CDP componibili: in cosa differiscono dalle soluzioni pacchettizzate?

“Il CDP componibile non è una cosa. L'architettura componibile è ", ha scritto in precedenza il mio collega Craig Howard in una missiva interna. Ha spiegato che le piattaforme di dati dei clienti (CDP) hanno guadagnato trazione quando le organizzazioni non potevano implementare il proprio archivio di dati dei clienti nativo del cloud e potevano acquistare una soluzione commerciale pronta all'uso - un CDP "confezionato" - che potrebbe aiutarli a realizzare i vantaggi delle tecnologie cloud gestendo i dati dei propri clienti.

Ma le cose sono cambiate più recentemente:

• Le organizzazioni IT si sono evolute e hanno sviluppato competenze attorno alle tecnologie cloud.
• Le esigenze di integrazione dei dati hanno spesso superato le capacità di CDP. Molti CDP faticano a gestire strutture di dati complesse o a rispondere a domande complesse sui dati.
• Le politiche e un mosaico di leggi globali hanno introdotto complessità in materia di privacy, consenso e residenza dei dati.

I marchi stanno ora creando la loro singola vista del cliente con capacità di risoluzione dell'identità nativa del cloud, integrazione dei dati e archiviazione dei dati. I CDP si stanno adattando a questo paradigma, i data cloud e il modello architettonico componibile risultante, definendosi "CDP componibili".

Confezionato vs componibile

Un CDP componibile si basa su un'architettura ancorata a un archivio dati cloud per i dati dei clienti. In componibile, il CDP diventa una piattaforma di orchestrazione, gestendo segmenti di pubblico e percorsi e attivando i dati dei clienti.

Tuttavia, decidere di utilizzare CDP componibile o confezionato non è semplice. Innanzitutto, se stai acquistando entrambi, la tua testa è nel posto giusto. L'attivazione dei dati proprietari su tutti i canali è il futuro. Se la tua decisione è componibile o autonoma, c'è molto da scompattare.

Convergenza

Nel 2021 bisognava scegliere tra ETL inverso (componibile) o CDP. Oggi quella scelta non è netta. Molte CDP e tecnologie di marketing possono interrogare un database.

Ad esempio, Lytics, ActionIQ, mParticle, Blueshift e altri hanno fatto passi da gigante verso la connessione nativa a un data warehouse del cliente e ai dati preziosi che vi risiedono. Si può effettivamente praticare il componibile con alcuni CDP precedentemente considerati confezionati.

Implementazione

Sembra semplice: schiaffeggia un ETL inverso su un data warehouse esistente. Sì, "componibile" potrebbe essere più facile da implementare. Il time-to-value è in genere più veloce se hai quanto segue:

• Tutti i principali flussi di dati sono facilmente accessibili nel tuo data warehouse.
• La strategia di risoluzione dell'identità ha funzionato.
• Un team dedicato all'analisi o ai dati aziendali.

Pertanto, un CDP componibile invia le dipendenze al data warehouse del client. Un CDP può fornire un tempo di valutazione paragonabile o superiore se non si soddisfano i criteri di cui sopra. Ad esempio, una strategia di risoluzione dell'identità viene stabilita durante l'onboarding con molti pacchetti CDP.

Inoltre, connettori comuni per piattaforme di posta elettronica e altri martech possono fornire al cliente set di dati che non aveva precedentemente archiviato. Questi nuovi dati e la strategia di risoluzione dell'identità offrono a molti clienti un "cliente 360" come valore aggiunto.

Scava più a fondo: dove dovrebbe inserirsi una CDP nel tuo stack martech?

Casi d'uso CDP componibili e pacchettizzati

I casi d'uso raggiunti in un approccio componibile non differiscono fondamentalmente dal pacchetto CDP. Ci sono eccezioni: CDP come Lytics e BlueConic offrono una semplice personalizzazione del sito.

Se i dati alla base del segmento sono affidabili per scopi di marketing e la strategia di risoluzione dell'identità consente l'attivazione in un determinato canale, i casi d'uso sono limitati solo dalle capacità del team che utilizza lo strumento. Tuttavia, i CDP pacchettizzati possono avere apprendimento automatico (ML), reportistica e supporto per il tempo reale integrati che i professionisti componibili potrebbero dover risolvere separatamente.

Risoluzione dell'identità

Una soluzione componibile non creerà la risoluzione dell'identità. Le architetture componibili si basano su chiavi di join preesistenti, risoluzione dell'identità nativa del cloud per set di dati disparati o una tabella dei clienti preesistente con tutti i criteri di segmentazione pertinenti.

I CDP possono lavorare con una strategia di risoluzione dell'identità preesistente, simile alle architetture componibili, oppure possono creare una strategia di risoluzione dell'identità per il cliente come parte della loro implementazione. Spesso esiste un approccio ibrido in cui un CDP utilizza la strategia di risoluzione dell'identità preesistente del cliente e quindi mappa nuovi canali e flussi di dati in quella strategia di risoluzione dell'identità.

Scava più a fondo: una guida allo strano nuovo mondo della risoluzione dell'identità

Segmentazione

Molti CDP compressi offrono front-end senza SQL e le soluzioni ETL inverse componibili hanno fatto progressi su questo fronte. Allo stesso modo, non tutte le CDP sono create allo stesso modo e alcune impongono un onere tecnico maggiore all'utente finale.

