Günümüzde işletmeler nadiren tek bir veri kaynağına dayanarak çalışıyor. Bir müşteri bir web sitesine göz atabilir, bir e-posta açabilir, destek ekibiyle iletişime geçebilir, bir ürün kullanabilir, sepetini terk edebilir ve sonunda satış ekibiyle iletişime geçebilir. Her etkileşim, farklı bir sistemde, genellikle farklı bir biçimde bir kayıt bırakabilir.
Veri gölü, işletmelere her kaynağın önceden tanımlanmış bir yapıya uymasını gerektirmeden bu kayıtları bir araya getirebilecekleri bir yer sağlar. Bu esneklik, sorular henüz bilinmediğinde, veriler ses veya günlük gibi formatları içerdiğinde veya analiz için büyük tarihsel veri kümelerinin saklanması gerektiğinde onu kullanışlı hale getirir.
Ancak her şeyi depolamak, her şeyi kullanışlı hale getirmekle aynı şey değildir. Kataloglama, kalite kontrolleri, erişim kuralları ve net kullanım senaryoları olmadan, bir veri gölü başka bir veri silosuna dönüşebilir.
Veri Gölü Nedir?
Veri gölü, büyük veri hacimlerini orijinal veya orijinaline yakın biçimde saklamak için tasarlanmış merkezi bir depolama ortamıdır. Her veri kümesinin depolanmadan önce sabit bir yapıya uymasını gerektirmek yerine, farklı bilgi türlerini saklayabilir ve bu veriler analiz için gerektiğinde yapı uygulayabilir.
Bu da onu aşağıdaki gibi veriler için uygun hale getirir:
- Yapılandırılmış veriler: Veritabanlarından, elektronik tablolardan, işlemlerden ve diğer kayıtlardan alınan tablolar, tanımlanmış alanlar halinde düzenlenmiştir.
- Yarı yapılandırılmış veriler: Etiketler veya anahtarlar içeren ancak sabit bir ilişkisel yapıya uymayan JSON, XML, uygulama olayları ve günlükler.
- Yapılandırılmamış veriler: Çağrı kayıtları, belgeler, resimler, videolar, transkriptler ve satır ve sütunlara doğal olarak uymayan diğer içerikler.
Önemli ayrım şudur: Veriler yapılandırıldığında.
Geleneksel ilişkisel sistemler genellikle bilgileri depolamadan önce veri modelini tanımlar. Veri gölü ise önce kaynak verileri depolayabilir ve bir analist, uygulama veya makine öğrenimi süreci ihtiyaç duyduğunda bunların nasıl yorumlanacağını veya dönüştürüleceğini belirleyebilir.
Bu esneklik, ortama yeni veri kaynakları getirmeyi kolaylaştırıyor. Ancak aynı zamanda bir sorumluluk da doğuruyor: Verinin ne anlama geldiğini, nereden geldiğini, güvenilir olup olmadığını ve kimin kullanmasına izin verildiğini birinin bilmesi gerekiyor.
Veri Gölü İş Akışı
Bir veri gölü, verileri toplama aşamasından analiz aşamasına kadar birbirine bağlı birkaç aşamadan geçirir. Her aşamanın belirli bir görevi vardır ve yönetim tüm süreci kapsar.
- Verileri toplayın: Veriler CRM ve ERP sistemlerinden, web sitelerinden, mobil uygulamalardan, IoT cihazlarından, ödeme platformlarından ve üçüncü taraf kaynaklardan gelir.
- Verileri içe aktarın: Veri alım süreci, verilerin ne kadar hızlı erişilebilir olması gerektiğine bağlı olarak, planlanmış gruplar halinde veya sürekli akışlar halinde verileri veri gölüne taşır.
- Verileri saklayın: Veri gölü, verileri orijinal veya orijinaline yakın biçimde saklar. Bulut nesne depolama, büyük hacimleri ve farklı dosya biçimlerini işleyebildiği için yaygın olarak kullanılır.
