第2章中，我们学习了数据云（Data Cloud）架构是如何从零开始构建的，使得 Salesforce 客户数据平台（CDP）独具特色。与仅使用批处理的传统 CDP 不同，数据云能够以近乎实时的方式运行，提供最新信息，以便立即采取行动。这为将 Salesforce 数据云作为第一方数据策略一部分的组织开辟了许多新的可能性。
上一章介绍了数据云的技术基础。在本章中，我们将了解 Salesforce 数据云如何为整个组织带来诸多益处。你将了解到赋能功能团队的价值创造过程，并通过这些关键的价值活动，帮助企业转型为面向未来的组织。我们将讨论企业如何利用这些关键价值活动，并简要介绍由数据云实现的12个不同的关键业务价值活动。
在后续章节中，我们将深入探讨这12个关键业务价值活动以及如何实现它们。本章的目的是让你对这些活动有所了解，以便你能以最终目标为导向开始规划。实施数据云的过程类似于规划一次度假，你首先需要决定目的地，然后才能规划路线。知道最终目的地后，还会决定是带上冬季外套和厚袜子去山上滑雪，还是带上凉鞋和泳衣去热带地区浮潜。当然，你也可以在最后一刻购买机票，在现场安排酒店房间，并在到达后购买衣物和行李箱。然而，你将只能选择有限的现成物品，并且你为这次度假支付的总费用将远高于提前计划时的成本。同样地，以最终目标为导向启动数据云之旅，实际上可以加速价值实现的时间，并以更加经济有效的方式完成。
通过数据和人工智能民主化实现目标
Salesforce 是数据民主化趋势的先驱，并以其低代码/零代码平台赋能业务人员而闻名。低代码/零代码平台减少了手动编码的需求。相反，终端用户可以利用预构建的组件，并通过可视化、拖放的元素进行应用程序开发和自动化工作流程。Salesforce 数据云是终极的低代码/零代码客户数据平台，其构建方式使得在数据云平台上工作的用户通常无需使用 SQL。
在数据云平台中，SQL 代码只在创建流数据转换（Streaming Data Transforms）时才需要，而且并非每个数据云实施都需要流数据转换。在其他所有情况下，数据云为用户完成了繁重的工作，用户只需通过点击界面的无代码用户界面即可操作。数据民主化使得有价值的公司数据能够轻松地被那些角色通常不属于传统 IT 职能的员工访问和理解。Salesforce 数据云利用这一数据民主化成就，帮助员工为人工智能时代做好准备。
为了更好地利用预测和生成式 AI 的能力，Salesforce 数据云与 Salesforce Einstein 1 平台集成。数据云汇集了所有数据，从第一方数据到第三方数据，以及所有类型的数据，包括非结构化数据。然后，Einstein 1 平台利用这些丰富的数据云数据、Salesforce CRM 数据、低代码/零代码开发活动以及 AI 功能，在一个由 Einstein 信任层包围的全面平台中进行操作。Einstein 信任层包括一套协议、安全技术，以及支持 AI 民主化的数据和隐私控制，这些控制使得角色通常不属于传统 IT 职能的员工能够使用 AI。
数据云提供了构建块，支持将员工的工作转向一种更具对话性和直观性的 AI 方式，从而更快地发现新的机会并实现目标。从数据云中提取的价值有助于组织实现这些重要目标，有时也被称为组织主题。尽管并非所有组织都有相同的最终目标，但以下是组织可能从数据云实施中受益的五种战略方式：
- 提高运营效率
- 增强客户关系
- 解锁隐藏的机会
- 降低风险并增强合规性
- 实现可持续增长
为了更好地解释数据云如何提供业务价值，帮助组织实现这些目标，我创建了一个分类系统，描述了使用 Salesforce 数据云实现组织目标所涉及的步骤、组件和活动（图 3-1）。
首先，在从数据云中提取价值之前，需要完成六个基础步骤。这些步骤包括创建数据连接、建立数据摄取、执行数据建模、构建数据转换、完成数据映射以及通过身份解析流程生成统一的用户档案。
我们将在后续章节中详细了解这六个数据云基础步骤的每一个： 步骤 1：创建数据连接器（第 4 章和第 6 章） 步骤 2：建立数据摄取（第 6 章） 步骤 3：执行数据建模（第 7 章） 步骤 4：构建数据转换（第 8 章） 步骤 5：完成数据映射（第 9 章） 步骤 6：进行身份解析（第 10 章）
最后一个基础步骤——身份解析——的结果是生成一个统一的个人档案，这也是数据云的核心目的之一。正如我们在第 1 章中所学到的，客户数据问题通常使得无法获得完整的客户视图。这正是像 Salesforce 数据云这样的 CDP 大显身手的地方。数据云可以构建单一真实来源（SSOT）的视图，提供完整的客户视图。
作为组织第一方数据策略的一部分，数据云将分散的数据孤岛缝合在一起，形成一个 360 度的客户视图。但拥有这个 SSOT 的客户视图还不足够。我们需要探索数据，提取见解，并将 360 度客户视图的数据打包，以便在需要时能够实时采取行动。我们通过构建数据云的组成组件来实现这些目标。我们将在后续章节中探讨多个数据云的组成组件：