Alcuni CDP devono appiattire o mappare i dati per limitare i join complessi. Questo per limitare la dimensionalità dei dati e fornire risposte in tempo reale.

La natura in tempo reale di questa architettura può essere un vantaggio per alcuni. Tuttavia, pone limiti reali alla capacità di porre domande complesse sui dati. Se il tempo reale è importante, i pacchetti CDP possono avere un vantaggio. Se le domande complesse e la mappatura dei dati meno onerosa nell'implementazione sono fondamentali, componibile potrebbe funzionare meglio per te.

Governance dei dati

I complessi requisiti legali per il consenso, l'archiviazione dei dati, la residenza dei dati e i diritti di accesso/cancellazione sono al primo posto per molti decisori nell'architettura componibile rispetto alla decisione CDP in pacchetto. In quest'area, componibile gode di un vantaggio.

Composable mette il data warehouse al centro dell'universo del marketing. I data warehouse nel cloud offrono controlli flessibili per il consenso e la residenza dei dati. Le soluzioni componibili possono funzionare all'interno di un framework di governance preesistente, incluso il supporto per più regioni, la scadenza dei dati e la protezione a livello di colonna.

I pacchetti CDP spesso ricreano aspetti chiave dei dati dei clienti in un ambiente gestito da CDP. Ciò crea problemi di processo per cose come le richieste relative a GDPR e CCPA. Sono inoltre costretti a lavorare con attributi di consenso forniti dal cliente o a integrarsi con piattaforme di consenso di terze parti. Alcuni CDP cercano di mitigare questo problema installando il loro CDP "on-prem".

Tempo di valutare

Il tempo di valutazione varia in modo troppo ampio a seconda del cliente. Come accennato in precedenza, in teoria, il time to value è più veloce con componibile se vengono soddisfatti determinati criteri organizzativi. Se questi criteri non sono soddisfatti, il pacchetto CDP presenta alcuni vantaggi strutturali.

Tuttavia, i CDP non possono sempre rivendicare il successo. Abbiamo visto il tempo per valutare in appena 30 giorni e purtroppo siamo stati chiamati a salvare sforzi pluriennali con poco valore fornito. Tuttavia, se hai un problema pluriennale senza successo, il problema probabilmente non è tanto la tecnologia quanto la tua strategia del caso d'uso, il tuo processo per adottare la nuova tecnologia o la mancanza di competenze, disponibilità o continuità nel tuo personale.

Scienza dei dati e apprendimento automatico

L'approccio componibile si basa su un'azienda che porta la propria intelligenza o una soluzione best-of-breed al set di dati. Molti CDP offrono data science pronta all'uso. Nella nostra esperienza, le funzionalità fornite da CDP sono limitate al team che utilizza la piattaforma. Se il team è avanzato, potrebbe essere in grado di estrarre valore dalle funzionalità di data science.

Riteniamo che la scienza dei dati debba essere ben radicata all'interno di un'operazione di marketing. Se il tuo team non ha trovato utilità nelle capacità ML di cui dispone, hai il team sbagliato o il processo sbagliato. Se il tuo team non dispone di funzionalità di machine learning, collabora con un esperto che può aiutarti a modernizzare i tuoi processi di marketing.

Scavare più a fondo: misurare l'adozione di CDP: un quadro completo

Domande chiave da considerare prima di utilizzare CDP componibile

La decisione di passare a CDP componibili o confezionati è molto sfumata. Le distinzioni si sovrappongono e ci sono dipendenze specifiche del data warehouse di un marchio, tecnologie complementari (BI, machine learning, ecc., ecc.) e casi d'uso desiderati.

Prima di decidere un approccio, i brand dovrebbero porsi alcune delle seguenti domande:

• Per quali casi d'uso sto cercando di risolvere? Devono essere prese in considerazione le considerazioni sull'eliminazione dei cookie di terze parti, la necessità di casi d'uso in tempo reale e la connettività allo stack martech esistente.
• Ho tutti i dati chiave già residenti nel mio data warehouse? Ad esempio, ho la mia e-mail, il sito web e i dati chiave dei negozi o altri canali di proprietà disponibili a livello di cliente? Posso unire questi set di dati insieme per una visualizzazione del cliente ragionevolmente affidabile?
• Quanto è matura la mia capacità di reporting e analisi? Possono supportare facilmente la segnalazione del pubblico che intendo creare, i casi d'uso che intendo implementare e il ROI associato a questi sforzi?
• Dispongo degli strumenti necessari per supportare il processo decisionale basato sul machine learning nel mio pubblico?

Quando lavoriamo con le aziende che implementano una CDP, il nostro team si è generalmente assunto un impegno organizzativo per distribuire i dati di prima parte su larga scala. Questo impegno intrinseco ha contribuito alla velocità e al successo delle implementazioni CDP.

È presto per dire in che modo le soluzioni ETL inverse influiranno sulla distribuzione dei dati dei clienti di prima parte su larga scala. Tuttavia, il futuro è luminoso per le applicazioni con rapido time-to-value e la capacità di tenere conto dei problemi di residenza dei dati e privacy.