- Verileri işleyin: Analitik ve makine öğrenimi iş akışları, belirli bir soru veya kullanım durumu için verileri temizler, birleştirir, dönüştürür veya yapılandırır.
- Verileri kullanın: Analistler verileri BI araçları aracılığıyla sorgulayabilirken, veri bilimciler ve uygulama geliştiricileri de verileri analiz, makine öğrenimi ve diğer iş yükleri için kullanabilir.
- Verileri yönetin: Erişim kontrolleri, kataloglar, veri soy ağacı, kalite kontrolleri, saklama kuralları ve güvenlik önlemleri, verilerin doğru, bulunabilir ve uygun şekilde korunmasına yardımcı olur.
Temel fikir şu ki Depolama ve yorumlama birbirinden ayrılmıştır.Bu nedenle, aynı ham veri kaynağı, orijinal verileri belirli bir rapor için kalıcı olarak yeniden şekillendirmeye gerek kalmadan farklı analitik kullanımları destekleyebilir.
Veri Gölünün Temel Bileşenleri
İşlevsel bir veri gölü, büyük bir depolama alanından daha fazlasına ihtiyaç duyar. Verilerin güvenilir bir şekilde girilmesi, keşfedilebilir kalması, verimli bir şekilde işlenmesi ve kullanıcılara gerçekten kullanabilecekleri bir biçimde ulaşması gerekir. Aşağıdaki altı bileşen, temel mimariyi kapsamaktadır.
1. Veri kaynakları
Kaynaklar, gölün ham maddesini sağlar.
Yaygın örnekler:
- CRM kayıtları
- ERP işlemleri
- Web sitesi etkinlikleri
- Uygulama günlükleri
- IoT telemetrisi
- Müşteri destek sistemleri
- Pazarlama platformları
- Üçüncü taraf veri kümeleri
- Belgeler, ses kayıtları, görüntüler ve videolar
Bir kaynağı eklemenin değeri, işletmenin ondan ne öğrenmeyi amaçladığına bağlıdır. Amaçsızca her mevcut olayı toplamak, analizi iyileştirmeden depolama ve yönetim gereksinimlerini artırır.
2. Veri Alma
Veri alımı, verileri kaynak sistemlerden veri gölüne taşır. İki yaygın yaklaşım şunlardır:
- Toplu alım: Veriler planlanmış aralıklarla aktarılır. Bu, saatlik veya günlük güncellemelerin yeterli olduğu raporlama ve kullanım durumları için iyi sonuç verir.
- Akış yoluyla veri alımı: Olaylar sürekli olarak veya çok düşük gecikmeyle aktarılır. Bu, gerçek zamanlı izleme veya olay odaklı uygulamalar gibi kararların yakın zamandaki olaylara bağlı olduğu durumlarda daha uygundur.
Akış (streaming) otomatik olarak daha iyi anlamına gelmez. Ek altyapı ve operasyonel karmaşıklık getirir, bu nedenle düşük gecikme süresinin gerçekten değerli olup olmadığını iş gerekçesi belirlemelidir.
3. Depolama
Depolama alanı, gelen verileri ve bunlarla ilişkili meta verileri saklar. Nesne depolama yaygındır çünkü her dosyanın aynı şemaya uymasını gerektirmeden büyük veri kümelerini ve birden fazla dosya türünü işleyebilir.
Ancak depolama maliyeti, ekonominin yalnızca bir parçasıdır. İşleme, veri aktarımı, güvenlik, izleme, yönetişim ve sorgu iş yükleri de bir veri gölünün işletme maliyetinin toplamına önemli ölçüde katkıda bulunabilir.
4. İşleme
İşleme, depolanmış verileri belirli bir kullanım amacına uygun bir forma dönüştürür. Örneğin, bir işletme şunları yapabilir:
- Yinelenen kayıtları kaldır
- Zaman damgalarını standartlaştırın
- Sistemler genelinde müşteri kimliklerini birleştirin.