- 计算、流式和实时见解（第 11 章）
- 细分群体（第 12 章）
- 数据图（第 13 章）
- 向量数据库（第 13 章）
- 搜索索引（第 13 章）
虽然这些组成组件确实非常有用，但真正的价值在于能够利用这些流式见解、细分群体、数据图、向量数据库和搜索索引，来参与关键价值活动。因此，组成组件是价值创造的前提。
本章的主要重点是简要概述我们将在后续章节中详细探讨的各种价值活动。如第 2 章所述，是否能够真正实时执行某一特定的价值活动，部分取决于用于该价值类别的源数据是以流式方式还是批量方式摄取的。
Salesforce 为支持数据云平台作为一个开放且可扩展的平台，开发了一些新的关键价值活动，这些活动可以连接并集成到 Salesforce 零复制合作伙伴网络中的受信任合作伙伴。零复制合作伙伴网络使得在不复制数据源的情况下，可以连接和操作合作伙伴网络中的任何数据。零复制技术合作伙伴包括亚马逊、Databricks、谷歌、微软和 Snowflake。我们将在第 13 章中详细了解合作伙伴网络。
以下是 12 项数据云关键价值活动及其讨论章节：
- 数据云增强功能（第 11 章）
- 生成式 AI：使用结构化数据作为大型语言模型（LLM）基础资源（第 13 章）
- 生成式 AI：使用数据图增强 LLM 搜索功能，实现近实时搜索（第 13 章）
- 生成式 AI：使用向量数据库增强 LLM 搜索功能，用于非结构化数据（第 13 章）
- 数据操作和数据云触发流程（第 11 章）
- 激活细分群体（第 12 章）
- 预测性 AI 机器学习见解（第 13 章）
- 分析和智能数据可视化（附录 B）
- 统一的同意存储库（第 7 章）
- 编程式数据提取（第 11 章）
- 外部平台数据共享（第 13 章）
- 生成式 AI：链接和使用自定义 LLM（第 13 章）
你会注意到，这 12 项活动中有 4 项与生成式 AI 相关，其中一项利用了与外部数据平台的双向数据共享能力。这些都是全新的 Salesforce 功能，当然，它们都是为与数据云配合使用而构建的。虽然可以将 Salesforce CRM 数据用作 LLM 的基础资源，但其他三项生成式 AI 功能和双向数据共享需要访问数据云功能和/或数据云数据。
正如所提到的，你会在图 3-1 中看到，在达到数据云关键价值活动层级之前，需要采取基础步骤并构建组成组件。这些步骤将在后续章节中详细说明，但在此引入它们表明了它们的重要性。从 Salesforce 数据云中提取价值依赖于这些基础步骤的完成以及组成组件的构建。
构建您的数据云词汇表
与任何新技术平台一样，尤其是像 Salesforce 数据云这样全面的平台，您需要了解一些关键术语，以便能够准确表达相关概念。在谈论 Salesforce 数据云的运作方式及其如何创造价值时，使用相同的术语非常重要。
如果您是工程师、开发人员、管理员或架构师，可能是负责数据云实施的团队成员之一。如果是这样，您需要与团队内的成员以及团队外的利益相关者进行沟通。您可能是一名业务分析师，负责收集需要传达给实施团队的需求，或者您可能负责为数据云项目准备投资回报率（ROI）评估，这就需要与其他多方沟通，以了解数据云在您组织中的应用潜力。团队之间的沟通需要使用共同的词汇。
在第 2 章中，您已经接触了一些新的数据云术语，这一章将介绍更多关键术语，帮助您构建数据云词汇表。
本章使用的关键术语
- 激活（Activation）
- 自带数据湖（BYOL，Bring Your Own Lake）
- 自带大型语言模型（BYOLLM，Bring Your Own Large Language Model）
- 自带模型（BYOM，Bring Your Own Model）
- 计算见解（CI，Calculated Insight）
- 计算见解对象（CI object）
- 数据操作（Data action）
- 数据图（Data graph）
- 数据湖对象（DLO，Data lake object）
- 数据模型对象（DMO，Data model object）
- 数据源对象（DSO，Data source object）
- Einstein 1 平台（Einstein 1 platform）
- Einstein 助理（Einstein Copilot）
- 数据统一（Harmonization）
- 身份解析（Identity resolution）
- 模型构建器（Model Builder）
- 预测见解（Predictive Insight）
- 提示构建器（Prompt Builder）
- 细分（Segmentation）
- 流式见解（Streaming insight）
- 统一档案（Unified profile）
- 可视化见解（Visualization insight）
