实时客户360和主数据管理(MDM)

TigerGraph 实现实时 360 度客户分析

41
%
受非一致数据影响的 B2B 营销者比例
100
未清洗的数据造成100倍的使用成本
26
%
营销预算浪费比例
商业挑战
传统解决方案
MDM
客户互动和归因模式
商业挑战
由于各种企业系统和工具数量的激增,造成客户数据具有多个不同版本。每个面向客户的系统和后台系统(包括 ERP、营销自动化、CRM、网站和存储系统)都包含一部分客户数据。这包括交易数据,如订单、保单、支付、索赔,还包括渠道交互数据,如客户服务电话、网站和实体店到访。其中许多存储库 还存储主数据,如姓名、地址和电话号码。

所有这些数据存在大量重复和不一致,因此超过 41% 的 B2B 营销者将这视为他们的最大挑战。在流程中及早发现并解决这些问题,是更好、更廉价的解决方式,如 1-10-100 规则所示:在输入数据时验证数据需要1美元,数据清洗需要 10 美元,未进行清洗的数据可能需要100美元的成本。

不良数据会对结果造成显著影响:营销领导者估计,由于缺乏干净、一致并互联的客户数据, 他们有 26% 的预算花在了无效的渠道和市场推广上。现在,企业比以往任何时候都更希望创建一个实时客户360数据中心并从中存储交易、交互和主数据,用于有效开展营销活动并增加收入。
传统解决方案无法达成目标
传统的客户360分析和 主数据(MDM) 解决方案以关系型数据库为基础构建,关系数据库将帐户、联系人、线索、活动和机会等信息分别存储在单独的表中,每张表对应一种类型的业务实体。对于编制索引和搜索数据以及支持交易和执行基本分析,关系型数据库是非常出色的工具。然而,关系数据库在跨表或业务实体连接以及识别跨多个潜在客户、活动和机会的隐藏关系和模式方面的能力很差。

为了确定能产生机会和收入的潜在客户互动和归因模式,分析师需要连接许多大型表来运行查询并收集数据来进行分析。这种查询可能需要数小时甚至数天的时间才能完成,因此难以进行有意义的分析来确定线索、联系人、活动和机会之间的客户互动和归因。
为什么选择原生并行图数据库 TigerGraph 用于实时客户360 分析/MDM?
基于图的客户实体主数据管理
合并多个数据源的客户数据并非易事。其中实体解析是一个巨大挑战,实体解析用于确定不同数据源的多个实体实际代表的是同一个真实实体,然后将它们合并到一个实体中。举个例子,有三个数据源包含以下类型的客户信息:

源 1(社保号、电子邮件、地址)
源 2(社保号、电话号码、姓名、年龄)
源 3(电子邮件、电话号码、性别)

假设社保号、电子邮件和电话号码中的每一项足以唯一识别个人(即它们都属于 PII,也就是个人身份识别信息)。问题是,不同的源使用不同的标识符,并且单个记录中可能缺少某些信息。随着时间推移,缺少的客户 PII 可能随后记录在另一数据源中。目标是使用我们拥有的任何客户 PII,在所有数据源中找到客户的所有信息(属性),并构建具有以下属性的统一记录:

客户(社保号、电子邮件、电话、姓名、年龄、性别、地址)。

图数据库专用于关联多个数据源以创建单一记录。在本例中,TigerGraph 为每个客户创建一个客户顶点,并将其关联到各个PII 顶点,如社保号、电子邮件、电话号码。接下来,具有相同社保号、电子邮件和电话号码的多个客户实体或点通过业务规则进行合并,这些规则用于处理字段或属性(如年龄和地址)存在不同值时该如何处理。TigerGraph 可使用最近更新日期或其他规则在客户点 U1 的整合记录中填充地址,并管理已知地址列表和源信息以符合法规要求(如欧盟《一般数据保护条例》GDPR)和管理公司信息。
通过图找到客户互动和归因模式
以 GMD Corporation 为例来说明 TigerGraph 如何发掘潜在商机。GMD Corporation 是互联网电子商务巨头,采取多元化经营,其业务包括移动钱包和支付。在图中仔细查看该公司支付部门的“实时欺诈检测”机会,可以看到,这一机会涉及三个利益相关者,包括 GMD 支付的架构师 Sam Eisenberg,他在2018 年 6 月 11 日申请了 tigergraph.com 网站上的免费试用;随后是信用和反欺诈决策支持高级经理 Jamie Walters,他在 2018 年 6 月 21 日注册了 TigerGraph 反欺诈演示测试;最后是数据工程师 Joshua King,他在 2018 年 6 月 23 日注册了TigerGraph 免费试用

销售代表在 6 月 12 日创建了机会,专注于 GMD 支付帐户的欺诈检测。随着我们在 TigerGraph 的 GraphStudio 中深入了解架构师Sam Eisenberg 的客户互动,可以看到,Sam 在 2018 年 6 月11 日申请 TigerGraph 免费试用后,在 6 月 14 日与TigerGraph 进行了一次销售会议。他还在 6 月 11 日注册参加测试来观看 TigerGraph 的反欺诈演示。随后,他在 6 月 21 日参加了第一期网络研讨会 ,这表明该潜在客户对TigerGraph 产品组合的兴趣增加。

在这之后,他在 2018 年 8月 6 日下载了 TigerGraph 基准报告,比较了TigerGraph 与Amazon Neptune、Neo4j、ArangoDB 和 JanusGraph之间的性能差异。在此之后,Sam 与其他 GMD 支付高管又进行了两次销售会议。下载基准报告后的第一次会议是在 8 月 13 日,这是在下载后的一个多星期之后。然后,他们在 2018 年 9 月19 日进行了第二次销售会议,最终,他们在 2018 年 9 月 26日签署了 295,000 美元的最终协议,该 GMD 支付欺诈检测机会就此完成。

TigerGraph 能够分析所有潜在客户的客户互动数据,并将其与Sam及影响协议签署的其他潜在客户的行为记录进行比较。通过这些洞察信息,营销者能够确定培养流程,并基于潜在客户的行为记录来识别围绕特定主题进行销售谈话的客户,从而尽可能将线索转化为机会,并将机会转化为正式协议。
马上试用TigerGraph