- Destek görüşmelerinden duygu durumunu çıkarın
- Olayları davranışsal özelliklere dönüştürün
- Toplu işlemler
- Makine öğrenimi modeli için eğitim verilerini hazırlayın.
Ham veri korunabilirken, bu dönüşümler belirli analitik amaçlar için oluşturulmaktadır.
5. Yönetim
Yönetişim, insanların verilere gerçekten güvenip güvenemeyeceğini ve verileri güvenli bir şekilde kullanıp kullanamayacağını belirler.
Şunları içerebilir:
- Veri katalogları
- Mülkiyet kayıtları
- Veri kökeni
- Kalite kontrolleri
- Erişim kontrolleri
- Gizlilik kuralları
- Saklama politikaları
- Denetim parkurları
Bu durum, özellikle veri gölü müşteri bilgilerini içeriyorsa önemlidir. Verilerin merkezi olarak depolanması, bu verilere bağlı gizlilik, güvenlik veya uyumluluk yükümlülüklerini ortadan kaldırmaz.
6. tüketim
Tüketim katmanı, depolanan verilerin kullanışlı hale geldiği yerdir. Farklı kullanıcılar aynı temel bilgileri şu yollarla tüketebilir:
- BI panoları
- SQL sorguları
- Analitik uygulamalar
- Makine öğrenimi ardışık düzenleri
- Veri bilimi not defterleri
- Operasyonel uygulamalar
Bir veri gölü, ancak bu katman yararlı analizlere veya eylemlere yol açtığında başarılı sayılır. Büyük miktarda depolanan veri, kendi başına bir sonuç değildir.
Veri Gölü ve Veri Ambarı Karşılaştırması
Veri gölleri ve veri ambarları, birbiriyle ilişkili ancak farklı sorunları çözer. Bir veri ambarı genellikle yapılandırılmış, tekrarlanabilir analitik sorular etrafında tasarlanırken, bir veri gölü ham, çeşitli ve keşifsel veriler için daha fazla esneklik sağlar.
| özellik | Veri Gölü | Veri deposu |
| Veriler kabul edildi. | Yapılandırılmış, yarı yapılandırılmış, yapılandırılmamış | Esas olarak yapılandırılmış |
| Veri durumu | Genellikle işlenmemiş halde muhafaza edilir. | Temizlendi ve dönüştürüldü |
| Yapı uygulandığında | Genellikle analiz veya dönüşüm sırasında | Yüklemeden önce veya yükleme sırasında |
| Ortak kullanıcılar | Veri bilimcileri, mühendisler, analistler | Analistler, iş ekipleri |
| Tipik güç | Keşif ve çeşitli veriler | Tutarlı raporlama ve analiz |
| Sorgu performansı | Mimariye ve iş yüküne bağlıdır. | Genellikle tekrarlayan sorgular için optimize edilmiştir. |
| Yaygın kullanım durumları | Yapay zeka, keşif, davranışsal veriler | BI, finansal raporlama, operasyonel analiz |
İki sistemin hangi sorulara cevap vermek üzere tasarlandığına bakıldığında fark daha da belirginleşir.
Bir depo, aşağıdaki gibi sorular için oldukça uygundur:
- Geçtiğimiz çeyrekte bölgelere göre satışlar nasıl gerçekleşti?
- En yüksek kar marjını hangi ürün kategorisi elde etti?
- Geçtiğimiz yıl müşteri kaybı oranları nasıl değişti?
Bu sorular önceden bilindiğinden, veriler bu sorular etrafında temizlenip düzenlenebilir.
Bir veri gölü, işletmenin önceden tanımlanmış yapılara tam olarak uymayan bilgileri keşfetmek istediği durumlarda daha kullanışlıdır.
Örneğin:
- Destek görüşmeleri, müşteri kaybını öngören sinyaller içeriyor mu?
