Sisu Data

Sisu Data는 머신 러닝을 사용하여 측정기준 성능을 자동으로 분해하고 빠르고 포괄적이며 유용한 인사이트를 제공하는 클라우드 의사 결정 인텔리전스의 선두주자입니다.

Sisu 데이터와 Braze 통합을 통해 모든 캠페인 또는 캠페인 수준에서 측정기준(예: 열람율, 클릭률, 전환율 등)이 왜 변하는지, 그리고 가장 최적의 결과를 이끄는 요인이 무엇인지 이해할 수 있습니다. 이러한 세그먼트가 식별되면 Braze 사용자는 데이터 웨어하우스에서 결과물을 구체화하거나 Sisu에서 Braze로 직접 전송하여 사용자를 리타겟팅하고 재참여시킬 수 있습니다.

전제 조건

요구 사항	설명
Sisu 계정	이 파트너십을 활용하려면 Sisu 계정이 필요합니다.
클라우드 창고	이 통합은 Braze 데이터가 클라우드 웨어하우스(예: Snowflake, BigQuery)에 저장되어 있다고 가정합니다. 이 통합 프로세스를 간소화하기 위해 커런츠를 통해 Braze의 기본 기능을 활용하는 것을 권장합니다.

통합

1단계: 데이터셋을 준비하세요

데이터셋은 Sisu가 분석하기를 원하는 KPI를 나타내야 합니다. 예를 들어, 전환율이 주간 대비 하락한 이유를 더 잘 이해하고 싶다면, 도달 레코드에서 주간 전환을 나타내야 합니다. 데이터 세트의 열은 전환율이 떨어질 수 있는 잠재적 이유여야 합니다.

2단계: 메트릭 만들기

데이터 세트가 준비되면 집계된 열을 참조하는 측정기준을 생성해야 합니다. 데이터 세트는 여러 측정기준을 지원할 수 있으므로 사용자는 기본적으로 모든 분석에 포함해야 할 차원과 포함하지 않아야 할 차원의 세트를 큐레이트할 수도 있습니다. 사용자는 항상 분석 수준에서 큐레이션을 계속할 수 있습니다.

3단계: 분석을 생성

사용자가 사용 사례에 따라 Sisu에서 만들 수 있는 다양한 분석이 있습니다. 가장 일반적인 분석 중 하나는 어떤 세그먼트가 가장 많이 변경되었는지 이해하기 위한 기간별 분석입니다. 사용자는 상대적인 기간을 선택하여 일별, 주별, 월별 또는 커스텀 기간을 분석할지 여부를 결정할 수 있습니다.

예를 들어, 사용자는 특정 광고 그룹 및 인게이지먼트 채널에 대한 월별 전환율 분석을 생성하고 주요 긍정적 요인과 부정적 요인을 이해할 수 있습니다.

• 주요 긍정적 요인
• 상위 부정적 요인

여기에서 참여하거나 캠페인을 수정하려는 코호트에 집중할 수 있습니다. 예를 들어, Sisu는 화요일에 발송된 푸시 알림과 대량으로 발송된 이메일이 전환율에 심각한 영향을 미친다는 점을 자동으로 식별했습니다.

4단계: 결과를 데이터 웨어하우스에 다시 작성하십시오

사용자는 Sisu의 API를 사용하여 Sisu에서 결과를 추출하고 데이터 웨어하우스에 세그먼트를 실현할 수 있습니다. Snowflake 고객은 Cloud Data Ingestion을 통해 Braze에서 이러한 세그먼트를 활성화할 수 있습니다.

다른 데이터 웨어하우스의 경우 사용자는 기존 활성화 솔루션을 활용하거나 추가 지원을 위해 Sisu에 문의할 수 있습니다.

고객지원

이 통합에 대한 질문이 있으면 [email protected]에서 Sisu에 문의하십시오.