže obsahovať oveľa širšiu históriu správania zákazníkov, používania produktov, digitálnej aktivity a interakcií.
Prepojenie týchto dvoch prvkov môže teda poskytnúť systémom umelej inteligencie ďalšie signály na analýzu. Toto jazero však automaticky nezlepšuje model CRM. Dáta musia byť najprv relevantné, prepojené so správnym zákazníkom alebo účtom, riadené a sprístupnené pre modelovanie alebo prevádzkový pracovný postup.
Pridajte kontext nad rámec záznamu CRM
Štruktúra databázy CRM môže obsahovať kontaktné informácie, históriu obchodov, aktivity, prípady a ďalšie záznamy o vzťahoch.
Dátové jazero môže pridať informácie, ktoré CRM bežne neuchováva v plnom rozsahu, ako napríklad:
- Podrobné udalosti na webovej stránke
- Použitie produktu
- Nahrávanie hovorov
- Denníky aplikácií
- Historické behaviorálne udalosti
Tieto zdroje môžu spolu poskytnúť širší pohľad na to, čo sa stalo pred, počas a po interakcii so zákazníkom.
Poskytnite prediktívnym modelom relevantnejšie signály
Prediktívne modely umelej inteligencie dokáže použiť historické vzorce na odhad pravdepodobných výsledkov.
Napríklad model odchodu zákazníkov by mohol potenciálne zohľadňovať aktivitu zákazníckej podpory, používanie produktu, angažovanosť a históriu nákupov, a nie sa spoliehať na jeden signál.
Dôležité slovo je relevantné. Pridanie tisícok nesúvisiacich polí môže zvýšiť zložitosť bez zlepšenia predikcie. Dobrá umelá inteligencia závisí od užitočných signálov, čistých údajov, vhodného modelovania a priebežného hodnotenia.
Zlepšenie segmentácie zákazníkov
Modely segmentácie zákazníkov môže sa viac zamerať na správanie, keď sú k dispozícii ďalšie udalosti pre zákazníkov.
Namiesto zoskupovania zákazníkov iba podľa toho, čo si kúpili, by firma mohla rozlišovať medzi zákazníkmi, ktorí:
- Často prezeráte, ale zriedka nakupujete
- Nakupujte pravidelne a zapájajte sa do kampaní
- Produkt používam intenzívne, ale v poslednom čase som ho obmedzil/a
- Pred obnovením opakovane kontaktujte podporu
Tieto vzorce môžu viesť k užitočnejšiemu zacieleniu ako demografické alebo transakčné segmenty.
Vkladajte lepšie vstupy do automatizácie CRM
Schopnosti AI CRM môže použiť údaje o zákazníkoch a interakciách na podporu odporúčaní, predpovedí a iných automatizovaných pracovných postupov.
Analytická vrstva a CRM stále plnia odlišné úlohy.
Dátové jazero môže pomôcť pri príprave a analýze širších súborov údajov. CRM je miesto, kde sa výsledné poznatky stávajú funkčnými, napríklad identifikáciou zákazníka, ktorý potrebuje pozornosť, alebo odporúčaním ďalšieho kroku.
Tento posledný krok je dôležitý. Poznatky, ktoré zostávajú v analytickom prostredí, nezlepšia zákaznícku skúsenosť, kým na ne niekto alebo niečo nezareaguje.
Pred vybudovaním dátového jazera: Skontrolujte, či problém skutočne vyžaduje riešenie. Ak vaša firma dokáže odpovedať na svoje otázky týkajúce sa reportovania a správy zákazníkov pomocou existujúceho CRM, skladu, platformy BI alebo priamych integrácií, dátové jazero môže viesť k zbytočnej práci v oblasti ukladania, inžinierstva, bezpečnosti a riadenia.
Implementácia Data Lake Well
Projekt dátového jazera by sa mal začať obchodnými otázkami, na ktoré potrebuje odpovedať, nie rozhodnutím o tom, koľko úložiska poskytnúť. Najužitočnejšie implementácie tiež včas zavádzajú riadenie a vlastníctvo, a nie sú považované za neskoršie čistenie.
Začnite s konkrétnymi otázkami
Pred zberom údajov definujte prvé prípady použitia.
Napríklad:
- Ktorí zákazníci s najväčšou pravdepodobnosťou odídu?
- Aké správanie produktu predpovedá obnovu?
- Ktoré interakcie kampane ovplyvňujú konverziu?
- Ktoré vzorce podpory naznačujú nespokojnosť?
Jasná otázka pomáha určiť, ktoré zdroje skutočne patria do prvej verzie jazera.
Katalogizácia údajov od začiatku
Každý súbor údajov by mal obsahovať základné informácie o:
- Čo obsahuje
- Odkiaľ to pochádza
- Kto to vlastní
- Ako často sa aktualizuje
- Aké je to spoľahlivé
- Kto k nemu má prístup
Bez týchto informácií je rastúcu zbierku súborov ťažké interpretovať.
Aplikujte bezpečnostné a prístupové kontroly
Údaje o zákazníkoch a zamestnancoch môžu obsahovať osobné identifikačné alebo inak citlivé informácie.
Politiky prístupu by preto mali určiť:
- Kto má prístup ku každému súboru údajov
- Ktoré polia vyžadujú dodatočnú ochranu
- Ako dlho by sa mali informácie uchovávať
- Ako sa audituje využívanie údajov
- Ako sú citlivé informácie maskované alebo obmedzené
Ovládacie prvky by sa mali vzťahovať na jazero ako súčasť širšieho dátového prostredia, nie ako dodatočná myšlienka.