- Ürün kullanımı yenilemeyi etkiler mi?
- Web sitesi eylemlerinin hangi sırası dönüşümle ilişkilidir?
- Çağrı kayıtları, satış tahmin modeli için faydalı bilgiler sağlayabilir mi?
Bu nedenle birçok kuruluş her ikisini de kullanmaktadır. Veri ambarı, yerleşik raporlamayı desteklerken, veri gölü daha geniş bir keşif, makine öğrenimi ve çeşitli veri ortamı sağlar.
Önemli not: Veri gölü, analitik bir veri ortamıdır. Müşteri bilgilerini depolayabilir ve işleyebilir, ancak müşteri adaylarını, anlaşmaları, vakaları, kampanyaları veya müşteri etkileşimlerini yöneten operasyonel işlevlerin yerini almaz – tıpkı bir CRM yapabilirsiniz.
Veri Gölünün Faydaları
Bir veri gölü oluşturmanın en güçlü nedeni, yalnızca ne kadar veri tutabileceği değildir. Değeri, farklı türdeki bilgileri saklaması ve mevcut operasyonel sistemlerin verimli bir şekilde yanıtlayamadığı soruları yanıtlamak için analiz etmesinden gelir.
Her Kaynağı Yeniden Tasarlamadan Ölçeklendirme
Bir veri gölü, her yeni veri kümesinin mevcut bir ilişkisel şemaya uymasını gerektirmeden, artan veri hacimlerini karşılayabilir.
Bu, bir işletmenin aşağıdaki ürünleri eklemesi durumunda faydalıdır:
- Yeni bir uygulama
- Yeni bir ürün
- Yeni bir müşteri kanalı
- devralınan bir işletme
- Davranışsal verilerin yeni bir kaynağı
Yeni kaynak, mevcut tüm analitik tabloları yeniden tasarlamaya gerek kalmadan alınabilir ve kataloglanabilir.
Farklı Veri Türleri için Destek
Pek çok faydalı iş sinyali, düzenli satırlar ve sütunlar halinde gelmez.
Bir göl şunları tutabilir:
- Çağrı kayıtları
- Destek transkriptleri
- Ürün resimleri
- evraklar
- Web sitesi etkinlikleri
- Uygulama günlükleri
- IoT telemetrisi
Bu kaynaklar daha sonra belirli analitik amaçlar için özelliklere veya veri kümelerine dönüştürülebilir.
Yapay Zeka ve Makine Öğrenimi için Esnek Bir Temel
Yapay zeka projeleri genellikle birden fazla kaynaktan gelen geçmiş verilere ihtiyaç duyar. Bir veri gölü, bu bilgileri saklamak ve model geliştirme için hazırlamak için merkezi bir ortam sağlayabilir.
Ancak daha fazla veri, otomatik olarak daha iyi yapay zeka anlamına gelmez.
Verilerin hala şu şekilde olması gerekiyor:
- Tahminle ilgili
- Gerektiği yerlerde doğru şekilde etiketlenmiştir.
- Analiz edilebilecek kadar tutarlı
- Modellenen popülasyonu temsil eden
- Düzgün yönetilen
- Modelleme iş akışına erişilebilir.
Bir veri gölünün avantajı, işletme hangi sinyallerin faydalı olacağını bilmeden önce daha geniş bir yelpazedeki potansiyel sinyalleri koruyabilmesidir.
Analitik Veri Silolarını Azaltın
Bir bilgi gölü, çeşitli sistemlerden gelen bilgileri ortak bir analitik ortama getirebilir.
Örneğin, bir perakendeci şunları bir araya getirebilir:
İşlemler + web sitesi davranışı + pazarlama etkileşimi + müşteri desteği
Dört ayrı sistemden dört ayrı rapor istemek yerine.