如果在阅读本章时尚未完全理解每个术语的含义也没关系；本章的目的是向您介绍这些将在后续章节中更详细讨论的新术语。现在熟悉一些关键术语将有助于您更好地理解数据云的功能。您可以在术语表中找到关键术语及其定义的完整列表。
价值创造过程
数据云提供了一套丰富的功能，企业可以利用这些功能为其组织提取价值。数据云使用现成的（OOTB）连接器，从不同来源摄取数据，这些数据可以用来大规模统一客户数据。经过统一和调和的数据可以丰富 CRM 数据，并用于创建细分群体和预测性见解，同时提供追溯到原始来源的能力。数据云还允许您为内部团队和客户创建更加自动化和互联的体验。
数据云提供了多种功能，您可以在 Salesforce 数据云实例中以多种方式构建这些功能。贵组织将如何具体使用数据云来提取价值，取决于您拥有多少不同的数据源、数据的规模、您目前在数据民主化旅程中的位置，以及许多其他因素。
实施数据云的组织通常是因为其数据存在于多个记录系统中，包括外部数据源和各种 Salesforce 平台内的系统。因此，很可能存在数据依赖关系，使得快速实施复杂的数据云用例或同时实施多个用例变得困难且耗时。因此，我们需要分别和整体地评估这些数据云价值类别。首先，我们需要考虑的是，某些类别可能对特定职能角色带来的价值比其他类别更多。您会希望确保这些角色中的人员有机会权衡哪些用例是他们的首要任务。
对于首次实施数据云的情况，最佳实践是您的团队专注于能够以现有数据快速实现价值的关键用例。因此，您的组织需要从各种价值类别中选择并优先考虑用例。了解特定用例能为各团队带来的价值，将帮助您更容易地识别高影响、低实施难度的用例。
请意识到，数据云有可能对整个组织产生重大影响，因此重要的是对数据云的价值创造过程采取整体视角。理解数据云如何运作以及它能提供什么的整体视角，会影响它在您的组织中的引入方式。
此外，利益相关者必须理解，在构建组成组件并从数据云中提取价值之前，必须完成六个必要的基础步骤（图 3-2）。它并不是“即插即用”的。
当我们回顾这个图表时，更多的内容变得非常明显。首先，您会注意到，DMO（数据模型对象）是所有组成组件的来源，因此也是所有下游价值活动的来源。统一档案是一种特殊类型的 DMO，它是身份解析过程的结果，而 DMO 是数据云中的一些基本数据存储对象。
在第 2 章中，我们讨论了这些 DSO（数据源对象），并了解到 Salesforce 管理着所有数据云存储的底层架构。在数据云用户界面中，DLO（数据湖对象）和 DMO 元数据可以由 Salesforce 用户进行管理。DLO 是从 DSO 创建的，它们会在用户界面中自动或手动映射到标准和自定义的 DMO。具有适当访问权限的用户可以添加任何新的自定义字段，并创建完成数据建模、数据转换和数据映射过程所需的新自定义 DMO。
请注意，您需要先完成这些基础步骤（图 3-3），才能使用 DMO。前五个基础步骤是创建任何组成组件并从 Salesforce 数据云中提取价值的绝对前提，这五个步骤不是可选的。第六个基础步骤——身份解析——是细分群体和相关列表增强的必要条件，对于许多其他价值活动也非常重要。
DMO（数据模型对象）的重要性不可低估。它们是所有组成组件的构建块，最终也是所有下游价值活动的基础。从数据云中提取的价值将完全取决于您的 DMO 中的数据质量，因此，在数据建模、数据转换和数据映射过程上投入的时间是非常值得的，因为一旦这些过程实施后，要修改或逆转将非常困难。
第 7 章和第 9 章将分别详细介绍数据建模、数据转换和数据映射。第 4 章和第 6 章将帮助您设置数据连接器和数据摄取流程。在完成创建相关 DMO 的前五个必要基础步骤后，您需要通过身份解析过程创建统一档案，这在第 10 章中有详细说明。
创建统一档案非常重要，因为身份解析生成的统一档案是进行细分群体和相关列表增强的前提。在数据云中实现细分，身份解析过程是必需的，因为细分只能在档案对象上创建。此外，统一档案通常是其他组成组件的输入，最终也是下游价值活动的输入。
DMO 被用于组成组件，包括用于创建计算和流式见解、构建细分群体以及创建数据图和向量数据库的组件。最终，这些组成组件将提供提取价值所需的输入，以数据云增强、数据操作、机器学习预测等形式呈现价值。我们将在后续章节中学习如何创建见解、构建细分群体以及创建数据图和向量数据库。
数据云关键价值活动
正如我们在第 1 章中所学，许多公司需要一个可以受益于 CDP（客户数据平台）的第一方数据战略解决方案。Salesforce 数据云对许多组织来说是一个显而易见的选择，因此不出所料，Salesforce 在 2024 年首次发布的 Gartner 客户数据平台魔力象限中被评为领导者，以表彰其数据云平台的卓越表现。
由于多种原因，数据云天生具备使组织（特别是那些已经使用 Salesforce CRM 的组织）缩短价值实现时间的能力。数据云集成了 Salesforce 预构建的连接器，使数据摄取变得快速且简单，同时包含数据建模最佳实践的 Salesforce 标准元数据已原生于平台中，并可以立即使用。Salesforce 还内置了一个安全信任层，数据云用户界面对 Salesforce 终端用户来说已经十分熟悉。
