Gestionar Aprenda a aplicar las mejores prácticas y optimizar sus operaciones.

Qué entra en un marco de integración de datos de análisis de clientes

La integración de datos del cliente es un campo minado para los equipos de TI. Pero incorporar un conjunto de funciones técnicas básicas en una arquitectura de integración puede facilitar el proceso.

Los esfuerzos para cumplir con los objetivos de rendimiento de negocios generalmente se centran en optimizar los...

resultados de las interacciones con los clientes.

El análisis del cliente ayuda a guiar esos esfuerzos. Pero el proceso de materialización de datos sobre los clientes a menudo confunde a las organizaciones, principalmente debido a problemas de integración de datos, una situación que requiere el desarrollo de un marco de integración de datos sólido para sus datos de análisis de clientes.

Los obstáculos de integración comienzan cuando muchas aplicaciones empresariales se desarrollan de forma independiente por unidades de negocio, con el resultado de que cada aplicación tiene su propia visión de los datos de los clientes. Los modelos de datos en diferentes aplicaciones representan datos de clientes en formularios que están sintonizados con funciones de negocios específicas. Estos modelos pueden superponerse de alguna manera, pero es probable que difieran en muchos otros.

Además, como los datos de los clientes se recopilan y almacenan a través de diferentes procesos en diferentes sistemas, es probable que existan diferencias en la forma en que se representan los valores de los datos. Los problemas comunes incluyen variaciones en la ortografía, la puntuación y el tamaño del campo, además de diferentes niveles de requisitos para la integridad de los datos.

En un nivel aún más básico, las definiciones de datos a menudo difieren de una unidad de negocio a otra, comenzando con la definición de lo que es un cliente. Por ejemplo, el departamento de ventas ve al cliente como la persona o entidad que paga por un producto, pero el soporte al cliente puede considerar a cualquier persona que lo use como un cliente.

Cuando los datos de análisis del cliente se vuelven malos

Los enfoques ingenuos para integrar los datos de los clientes sacan extractos de los diferentes sistemas fuente e intentan fusionar los conjuntos de datos en una única tabla de clientes. Sin embargo, las diferencias en los modelos de datos, las representaciones y la semántica introducen incoherencias, errores y datos duplicados en el repositorio de datos del cliente.

Esos tipos de fallas de datos pueden afectar la validez de las aplicaciones analíticas posteriores. Si los registros de clientes de diferentes fuentes no pueden coincidir entre sí, una empresa puede terminar con diferentes perfiles de clientes, ninguno de los cuales contiene el alcance completo de los datos de análisis del cliente.

Cada vez más, las organizaciones también están interesadas en combinar los datos extraídos de sus sistemas operativos con fuentes de datos no estructurados que contienen información adicional sobre clientes y posibles clientes. Eso incluye el correo electrónico del cliente, las respuestas a la encuesta, las transcripciones de las interacciones del centro de llamadas y las publicaciones en las redes sociales.

La combinación de conjuntos de datos estructurados y no estructurados puede crear un perfil de cliente detallado que es adecuado para una amplia variedad de usos analíticos. Pero también crea la necesidad de procesos de integración de datos que van más allá del enfoque tradicional de extracción, transformación y carga (ETL) utilizado en el almacenamiento de datos (data warehousing) para también acomodar la información de los sistemas de big data.

Bloques de construcción del marco de integración de datos

Con todo esto en mente, aquí hay algunos elementos técnicos clave necesarios para soportar un marco de integración de datos de clientes exitoso que permite un flujo de datos completo y consistente desde los sistemas fuente hasta las aplicaciones analíticas en el extremo receptor:

  • Modelo común de datos de clientes. Diseñe un modelo de datos común para representar los atributos de datos básicos que serán utilizados por las aplicaciones de análisis. Una vez que se ha definido, los desarrolladores de integración de datos pueden asignar los atributos del conjunto de datos fuente al modelo objetivo.
  • Identificación de la entidad. Para escanear datos no estructurados, la identificación de la entidad es importante para encontrar referencias a individuos u organizaciones en el texto. El objetivo es transformar los datos a los que se hace referencia en datos estructurados que pueden aumentar los perfiles de los clientes.
  • Análisis de contexto. Cuando los datos de la entidad se identifican en un conjunto de datos no estructurados, el contexto asociado con la entidad debe analizarse para encontrar valores de atributos relacionados que puedan poblar el perfil del cliente.
  • Resolución de identidad. Los algoritmos y herramientas que soportan la resolución de identidad se pueden usar para unir nombres, direcciones, números de teléfono y otra información en registros e instancias de datos de una variedad de fuentes de datos. La resolución de identidad reduce la duplicación de datos y mejora la calidad general de los datos al permitir que las reglas de integración de datos combinen los valores de los registros coincidentes.
  • Índice maestro de clientes. Organizar el repositorio de datos del cliente y crear un índice maestro facilita los futuros procesos de integración de datos al simplificar más enlaces entre las fuentes de datos.
  • Servicios de datos maestros. La implementación de servicios de acceso a datos, como búsqueda y recuperación o consultas por atributos de perfil de cliente, permite que las aplicaciones de análisis de flujo descendente accedan más fácilmente al repositorio de datos de análisis de clientes.

La incorporación de estas capacidades en su marco de integración de datos reducirá, o tal vez incluso eliminará, la introducción de fallas de datos que afectan negativamente los proyectos de análisis de clientes. También ahorrará tiempo y esfuerzo para solucionar los problemas de integración de datos. A su vez, sus aplicaciones analíticas podrán proporcionar resultados más precisos y ayudar a mejorar las ventas y aumentar el valor comercial.

Este artículo se actualizó por última vez en agosto 2018

Profundice más

Inicie la conversación

Envíenme notificaciones cuando otros miembros comenten sobre este artículo.

Por favor cree un Nombre de usuario para poder comentar.

- ANUNCIOS POR GOOGLE

Close