Bu, tüm entegrasyon sorunlarını ortadan kaldırmaz, ancak analitik iş yükleri için tekrarlanan dışa aktarımları ve manuel uzlaştırmayı azaltabilir.
Depolama alanını kullanılabilirlikle karıştırmayın: Veri kümeleri yetersiz belgelendiğinde, bulunması zor olduğunda, güvenilmez olduğunda veya sorgulanması pahalı olduğunda bir göl "veri bataklığına" dönüşebilir. Bu nedenle, yönetim, kataloglama, kalite kontrolleri ve sahiplik, isteğe bağlı temizleme çalışmaları olmaktan ziyade mimarinin bir parçasıdır.
Veri Gölü Kullanım Örnekleri
Veri gölleri, bir işletmenin mevcut sistemlerinin verimli bir şekilde işleyemeyeceği kadar çeşitli, büyük, geçmişe ait veya dağıtılmış bilgileri analiz etmesi gerektiğinde değerli hale gelir.
Sistemler Arası Analiz
Bir bilgi gölü, farklı operasyonel amaçlar için tasarlanmış sistemlerden gelen bilgileri bir araya getirebilir.
Örneğin, bir işletme şu konularda analiz yapabilir:
- Satın alım geçmişi
- Web sitesi etkinliği
- Pazarlama etkileşimi
- Destek etkileşimleri
- Ürün kullanımı
tek bir analitik iş akışında.
Bu, her sistem bağımsız olarak analiz edildiğinde belirlenmesi zor olan ilişkileri ortaya çıkarabilir.
Makine Öğrenimi ve AI
Bir göl, makine öğrenimi için tarihsel verilerin hazırlanmasında merkezi bir ortam sağlayabilir.
Olası uygulamalar şunları içerir:
- Churn tahmini
- Talep tahmini
- Öneri sistemleri
- Dolandırıcılık tespiti
- Müşteri eğilim modellemesi
- Öngörücü bakım
Göl, modelin kendisini oluşturmaz. Modellerin oluşturulması, test edilmesi ve geliştirilmesi için gerekli verilerin depolanmasını ve bunlara erişimi sağlar.
Müşteri Davranış Analizi
Operasyonel CRM sistemleri genellikle müşteri ilişkilerini yönetmek için gereken bilgileri toplar. Bir veri gölü ise daha geniş bir davranışsal olay akışını saklayabilir.
Bunlar şunları içerebilir:
- Web sitesi yolculukları
- Arama etkinliği
- Oturum etkinlikleri
- Sepetten vazgeçme
- Ürün kullanımı
- E-posta etkileşimleri
- Destek faaliyeti
Bu olayları zaman içinde analiz etmek, işletmelerin tek tek CRM kayıtlarında görünmeyen kalıpları belirlemelerine yardımcı olabilir.
Satın Almalar Sonrasında Veri Konsolidasyonu
Şirket satın alımları genellikle işletmeleri birden fazla CRM, ERP, analitik ve operasyonel sistemle baş başa bırakır. Bir veri gölü, tüm eski sistemlerin hemen taşınmasını gerektirmeden ortak bir analitik ortam sağlayabilir. Bu, uzun vadeli sistem konsolidasyonu planlanırken birleşik işletmeyi analiz etmenin acil hedef olduğu durumlarda faydalı olabilir.
Veri Gölleri Yapay Zeka Destekli CRM'i Nasıl Destekliyor?
Bir CRM, bir işletmenin müşteri ilişkilerini yönetmek için ihtiyaç duyduğu bilgileri içerir. Bir veri gölü ise müşteri davranışları, ürün kullanımı, dijital aktivite ve etkileşimler hakkında çok daha geniş bir geçmiş kaydı içerebilir.
Bu nedenle, ikisini birleştirmek, yapay zeka sistemlerine analiz edilecek ek sinyaller sağlayabilir. Ancak veri gölü, CRM modelini otomatik olarak iyileştirmez. Verilerin öncelikle ilgili olması, doğru müşteri veya hesaba bağlanması, yönetilmesi ve modelleme veya operasyonel iş akışına sunulması gerekir.