Salesforce 的优势之一在于其多云能力。因此，现有的 Salesforce CRM 客户通常可以通过将数据云作为他们的首选 CDP 来利用他们现有的 Salesforce 投资。一旦实施，数据云可以通过多种方式为企业创造业务价值（图 3-4）。
在本书中，我们将深入学习如何设置数据云连接器和数据流，以便将外部数据源和 Salesforce 数据云源数据导入数据云。我们将学习如何在工作流程中利用 Salesforce 平台内的 AI 功能，使用 Einstein Studio 触发的提示和 Einstein Copilot。我们还将探索如何通过数据操作、激活细分群体、分析商业智能工具和平台、编程式数据提取以及双向数据共享来外部使用数据云数据。
在讨论数据云关键价值活动时，一些事情会变得更加明显。特别是，我们将更深入地理解数据云作为一个开放且可扩展的平台的性质。数据云使用自带数据湖（BYOL）的双向数据共享能力，并利用 Einstein Studio 的自带模型（BYOM）和自带大型语言模型（BYOLLM）功能，充分发挥某些组织已经投资的平台和工具的优势。
让我们首先来看一下数据云增强功能，这是一种大多数 Salesforce 用户都熟悉的关键价值活动类型。
数据云增强功能
大多数第一方 Salesforce CRM 数据存储在销售和服务云中，包括个人账户、联系人、潜在客户、机会和案例对象。数据云可以通过显示选定的计算见解（CI）或来自 DMO 的其他字段来丰富这些 CRM 信息。CI 的目的是聚合 DMO 数据或从数据中得出评分。
目前，可以使用对象管理器将数据云增强功能应用于账户、联系人和潜在客户对象。然而，很快就可以在设置中丰富以下 Salesforce 对象：账户、资产、案例、联系人、金融账户、车队、个人、潜在客户、位置、机会、车辆、工作订单和工作订单行项目。
您可以通过两种方式使用数据云来丰富 CRM 个人账户、联系人和潜在客户数据。第一种方式是通过相关列表显示客户互动数据，您可以展示来自支持的 DMO 的多个不同源系统或业务单元的信息和互动。例如，相关列表增强功能可以通过数据云相关列表显示某个联系人的营销云邮件互动。
另一种方式是使用复制字段增强功能，从 DMO 或 CI 对象中显示特定字段值。例如，您可以显示一个 CI 对象，该对象提供根据多个源系统聚合数据计算出的某个客户的生命周期价值评分。
成本影响
数据云复制字段增强功能使用批处理作业在数据云和您的 CRM 组织记录之间同步数据。数据云相关列表增强功能在 Salesforce CRM 中访问时也会产生查询成本，这与 Salesforce CRM 中的大多数其他相关列表不同，它们通常不会产生查询成本。
正如我们将在第 11 章中看到的，数据云增强功能可以通过 Salesforce 设置对象管理器中的 DMO 和 CI 对象轻松创建。要使数据在 DMO 中可用并用于 CI，需要完成基础步骤。
使用数据云 DMO 和 CI 对象创建数据云增强功能是数据云实施过程中实现快速成功的一种方式。其他数据云价值类别可能对数据云实施的投资回报率（ROI）产生更大的影响，但它们可能需要更多的规划和努力。一个例子是构建支持生成式 AI 功能所需的数据云框架，以提高生产力和准确性。
结构化数据的大型语言模型基础资源
生成式 AI 为组织带来了自动化人类工作、改善客户和员工体验的可能性。然而，实施 AI 并不容易。通常需要大量的时间、金钱和专业知识。幸运的是，对于 Salesforce 用户来说，Salesforce 内置了 AI 工具，使用户能够在正常的工作流程中利用 AI 功能。Salesforce 通过其 Einstein 1 平台实现了 AI 民主化。
Salesforce 通过让用户选择数据作为提示中的资源，轻松实现了生成工具自动访问 Salesforce CRM 和数据云数据的功能。例如，使用 Prompt Builder 的“点击而非编码”界面，在构建提示以撰写个性化电子邮件时，可以轻松地将数据云中的字段值纳入其中。将提示与组织的特定业务背景和客户数据结合起来的概念也称为“基础化”（grounding）。如果您还不太清楚 Salesforce Prompt Builder 和生成式 AI 功能的工作原理，请不要担心。我们将在第 13 章中详细介绍 Einstein 1 平台。
使用数据图和向量数据库增强大型语言模型搜索
在第 13 章中，我们将了解到商业数据对于组织的 AI 战略是多么重要。在数据云中，向量数据库和数据图是充满丰富商业数据的强大组成组件。它们用于为 Einstein Studio 提供上下文提示。