Rovnaký princíp platí aj pre prostredia CRM. Napríklad Bezpečnostné kontroly CRM sú navrhnuté tak, aby obmedzili prístup k záznamom o zákazníkoch a obchodných záznamoch podľa požiadaviek organizácie.
Vyberte dávkové alebo streamovacie spracovanie podľa potreby
Nevyberajte si streamovanie len preto, že znie pokročilejšie. Dávkové spracovanie môže byť postačujúce, keď podnik analyzuje denné alebo hodinové zmeny. Streamovanie sa stáva cennejším, keď rozhodnutia závisia od udalostí, ktoré prídu v priebehu niekoľkých sekúnd alebo minút. Správna voľba závisí od obchodných dôsledkov latencie.
Meranie používania a obchodných výsledkov
Dátové jazero by sa malo hodnotiť skôr na základe výsledkov než na základe objemu úložiska.
Medzi užitočné opatrenia patria:
- Počet aktívnych analytických prípadov použitia
- Použitie dotazu alebo množiny údajov
- Čas potrebný na prípravu údajov
- Zníženie manuálneho zosúladenia
- Výkon modelu
- Ušetrený čas nahlasovania
- Vplyv na príjmy alebo udržanie zamestnancov, ak je merateľný
Jazero obsahujúce petabajty dát, ale nepodporujúce žiadne zmysluplné rozhodnutia, nie je úspešnou dátovou platformou.
Ako Vtiger premieňa CRM dáta na akciu
Dátové jazero a CRM majú odlišné úlohy. Dátové jazero podporuje širšie analytické pracovné zaťaženie, zatiaľ čo CRM pomáha tímom spravovať informácie o zákazníkoch, predajné aktivity, interakcie so službami a následné kroky. Vtiger sa zameriava na premenu údajov, ktoré sú už dostupné v CRM, na užitočné rozhodnutia. Vtiger's AI kalkul Využíva dáta CRM a interakcie so zákazníkmi na poskytovanie prediktívnych prehľadov a odporúčaní. Podporuje funkcie, ako je prediktívne bodovanie potenciálnych zákazníkov, prognózy predaja, analýza konverzácií a odporúčania pre ďalší najlepší postup.
Často kladené otázky (FAQ)
Otázka 1. Čo je to dátové jazero?
Dátové jazero je centralizované úložné prostredie pre veľké objemy štruktúrovaných, pološtruktúrovaných a neštruktúrovaných údajov. Dokáže uchovávať údaje v ich pôvodnej forme a štruktúru aplikovať neskôr, keď sú informácie pripravené na analýzu.
Otázka 2. Aké sú výhody dátového jazera?
Dátové jazero dokáže spracovať rôzne typy údajov, škálovať ho na veľké objemy, uchovávať historické informácie na analýzu a poskytovať spoločné prostredie pre údaje z viacerých systémov. Tieto výhody závisia od efektívneho riadenia, zabezpečenia, katalogizácie a kvality údajov.
Otázka 3. Aké sú bežné prípady použitia dátového jazera?
Medzi bežné prípady použitia patrí medzisystémová analytika, strojové učenie, analýza správania zákazníkov, predpovedanie dopytu, odporúčacie systémy a konsolidácia analytických údajov z viacerých obchodných jednotiek alebo starších systémov.
Otázka 4. Aký je rozdiel medzi dátovým jazerom a dátovým skladom?
Dátový sklad vo všeobecnosti uchováva štruktúrované a pripravené dáta pre stanovené analytické a reportovacie potreby. Dátové jazero poskytuje väčšiu flexibilitu pre surové a rozmanité dáta, vďaka čomu je užitočné pre prieskum, strojové učenie a prípady použitia, kde požadovaná dátová štruktúra nie je vopred známa.
Otázka 5. Ako dátové jazero podporuje umelú inteligenciu?
Dátové jazero môže poskytnúť centrálne prostredie na uchovávanie a prípravu historických údajov z viacerých zdrojov. To môže tímom strojového učenia poskytnúť prístup k širšej škále relevantných signálov, hoci viac údajov automaticky nevedie k lepšiemu modelu.
Otázka 6. Môže dátové jazero zlepšiť CRM?
Dátové jazero môže poskytnúť dodatočné údaje o správaní, produktoch a interakciách, ktoré môžu obohatiť analytiku CRM a modely umelej inteligencie. Dáta musia byť relevantné, spoľahlivé, správne prepojené so záznamami o zákazníkoch, riadené a sprístupnené CRM alebo modelovaciemu pracovnému postupu, aby mohli poskytnúť hodnotu.
Otázka 7. Aká je úloha dátových jazier v CRM systéme s umelou inteligenciou?
Dátové jazero môže slúžiť ako širšie analytické dátové prostredie, zatiaľ čo CRM zostáva operačným systémom na riadenie vzťahov so zákazníkmi. Poznatky získané zo širších súborov údajov môžu potenciálne podporiť predpovede CRM, segmentáciu, odporúčania a ďalšie akcie zamerané na zákazníkov.
Otázka 8. Potrebuje každá firma dátové jazero?
Nie. Dátové jazero je najužitočnejšie, keď má podnik rozsiahle alebo rozmanité súbory údajov, ktoré existujúce systémy nedokážu efektívne analyzovať, viacero zdrojov, ktoré je potrebné skúmať spoločne, alebo požiadavky na strojové učenie a analýzu, ktoré odôvodňujú dodatočné úsilie v oblasti inžinierstva a riadenia.