CRM Kaydının Ötesine Bağlam Ekleyin
MKS CRM veritabanı yapısı İletişim bilgilerini, işlem geçmişini, faaliyetleri, davaları ve diğer ilişki kayıtlarını içerebilir.
Bir veri gölü, CRM'nin normalde tam olarak saklamadığı bilgileri ekleyebilir, örneğin:
- Ayrıntılı web sitesi etkinlikleri
- Ürün kullanımı
- Çağrı kayıtları
- Uygulama günlükleri
- Tarihsel davranışsal olaylar
Bu kaynaklar birlikte, müşteri etkileşiminden önce, sırasında ve sonrasında neler olduğuna dair daha geniş bir bakış açısı sağlayabilir.
Tahmin Modellerine Daha Alakalı Sinyaller Verin
Tahminleyici yapay zeka modelleri Tarihsel kalıplardan yararlanarak olası sonuçları tahmin edebiliriz.
Örneğin, bir müşteri kaybı modeli, tek bir sinyale güvenmek yerine, müşteri destek faaliyetlerini, ürün kullanımını, etkileşimi ve satın alma geçmişini dikkate alabilir.
Önemli olan kelime "alakalı"dır. Binlerce ilgisiz alan eklemek, tahmin doğruluğunu artırmadan karmaşıklığı artırabilir. İyi bir yapay zeka, faydalı sinyallere, temiz verilere, uygun modellemeye ve sürekli değerlendirmeye bağlıdır.
Müşteri Segmentasyonunu İyileştirin
Müşteri segmentasyon modelleri Ek müşteri etkinlikleri mevcut olduğunda, davranış odaklı hale gelebilir.
Bir işletme, müşterilerini yalnızca satın aldıkları ürünlere göre gruplandırmak yerine, şu özelliklere sahip müşteriler arasında ayrım yapabilir:
- Sık sık göz atıyorum ama nadiren satın alıyorum.
- Düzenli olarak satın alım yapın ve kampanyalara katılın.
- Ürünü yoğun olarak kullanıyorum ancak son zamanlarda kullanımımı azalttım.
- Yenileme işleminden önce destek ekibiyle tekrar tekrar iletişime geçin.
Bu kalıplar, demografik veya yalnızca işlem bazlı segmentlere kıyasla daha faydalı hedeflemeye yol açabilir.
CRM Otomasyonuna Daha İyi Girişler Sağlayın
AI CRM yetenekleri Müşteri ve etkileşim verilerini, önerileri, tahminleri ve diğer otomatik iş akışlarını desteklemek için kullanabilir.
Analitik katman ve CRM'in görevleri hala farklıdır.
Veri gölü, daha geniş veri kümelerinin hazırlanmasına ve analizine yardımcı olabilir. Elde edilen bilgiler, CRM'de operasyonel hale gelir; örneğin, dikkat gerektiren bir müşteriyi belirlemek veya bir sonraki eylemi önermek gibi.
Bu son adım önemlidir. Analitik bir ortamda kalan bir bilgi, birileri veya bir şey harekete geçene kadar müşteri deneyimini iyileştirmez.
Veri gölü oluşturmadan önce: Sorunun gerçekten bir veri gölü gerektirip gerektirmediğini kontrol edin. İşletmeniz raporlama ve müşteri yönetimi sorularını mevcut bir CRM, veri ambarı, BI platformu veya doğrudan entegrasyonlarla yanıtlayabiliyorsa, bir veri gölü gereksiz depolama, mühendislik, güvenlik ve yönetişim iş yükü getirebilir.