数据云中的向量数据库允许您利用非结构化数据和结构化数据的结合力量。非结构化数据包括 PDF、文本文件、社交媒体内容、传感器数据、照片和音频文件。按数据量计算，非结构化数据占据了多数，因此其重要性不可低估。我们将在第 13 章中学习向量数据库。
我们还将学习数据图，它们是预先计算或实现的数据云数据视图，使得几乎可以实时使用您的数据云数据。通过 Einstein Copilot 生成式 AI 助理，使用数据图和向量数据库来增强 Einstein Studio 提示成为可能。我们还将探索其他方法来调用预构建的 Einstein Studio 提示（图 3-5）以及 Einstein Copilot 标准和自定义操作，我们将在第 13 章中详细探讨这些方法。
我们之前提到过，商业数据对于 AI 战略至关重要。数据很重要，重要性不言而喻。请记住，成功的数据云实施依赖于良好完成基础步骤，以确保有足够的高质量数据来支持 Einstein 1 平台的生成式 AI 功能。构建数据图和向量数据库所需的基础步骤同样适用于其他数据云关键价值活动，例如数据操作。
数据操作和数据云触发的流程
数据操作是当特定条件满足时，由数据云发送到预定义目标的事件。数据操作的目标包括平台事件、webhook 和 Salesforce 营销云。然后，数据操作目标使用这些事件来触发它们自己的下游业务流程。
计算和流式见解都可以用作数据操作的输入（图 3-6）。当数据操作由流式见解驱动时，可以实现近乎实时的结果。例如，客户服务代表可以收到一个数据操作的提醒，通知他们有客户在联系服务部门之前，曾浏览过公司网站上的故障排查页面。
数据操作将在第 11 章中详细描述。现在需要知道的一件重要事情是，数据操作非常强大。例如，数据操作可以基于 DMO 或 CI 对象值的变化，将某个个体单独发送到一个营销旅程中。这是实现 1:1 细分和个性化的终极方式。当然，仍然可以通过激活细分群体将客户群体发送到营销旅程中。
激活细分群体
激活细分群体是数据云最常见且最强大的用例之一。数据云可以利用大量数据来创建提供个性化客户体验的细分群体。您还记得，身份解析必须完成以创建统一档案，因为统一档案是数据云细分的必要条件。数据云细分的另一个有趣方面是，它可以接受机器学习输入，并从 Tableau 接收细分数据到数据云中（图 3-7）。
我们将在第12章探讨细分和激活，届时将介绍高级细分选项，如 Einstein 相似受众细分、嵌套细分和瀑布细分。当前的数据云细分功能已经非常强大，预计未来的版本将变得更加完善和精细化。
在数据云中创建的细分群体通常会被激活到 Salesforce 营销云中。激活后的数据云细分会自动创建营销云的数据扩展，这些扩展随后用于将客户引入营销云旅程。营销旅程管理客户生命周期的所有阶段，因此可以连接到许多不同的营销活动和促销活动。
其他可能的激活目标包括像 LinkedIn 和 Google Ads 这样的外部平台，以及像 Amazon S3、Secure File Transfer Protocol (SFTP)、Microsoft Azure Blob 和 GCS 这样的文件存储目标。此外，数据云本身也可以作为一个激活目标，用于发布到其他 Salesforce 应用程序，如忠诚度管理云和商业云。
将某人引入营销云旅程可以通过激活或数据操作来实现。激活通常一次性将多个个体发送到营销旅程中，而数据操作则根据 DMO 或 CI 对象值的变化，一次性将一个个体发送到旅程中。正如我们在“数据操作和数据云触发的流程”中所见，将个体发送到旅程中只是数据操作的众多可能性之一。相比之下，激活的主要目的是将细分群体发送到激活目标，以便纳入营销旅程。
如前所述，数据云细分有许多输入，包括统一档案、其他 DMO、CI、流式见解以及来自 Tableau 的细分信息。从图 3-7 中可以看出，机器学习预测也被用于帮助数据云细分。除了对细分有用之外，机器学习预测还有许多其他用途和好处。
预测性 AI 机器学习见解
对于数据云用户而言，机器学习预测可以帮助营销人员创建更相关的细分，以提高转化率、改善交叉销售机会，并增加折扣的影响力等。服务团队可以利用预测性见解来减少升级的可能性、提高净推荐值，并降低客户流失的风险。
在数据云应用程序中，您可以利用模型构建器功能。模型构建器是 Salesforce Einstein 1 平台的一部分，允许您从零开始构建自己的机器学习模型。或者，您也可以利用由数据科学团队使用 Amazon SageMaker、Databricks 或 Google Vertex AI 构建的连接模型。这些通常被称为数据云自带模型（BYOM）功能。无论是通过 Salesforce 内部构建的预测模型，还是使用外部模型如 Amazon SageMaker，模型都会使用存储在数据云中的数据。
使用 Salesforce 模型构建器创建的机器学习预测可以作为细分的输入。模型构建器的预测对于组织内的其他团队也很有用。例如，财务团队可以受益于包含数据云数据和其他企业数据的预测性见解。这些用例包括更好地预测收入、降低成本、最大化利润率和减少合规风险的能力。
