Erweiterte Kundendimension mit Dynamics 365 Customer Insights

Diese allgemeine Darstellung der Architektur verdeutlicht den Datenfluss aus den Quellsystemen (ERP, CRM, POS usw.) einer Organisation in einen Data Lake in Azure. Dieser Data Lake kann auch als Back-End für Dynamics 365 Customer Insights konfiguriert werden. Wenn ein Data Lake-Back-End vorhanden ist, kann Customer Insights bereinigte erweiterte Kundendaten in den Data Lake laden, damit diese von nachgeschalteten Data Warehouses und Apps als Dimension genutzt werden können.

Aufbau

Laden Sie eine Visio-Datei dieser Architektur herunter.

Von Azure Synapse: serverloses SQL werden die erweiterten Customer Insights-Daten verwendet. Mit Azure Synapse: serverloses SQL wird ein kostengünstiges Entwurfsmuster mit der Bezeichnung „Logisches Data Warehouse“ (LDW) eingeführt. Beim LDW-Muster wird eine Abstraktionsschicht oberhalb von externen Datenspeichern, z. B. Data Lakes, eingeführt, um vertraute Konstrukte vom Typ „Relationale Datenbank“ bereitzustellen, z. B. Tabellen und Sichten. Tools, die SQL Server-Endpunkte unterstützen, können diese Tabellen und Sichten dann nutzen. Im Kontext dieses Beispiels kann Power BI die erweiterten Customer Insights-Daten als Dimensionstabelle aus einer Datenbank beziehen, indem serverlose SQL-Pools in Azure Synapse verwendet werden.

Datenfluss

1. Richten Sie mit Data Factory- oder Azure Synapse-Pipelines verknüpfte Dienste für Quellsysteme und Datenspeicher ein. Für Data Factory- und Azure Synapse-Pipelines werden mehr als 90 Connectors unterstützt, z. B. auch generische Protokolle für Datenquellen, wenn kein nativer Connector verfügbar ist.

2. Laden Sie Daten aus den Quellsystemen in den Data Lake, indem Sie das Tool zum Kopieren von Daten verwenden. Anschließend müssen Sie Daten im Data Lake transformieren, damit diese einem Common Data Model entsprechen. Data Factory-Zuordnungsdatenflüsse unterstützen das Transformieren von Daten als Senken im Common Data Model-Format. Weitere Informationen finden Sie unter Das Common Data Model-Format in Azure Data Factory und Synapse Analytics.

3. Zum Importieren von Daten in Customer Insights müssen Sie eine Verbindung mit einem Common Data Model-Ordner mithilfe eines Data Lake-Kontos konfigurieren. Nachdem Sie Daten in Customer Insights importiert haben, können die unterschiedlichen Kundendaten mithilfe des Datenvereinheitlichungsprozesses (Zuordnen, Abgleichen und Zusammenführen) von Customer Insights verarbeitet werden. Anschließend können Sie die vereinheitlichten Daten in Customer Insights weiter anreichern, indem Sie die Features für Datenanreicherung, Datensegmente und KI-Vorhersagen verwenden.

4. In Customer Insights müssen Sie konfigurieren, dass Daten wieder in den Data Lake exportiert werden. Weitere Informationen finden Sie unter Richten Sie die Verbindung mit Azure Data Lake Storage Gen2 ein.

5. Erstellen Sie ein logisches Data Warehouse im Azure Synapse-Arbeitsbereich. Unter Best Practices für serverlose SQL-Pools in Azure Synapse Analytics können Sie ermitteln, ob Sie weitere Transformationen für die exportierten Customer Insights-Daten durchführen müssen und ob Sichten besser als Tabellen geeignet sind.

6. Customer Insights-Daten im Data Lake werden jetzt als logische SQL Server-Tabellen und -Sichten verfügbar gemacht, die von Power BI problemlos genutzt werden können. Ein Beispiel hierfür finden Sie unter Tutorial: Verwenden eines serverlosen SQL-Pools mit Power BI Desktop und Erstellen eines Berichts.