Veri Gölü Sisteminin İyi Bir Şekilde Uygulanması
Bir veri gölü projesi, ne kadar depolama alanı sağlanacağına dair bir kararla değil, yanıtlaması gereken iş sorularıyla başlamalıdır. En faydalı uygulamalar ayrıca, yönetişim ve sahipliği daha sonraki bir temizleme işlemi olarak ele almak yerine, erken aşamada oluştururlar.
Öncelikle belirli sorularla başlayın.
Veri toplamadan önce ilk kullanım senaryolarını tanımlayın.
Örneğin:
- Hangi müşterilerin ayrılma olasılığı en yüksek?
- Hangi ürün davranışı yenileme oranını öngörür?
- Kampanya etkileşimlerinden hangileri dönüşüm oranını etkiliyor?
- Hangi destek kalıpları memnuniyetsizliği gösterir?
Net bir soru, hangi kaynakların gölün ilk versiyonuna gerçekten ait olduğunu belirlemeye yardımcı olur.
Katalog Verileri Başlangıçtan İtibaren
Her veri setinde şu konularda temel bilgiler bulunmalıdır:
- İçeriğinde neler var?
- Nereden geldi?
- Kimin malı?
- Ne sıklıkla güncelleniyor?
- Ne kadar güvenilir?
- Kimler erişebilir?
Bu bilgi olmadan, giderek büyüyen dosya koleksiyonunu yorumlamak zorlaşır.
Güvenlik ve Erişim Kontrollerini Uygulayın
Müşteri ve çalışan verileri, kişisel olarak tanımlanabilir veya başka türlü hassas bilgiler içerebilir.
Bu nedenle erişim politikaları şunları belirlemelidir:
- Her veri setine kimler erişebilir?
- Hangi alanlar ek korumaya ihtiyaç duyuyor?
- Bilgiler ne kadar süreyle saklanmalıdır?
- Veri kullanımının nasıl denetlendiği
- Hassas bilgilerin nasıl gizlendiği veya kısıtlandığı
Kontroller, sonradan düşünülmüş bir şey olarak değil, daha geniş veri ortamının bir parçası olarak göle uygulanmalıdır.
Aynı prensip CRM ortamları için de geçerlidir. Örneğin, CRM güvenlik kontrolleri Bu ayarlar, kurumsal gereksinimlere göre müşteri ve işletme kayıtlarına erişimi kısıtlamak üzere tasarlanmıştır.
İhtiyacınıza göre Toplu İşlem veya Akış Seçin
Sadece daha gelişmiş göründüğü için akışlı işlemeyi seçmeyin. İşletme günlük veya saatlik değişiklikleri analiz ediyorsa, toplu veri alımı yeterli olabilir. Kararlar saniyeler veya dakikalar içinde gelen olaylara bağlı olduğunda akışlı işleme daha değerli hale gelir. Doğru seçim, gecikmenin işletme üzerindeki etkisine bağlıdır.
Kullanım ve İş Sonuçlarını Ölçme
Bir veri gölü, depolama hacminden ziyade elde edilen sonuçlar üzerinden değerlendirilmelidir.
Faydalı önlemler şunlardır:
- Aktif analitik kullanım senaryolarının sayısı
- Sorgu veya veri kümesi kullanımı
- Verilerin hazırlanması için gereken süre
- Manuel mutabakat işlemlerinde azalma
- Model performansı
- Raporlama süresinden tasarruf sağlandı.
- Gelir veya müşteri tutma üzerindeki etki (ölçülebilir olduğu durumlarda)
Petabaytlarca veri içeren ancak anlamlı kararlar alınmasına olanak sağlamayan bir veri gölü, başarılı bir veri platformu değildir.
Vtiger, CRM Verilerini Nasıl Eyleme Dönüştürüyor?