组织内的各个团队通常会使用商业智能（BI）工具和分析平台，通过创建视觉化的图表和仪表板来理解机器学习预测及其下游影响。
分析和智能数据可视化
分析工具和平台提供可视化见解以及其他方式来发现和解释数据中的模式。具体来说，Salesforce CRM 分析应用程序可以在 Salesforce 核心平台内访问。此外，还可以使用像 Tableau 和 Microsoft Power BI 这样的外部 BI 平台，并且还有 Salesforce 原生智能应用程序，可以使用现成的功能快速呈现某些见解。
例如，Salesforce Segment Intelligence 提供了一种方式，帮助营销人员衡量和增加其营销活动的影响力（图 3-8）。Segment Intelligence 结合了数据云和 CRM 分析的功能，提供了跨多个渠道、互动类型和转化来源的细分见解。设置完成后，Segment Intelligence 可以通过可操作的绩效见解帮助提高组织的 ROI，从而利用更相关的受众和活动。
组织选择特定的CRM分析工具或多个可视化平台的原因多种多样。尽管本书不会对特定的BI工具进行比较或提供理由，我们的讨论将主要集中在CRM分析应用、Tableau和Segment Intelligence平台，因为这些是Salesforce的分析和可视化产品。
除了像Segment Intelligence和Amazon Insights这样的专业智能应用外，组织通常使用分析工具来汇总和分析细分效果。利用Tableau将客户数据与外部数据（如产品或销售数据）结合起来进行分析，尤其有助于此。还可以在Tableau中分析Data Cloud的数据空间，以深入了解品牌或渠道。
除了细分信息外，CRM分析和Tableau都是可视化CI（客户洞察）和Data Cloud DMO（数据管理对象）信息的绝佳工具。战略家们通常在汇总层面使用分析，而其他一些团队则更倾向于使用更细化的单个客户数据和洞察。总之，分析和智能数据可视化为组织提供了做出更好战略决策、提高市场营销、销售和服务团队效率和效果所需的信息。
统一同意存储库
市场营销、销售和服务团队应以所有正确的方式与客户沟通，因为向客户和潜在客户发送不必要的通讯不仅是糟糕的商业实践——它也是违法的。在没有全面了解客户的情况下，很容易违反隐私和反垃圾邮件法律，而且不同数据孤岛之间的客户退出偏好也未共享。
Data Cloud可以通过将来自多个分散来源的同意汇总到一个统一的同意存储库中，帮助创建更具一致性的客户偏好数据策略。这得益于Salesforce同意数据模型的应用。有关同意数据模型的更多信息请参见第七章。
除了支持同意汇总的标准数据模型外，还可以使用Salesforce Flow操作将同意数据按需导入Data Cloud。这确保了您在Data Cloud中拥有最新的同意偏好。有关使用Flow操作按需导入的更多信息，请参见“按需导入API连接器”。
数据的程序化提取
有时，需要程序化地从来源中提取数据或元数据，以便在另一个工具或平台中使用。程序化提取这些信息可以让您更好地控制提取的方式和内容。例如，您可以使用Profile API在Data Cloud中专门查找和搜索与客户资料相关的信息，并将其包含在您的外部Web或移动应用中。还可以使用Python连接器以pandas DataFrame的格式从Data Cloud中提取数据。第十一章讨论了如何从Salesforce Data Cloud程序化提取数据和元数据。
与外部数据平台的双向数据共享
我们刚刚讨论了如何使用DMO、CI、细分数据和其他Data Cloud数据来创建洞察和其他目的。我们还提到这些数据可以程序化地提取以在Data Cloud外部使用。此外，这些数据也可以在无需传输数据副本的情况下与外部平台共享。与外部平台共享Data Cloud数据也称为数据输出能力。
一些外部数据平台如Snowflake、Google BigQuery和Amazon Redshift可以通过数据共享从Salesforce Data Cloud接收DMO数据、洞察、细分数据、数据图表等。这些数据共享可以在Salesforce之外以可信的方式使用，包括利用Data Cloud数据在定制的应用程序上创建更个性化的用户体验。
外部平台的数据也可以通过数据输入能力共享到Data Cloud。这些外部共享的数据可以与Salesforce Data Cloud数据进行联接，而无需移动数据。
这种双向共享有时被称为Data Cloud中的BYOL（Bring Your Own License）能力。这得益于Salesforce Data Cloud的独特架构以及与Google和Snowflake等可信技术合作伙伴的合作。这对那些已经在这些其他平台上进行了投资的组织来说是个好消息。
