Melhore a análise de dados de marketing com Data Clean Rooms e Snowpark Container Services

Espera-se que os engenheiros de dados, que trabalham no mundo acelerado do marketing e da publicidade, forneçam insights granulares, criem segmentações sofisticadas de clientes e avaliem a eficácia das campanhas com alta precisão. Ao mesmo tempo, enfrentam uma série de desafios, incluindo uma série de regulamentações de privacidade cada vez maior e a necessidade sempre presente de proteger dados confidenciais dos clientes.

Para liberar todo o potencial dos dados de uma organização ao navegar nesse cenário complexo, os engenheiros de dados podem usar uma combinação de Data Clean Rooms e Snowpark Container Services do Snowflake.

O desafio da colaboração de dados em um mundo que prioriza a privacidade

Frequentemente, os insights mais valiosos vêm da combinação dos dados próprios de suas organizações com dados de seus parceiros. Por exemplo, talvez você queira:

• Enriquecer os perfis dos clientes com dados de um parceiro secundário para entender melhor seus interesses e comportamentos.

• Construir modelos semelhantes para encontrar novos públicos-alvo semelhantes aos clientes mais importantes.

• Medir a eficácia das campanhas publicitárias unindo dados de conversão aos dados de impressão de um editor.

No entanto, compartilhar informações brutas e de identificação pessoal (personally identifiable information, PII) diretamente com parceiros não é uma boa opção. 

Colaboração segura e análise de dados avançada

Os Snowflake Data Clean Rooms possibilitam um ambiente seguro no qual várias partes podem colaborar com os dados sem expor a identificação pessoal subjacente. Pense em um terreno neutro no qual os parceiros podem reunir dados para análise, mas com controles rigorosos sobre o que pode ser feito e quais dados podem deixar o data clean room.

Para aqueles que querem fazer mais do que apenas junções e agregações simples ou executar modelos complexos de aprendizado de máquina para potencializar a análise de dados de marketing, o Snowpark Container Services eleva os data clean rooms ao próximo nível.

Com o Snowpark Container Services, as equipes agora podem executar código personalizado e até contêineres inteiros do Docker diretamente no Snowflake Data Clean Room de uma organização. Isso significa que elas podem:

• Trazer seus próprios modelos de aprendizado de máquina (por exemplo, desenvolvidos com Scikit-learn, PyTorch ou XGBoost) e executá-los nos dados combinados no clean room.

• Usar suas linguagens e bibliotecas de programação preferidas (como Python) para realizar transformações avançadas de dados e engenharia de recursos.

• Implementar e gerenciar o código como serviço, facilitando a integração dos modelos aos fluxos de trabalho de produção.

Benefícios para marketing e publicidade

O que isso significa para engenheiros de dados de uma organização de marketing ou publicidade? Confira a seguir alguns dos benefícios:

• Melhores insights sobre o público-alvo: una com segurança os dados próprios de uma organização aos dados de parceiros para obter uma visão mais completa dos clientes.

• Modelação lookalike mais potente: crie modelos lookalike mais precisos, treinando-os em um conjunto de dados mais rico e diversificado.

• Melhor medição de campanha: obtenha uma visão mais clara do retorno sobre os gastos com publicidade (ROAS) de uma organização, atribuindo conversões com mais precisão às campanhas de marketing.

• Mais flexibilidade e controle: utilize ferramentas e bibliotecas familiares para criar e implementar modelos em um ambiente seguro e governado.

• Redução do tempo para obter insights: as organizações podem deixar de perder tempo com projetos complexos de integração de dados e começar a obter insights de negócios mais rápidos.

Como criar um modelo lookalike

Imagine um engenheiro de dados de uma marca de varejo que queira encontrar novos clientes semelhantes aos clientes mais fiéis. Eles têm uma lista dos melhores clientes e fizeram parceria com uma editora que tem um grande público de leitores online.

Veja a seguir como o engenheiro de dados poderia usar Snowflake Data Clean Rooms e Snowpark Container Services para criar um modelo lookalike avançado:

1. Configurar um Data Clean Room: tanto a marca quanto o editor disponibilizam os dados de clientes em um Snowflake Data Clean Room com políticas apropriadas, para que nenhuma identificação pessoal seja exposta.

2. Treinar um modelo lookalike: a marca usa um Snowflake Notebook para criar um modelo lookalike usando o XGBoost. O editor pode treinar o modelo com base nos dados combinados no clean room, usando a lista de clientes fiéis como a variável de destino.

3. Implementar o modelo com o Snowpark Container Services: a marca reúne seu modelo e suas dependências em um contêiner e o editor o implementa como um serviço usando o Snowpark Container Services.

4. Pontuar o público-alvo do editor: agora, o editor pode executar os dados do público-alvo em relação ao modelo da marca para obter uma "pontuação lookalike" para cada um. A marca pode então usar essas pontuações para criar um público-alvo personalizado para sua próxima campanha de publicidade.

A combinação dos Snowflake Data Clean Rooms e do Snowpark Container Services oferece uma plataforma segura, flexível e avançada para colaborar com dados e executar modelos avançados de aprendizado de máquina, respeitando a privacidade do usuário e cumprindo os requisitos de conformidade. 

Além disso, com ML Jobs dentro da DCR, que agora está em versão preliminar privada, você pode fazer a mesma implementação baseada em SPCS, mas com um fluxo de trabalho de desenvolvimento de ML simplificado e tempo de execução de ML otimizado. Para testar isso, entre em contato com a equipe da sua conta.

A adoção desse novo modelo de colaboração de dados revela uma grande quantidade de novos insights, gera melhores resultados de negócios e se torna um parceiro ainda mais valioso para as equipes de marketing e publicidade. 

Siga o exemplo passo a passo para configurar os Data Clean Rooms e o Snowflake Container Services aqui. Ele também fornece modelos de notebooks de exemplo que você pode baixar e testar em seu ambiente.

Saiba mais sobre as inovações mais recentes do Clean Room da Snowflake, incluindo novos recursos de IA/ML e a expansão para a colaboração de dados multilaterais.