Veri gölü ve CRM'in farklı görevleri vardır. Veri gölü daha geniş analitik iş yüklerini desteklerken, CRM ekiplerin müşteri bilgilerini, satış faaliyetlerini, hizmet etkileşimlerini ve takipleri yönetmesine yardımcı olur. Vtiger, CRM'de zaten mevcut olan verileri faydalı kararlara dönüştürmeye odaklanır. Vtiger'ın Matematik AI Müşteri ilişkileri yönetimi (CRM) verilerini ve müşteri etkileşimlerini kullanarak tahmine dayalı içgörüler ve öneriler sunar. Tahmine dayalı potansiyel müşteri puanlaması, satış tahmini, görüşme analizi ve en iyi sonraki eylem önerileri gibi yetenekleri destekler.
Sıkça Sorulan Sorular (SSS)
S1. Veri gölü nedir?
Veri gölü, büyük hacimli yapılandırılmış, yarı yapılandırılmış ve yapılandırılmamış veriler için merkezi bir depolama ortamıdır. Verileri orijinal biçiminde saklayabilir ve bilgiler analiz için hazırlandığında daha sonra yapılandırma uygulayabilir.
S2. Veri gölünün faydaları nelerdir?
Bir veri gölü, farklı veri türlerini barındırabilir, büyük hacimlere ölçeklenebilir, analiz için geçmişe ait bilgileri saklayabilir ve birden fazla sistemden gelen veriler için ortak bir ortam sağlayabilir. Bu avantajlar, etkili yönetişim, güvenlik, kataloglama ve veri kalitesine bağlıdır.
S3. Veri gölü kullanım alanları nelerdir?
Yaygın kullanım alanları arasında sistemler arası analiz, makine öğrenimi, müşteri davranış analizi, talep tahmini, öneri sistemleri ve birden fazla iş biriminden veya eski sistemlerden gelen analitik verilerin birleştirilmesi yer almaktadır.
Soru 4. Veri gölü ile veri ambarı arasındaki fark nedir?
Veri ambarı genellikle, belirlenmiş analitik ve raporlama ihtiyaçları için yapılandırılmış ve hazırlanmış verileri depolar. Veri gölü ise ham ve çeşitli veriler için daha fazla esneklik sağlayarak, keşif, makine öğrenimi ve gerekli veri yapısının önceden bilinmediği kullanım durumları için faydalı hale gelir.
S5. Veri gölü yapay zekayı nasıl destekler?
Bir veri gölü, birden fazla kaynaktan gelen geçmiş verileri saklamak ve hazırlamak için merkezi bir ortam sağlayabilir. Bu, makine öğrenimi ekiplerine daha geniş bir yelpazede ilgili sinyallere erişim imkanı verebilir, ancak daha fazla veri otomatik olarak daha iyi bir model anlamına gelmez.
S6. Veri gölü CRM'i iyileştirebilir mi?
Bir veri gölü, CRM analitiğini ve yapay zeka modellerini zenginleştirebilecek ek davranışsal, ürün ve etkileşim verileri sağlayabilir. Verilerin değer sağlayabilmesi için ilgili, güvenilir, müşteri kayıtlarına doğru şekilde bağlı, yönetilebilir ve CRM veya modelleme iş akışına sunulmuş olması gerekir.
Soru 7. Yapay zekâ destekli CRM'de veri göllerinin rolü nedir?
Veri gölü, daha geniş bir analitik veri ortamı olarak hizmet verebilirken, CRM müşteri ilişkilerini yönetmek için operasyonel sistem olarak kalır. Daha geniş veri kümelerinden elde edilen bilgiler, CRM tahminlerini, segmentasyonunu, önerilerini ve diğer müşteri odaklı eylemleri destekleyebilir.
S8. Her işletmenin veri gölüne ihtiyacı var mı?
Hayır. Bir veri gölü, bir işletmenin mevcut sistemlerin verimli bir şekilde analiz edemediği büyük veya çeşitli veri kümelerine, birlikte incelenmesi gereken birden fazla kaynağa veya ek mühendislik ve yönetim çabasını haklı çıkaracak makine öğrenimi ve analitik gereksinimlerine sahip olduğu durumlarda en faydalı olur.