数据共享方法意味着组织可以以安全和受管控的方式访问各种平台上的实时数据，从而最大限度地减少传统ETL（提取、转换、加载）方法带来的风险、成本和挑战。存储在外部平台上的数据通过联邦访问在Salesforce Data Cloud中变得可访问，而存储在Data Cloud中的数据则通过数据共享在外部平台中变得可访问。有关双向数据共享的更多细节将在第十三章讨论。
链接自定义大型语言模型
通过Salesforce Data Cloud中的Salesforce Model Builder，您可以从外部平台链接自己的自定义大型语言模型（LLM）。例如，Microsoft Azure OpenAI和IBM watsonx。
这种新的BYOLLM（Bring Your Own Large Language Model）方法使您能够在将模型部署到生产环境之前，在沙箱环境中配置新的LLM模型并测试提示。有关BYOLLM的更多信息请参见第十三章。
其他关键价值活动
我们在本章中简要描述了12个关键价值活动，未来章节将对这些活动进行深入探讨。使用Salesforce Data Cloud实现的商业价值不仅限于这12个价值活动。例如，在创建必要的关系后，您可以在Apex编码中使用SOQL访问Data Cloud对象。使用Apex与Data Cloud对象结合时，甚至可以管理字段级和记录级访问。
Data Cloud是一个开放和可扩展的平台，提供了多种选项，可以利用组成组件构建新的创新价值活动。随着Salesforce Data Cloud平台的不断发展，我们可以期待更多的组成组件来构建更多的价值。Salesforce Data Cloud继续成为一个创新和快速发展的平台。
Data Cloud的定义
我们已经回顾了从Cloud中提取价值的12种不同方式，但同样重要的是要指出Data Cloud并不是哪些东西。
我们之前描述了如何使用BI平台和工具分析Data Cloud数据以创建可视化洞察。需要注意的是，这些BI工具是Salesforce Data Cloud之外的工具。CRM分析作为Salesforce CRM核心平台中的一个应用程序可以访问，但它是一个完全独立的平台。Data Cloud不是BI平台，尽管可以在BI平台和工具（如CRM Analytics、Tableau和Power BI）中使用Data Cloud数据。
Data Cloud包括多个预构建的连接器，使其能够从许多来源中导入数据，并在Data Cloud UI中提供一些数据转换功能。然而，Data Cloud既不是ETL工具，也不是数据清洗工具，也不是备份和灾难恢复平台。
Data Cloud不是同意管理平台，但它可以从不同来源汇总同意。Data Cloud还可以处理数据删除请求。通过Consent API提交的数据删除请求将删除指定的个人实体以及与该实体的标识属性和个人ID属性之间定义了关系的任何实体。
重要的是，Data Cloud创建的是一个统一的档案，而不是通常在主数据管理（MDM）平台中找到的金标准记录。Data Cloud不是MDM平台，但可以与其协同工作。
Data Cloud是一个接近实时的CDP（客户数据平台），可以为组织内的多个功能团队提供价值。在接下来的部分，我们将探讨不同功能角色如何从Data Cloud中提取价值。
按功能角色获取的价值
大多数组织根据市场营销、销售、服务、支持、运营、数据科学、战略和研发等功能角色创建内部团队。执行这些角色的个人可以从Data Cloud应用程序中获得价值，前提是他们已被授予访问权限。或者，他们可能没有直接访问Data Cloud的权限，而是可能成为Data Cloud价值的下游接受者。一些下游价值类别的例子包括Data Cloud丰富信息、预测洞察和分析可视化洞察。因此，直接访问Salesforce Data Cloud应用程序并不是从Data Cloud平台中获得价值的必要条件。
在这里，我们不关注对Data Cloud应用程序的访问或如何设置Salesforce Data Cloud架构的具体细节。这将在后面讨论。正如我们将在后续章节中了解到的，Data Cloud的访问权限是基于用户角色而不是功能角色决定的。例如，Data Cloud角色包括Data Cloud管理员、Data Cloud用户、市场营销管理员、市场营销经理、市场营销专家和数据意识专家。例如，市场营销团队的不同成员可能会被映射到不同的角色，因此获得不同的Data Cloud访问权限。
在Salesforce中，角色是基于用户在其角色中执行的一般任务。描述这些任务时，一个重要的考虑因素是定义该角色完成任务所需的数据的详细级别。详细级别是指数据收集、分析和使用的细节层次。低详细级别的数据包含的信息较少，而高详细级别的数据包含的信息更多。
汇总数据或聚合数据，如按区域划分的总销售额，是低详细级别数据的一个例子。整个组织的年度总销售额的详细级别更低。个别客户销售记录是高详细级别数据的例子。
