創建客戶的完整視圖，并通過最佳渠道實時互動。

當今在商業領域的競爭就是了解你的客戶。消費者期待個性化的服務和令人滿意的體驗，而與他們互動品牌無關的東西都可能導致客戶選擇其他品牌。

各行業的許多組織都在努力獲取他們所需的客戶數據，以便在所有與客戶的接觸中提供個性化的和情景的體驗。最近，數據湖已被吹捧為管理所收集的各種客戶數據的最佳方式，許多大數據和分析解決方案都側重于使用自助式方法來利用數據湖價值。

將所有客戶數據都轉儲到數據湖中是不夠的;特別是當分析引擎與其收到的數據質量一樣好時。根據研究公司Forrester Inc.最近的一份報告，只有25%的業務和技術決策者表示，他們實施大數據解決方案后增加了收入。這意味著大多數公司并沒有有效地利用客戶數據形成的見解來更好地服務和留住客戶，Forrester公司說道。

是什么阻礙了企業在客戶互動中使用大數據?數據湖和使用客戶互動分析之間存在著兩個瓶頸。一個是建立黃金記錄，準確和完整的客戶視圖，directadmin安裝，另一個是克服流程中的延遲--在數據、分析和執行層面--通過正確的渠道或接觸實時與客戶互動。

　　數據湖和黃金記錄

讓我們先看看建立黃金記錄所面臨的挑戰吧。黃金記錄的概念超出了所謂的360度客戶視圖或客戶的單一視圖范疇。它是來自整個企業的更豐富和全面的數據集合，涉及到將有關客戶的所有已知信息收集到整個組織都能訪問的數據控制中心點。

構建良好的黃金記錄至關重要，因為數據驅動的客戶互動質量高度依賴于數據本身的質量(準確性、完整性、相關性和及時性)。不正確的數據會導致不相關的報價、冗余方法以及順序混亂或提供過時的報價。數據湖是一個很好的存儲庫，但組織選擇數據湖(原始數據種類繁多，數據量大，directadmin安裝，數據捕獲簡便等)的很多原因都會放大他們所面臨的質量問題。

其解決方案是應用嚴謹且周密的數據匹配策略，該策略利用探索性、概率性和機器學習方法來掌握數據并創建持久化的關鍵結構，然后插入自動化流程來管理數據并為客戶互動生成恰當的“預測”。添加自動化流程可簡化黃金記錄的創建過程，使其隨時間推移更容易維護。這就是客戶數據平臺(CDP)應該做的事情，盡管很少的數據平臺能做到這一點。真正高質量的數據需要很多因素，諸如跨源數據提取，名稱和地址標準化，調整確定性和概率匹配以及解決問題、審計和合規性所需的人工流程。它并不是出于內心的愿望，大多數客戶數據平臺提供商都會試圖掩蓋這種復雜性。但是，相信我，如果跳過這些步驟，結果分析會產生非常不準確的結果。

對于大數據的實施，客戶數據平臺必須在本地處理數據湖中常見的所有源格式，包括多個NoSQL數據庫和文檔格式，如MongoDB、Avro、Parquet等跨多個大數據環境的格式。客戶數據平臺應該能夠利用大數據分布式計算資源，而這些資源往往被忽略，當作非SQL數據庫的主要價值。

通過在大數據環境中精心設計的客戶數據平臺，組織可以處理數據湖中各個種類、速度和數量的信息，以生成準確的客戶資料用以進行客戶分析和互動。

　　面對數據湖中的延遲

另一個關鍵挑戰是克服延遲，它以三種基本方式出現在數據湖/分析過程中。第一種是進程啟動延遲。數據處理有意地與到達數據庫中的數據進行分離。這是數據湖設計工作的一部分，但這也可能導致更新客戶信息的延遲。

將“數據倉庫思維”引入數據湖時，信息可能會被視為半靜態數據的集合，并且更新將在預定時間(例如夜間)執行，以便在早上生成可用于分析的信息。對于像生成報告等與時間無關的流程來說，這樣很好。但它不適合那些應與客戶的節奏相匹配的流程。

對于這些側重互動的實時過程，數據需要更有規律地進行更新。這需要進行更改(例如，數據觸發的流程)以及對架構或模型的更改，以有效處理更新所帶來的數據更改，而不是批量構建配置文件。

第二種延遲涉及客戶數據平臺。客戶數據平臺或其他軟件的性能可能會直接對流程增加時間延遲。如果客戶數據平臺每小時只能處理幾千次更新，那么它不會將配置文件更改的速度提高到足以匹配客戶的節奏。

許多客戶數據平臺供應商為生成客戶記錄而引用高性能數據，但在該過程中不包括復雜的匹配或更新。由于不包括匹配，他們只基于現有客戶對新記錄的簡單生成進行衡量。