Komponenten

• Azure Data Lake Storage Skalierbarer und kostengünstiger Cloudspeicher, der von Customer Insights als Ziel für den Export von Daten unterstützt wird.
• Azure Data Factory Datenintegrationsdienst auf Cloudebene für die Orchestrierung des Datenflusses.
• Zielgruppeneinblicke Das Customer Insights-Modul, mit dem Kundendatenquellen vereinheitlicht werden. Darüber hinaus sind Anreicherungen wie Segmentierung, Customer Total Lifetime Value (CTLV) und Kundenabwanderungsbewertung verfügbar.
• Serverlose SQL-Pools in Azure Synapse Werden zum Abfragen von Kundendaten in einem Data Lake per T-SQL und SQL Server-Endpunkt verwendet.

Alternativen

Bei dieser Lösung wird das LDW-Muster (Logisches Data Warehouse) verwendet, um die erweiterten Daten aus Customer Insights zu nutzen. Sie können auch andere Data Warehouse-Muster verwenden.

Bei Data Factory und Azure Synapse werden jeweils Datenintegrationspipelines bereitgestellt. Im Artikel zur Featureparität finden Sie hierzu eine Gegenüberstellung.

Szenariodetails

Mit Dynamics 365 Customer Insights kann eine umfassende Übersicht über die Kundendaten erstellt werden, indem Daten aus Transaktions-, Verhaltens- und Beobachtungsquellen vereint werden. Anschließend können Sie diese umfassende Kundendatenübersicht in Data Lakes und Data Warehouses eines Unternehmens als erweiterte Kundendimension verfügbar machen.

In diesem Artikel werden die verfügbaren Dataflows, Produktintegrationen und Konfigurationen für die Erstellung einer erweiterten Kundendimension beschrieben, die von Analyseplattformen außerhalb von Dynamics 365 und Customer Insights genutzt werden kann. Zielgruppeneinblicke ist das Feature von Customer Insights, mit dem Sie Kundendatenquellen zusammenfassen und Kundenprofile erweitern können. Weitere Informationen finden Sie in der Übersicht über Zielgruppeneinblicke.

Die folgende Tabelle enthält ein Beispiel für erweiterte Kundendatensätze, die über den Customer Insights-Prozess zur Zusammenfassung von Daten erstellt werden. Bei diesem Prozess werden Kundendaten aus mehreren Quellsystemen bereinigt und zusammengeführt. Darüber hinaus können Kundendatensätze mit Customer Insights auch mit Attributen wie Abwanderungsbewertungen und Markenaffinitäten angereichert werden. Hier sind einige fiktive Beispiele für diese Art von Datensatz angegeben:

Mögliche Anwendungsfälle

Diese Architektur ist für alle Organisationen geeignet, die Datensätze erstellen müssen, für die Daten aus mehreren Quellen abgerufen werden.

Diese Lösung ist für den Einzelhandel optimiert.

Beitragende

Dieser Artikel wird von Microsoft gepflegt. Er wurde ursprünglich von folgenden Mitwirkenden geschrieben:

Hauptautor:

• Jon Dobrzeniecki | Cloud Solution Architect

Nächste Schritte

• Microsoft Learn: Erkennen der Kundenabsicht mit Dynamics 365 Zielgruppeneinblicke
• Tutorial: Untersuchen und Analysieren von Data Lakes mit einem serverlosen SQL-Pool
• Tutorial: Erstellen eines logischen Data Warehouse mit serverlosem SQL-Pool
• Erste Schritte mit Azure Synapse Analytics
• Übersicht über Customer Insights
• Analysieren von Daten in einem Speicherkonto
• Integrieren mit Pipelines

Zugehörige Ressourcen

• Entwurf der Analysearchitektur: Erste Schritte
• Auswählen eines Analysedatenspeichers in Azure
• End-to-End-Analyse mit Azure Synapse