不同的职能团队成员可能需要不同级别的详细数据来完成任务。因此，某些价值类别可能对某些角色更有用，因为这些价值类别在更详细的层面上提供了价值。
最高详细级别的价值
Data Cloud丰富信息、GenAI能力、数据操作、细分激活和预测AI机器学习洞察揭示了需要高详细级别数据访问的任务所需的数据。例如，在前面的部分中，我们了解到Data Cloud丰富信息显示在个别Person Account、Contact或Lead记录上。数据操作根据个别记录的变化触发操作，细分激活用于同时为许多个别客户创建更个性化的体验和旅程。最后，机器学习洞察可以帮助预测个别客户的行为。
Data Cloud丰富信息、数据操作、细分激活和预测AI机器学习洞察提供了详细级别的数据访问。除了这四个关键价值活动外，之前描述的GenAI两个关键价值活动也提供了详细级别的数据访问。这种详细级别的数据访问使员工能够有效地创建与个别客户的更有效互动，而GenAI关键价值活动由AI民主化工具（如Einstein Prompt Builder和Einstein Copilot）提供支持，我们将在第十三章中详细了解这些工具。
在组织内部，各种角色是Data Cloud价值的接受者，这些价值直接融入他们的工作流程。然而，市场营销、销售和服务团队（如图3-9所示）可能最受益于由Data Cloud驱动的关键价值活动，特别是那些在详细级别上创造的价值。这是合理的，因为这些团队是与个别客户最频繁互动的团队。
大多数组织根据市场营销、销售、服务、支持、运营、数据科学、战略和研发等功能角色组建内部团队。这些角色的执行者可以从Data Cloud应用程序中获得价值，前提是他们已被授予访问权限。或者，他们可能没有直接访问Data Cloud的权限，而是作为Data Cloud价值的下游接受者。例如，一些下游价值类别包括Data Cloud丰富信息、预测洞察和分析可视化洞察。因此，直接访问Salesforce Data Cloud应用程序并不是从Data Cloud平台中获得价值的必要条件。
在这里，我们不关注对Data Cloud应用程序的访问或如何设置Salesforce Data Cloud架构的具体细节。这些细节将在后续章节中讨论。正如我们将在后续章节中了解到的，Data Cloud的访问权限是基于用户角色而非功能角色来决定的。例如，Data Cloud角色包括Data Cloud管理员、Data Cloud用户、市场营销管理员、市场营销经理、市场营销专家和数据意识专家。例如，市场营销团队的不同成员可能会被分配到不同的角色，从而获得不同的Data Cloud访问权限。
在Salesforce中，角色是基于用户在其角色中执行的一般任务。描述这些任务时，一个重要的考虑因素是定义该角色完成任务所需的数据详细级别。详细级别是指数据收集、分析和使用的细节层次。低详细级别的数据包含的信息较少，而高详细级别的数据包含的信息更多。
汇总数据或聚合数据，如按区域划分的总销售额，是低详细级别数据的一个例子。整个组织的年度总销售额的详细级别更低。个别客户销售记录则是高详细级别数据的例子。
不同的职能团队成员可能需要不同级别的详细数据来完成任务。因此，某些价值类别可能对某些角色更有用，因为这些价值类别在更详细的层面上提供了价值。
最高详细级别的价值
Data Cloud丰富信息、GenAI功能、数据操作、细分激活和预测AI机器学习洞察揭示了需要高详细级别数据访问的任务所需的数据。例如，在前面的部分中，我们了解到Data Cloud丰富信息显示在个别Person Account、Contact或Lead记录上。数据操作根据个别记录的变化触发操作，细分激活用于同时为许多个别客户创建更个性化的体验和旅程。最后，机器学习洞察可以帮助预测个别客户的行为。
Data Cloud丰富信息、数据操作、细分激活和预测AI机器学习洞察提供了详细级别的数据访问。除了这四个关键价值活动外，之前描述的两个GenAI关键价值活动也提供了详细级别的数据访问。这种详细级别的数据访问使员工能够高效地创建与个别客户的更有效互动，而GenAI关键价值活动由AI民主化工具（如Einstein Prompt Builder和Einstein Copilot）提供支持，我们将在第十三章中详细了解这些工具。
在组织内部，各种角色是Data Cloud价值的接受者，这些价值直接融入他们的工作流程。然而，市场营销、销售和服务团队（如图3-9所示）可能最受益于由Data Cloud驱动的关键价值活动，特别是那些在详细级别上创造的价值。这是合理的，因为这些团队是与个别客户最频繁互动的团队。
其他关键职能角色
IT和数据治理团队是两个在Data Cloud实施中扮演重要角色的职能角色，负责使Data Cloud准备好提取价值。IT团队通常由开发人员、架构师、工程师和测试人员组成，这些成员通常对各种技术工具和平台有一定了解。
Data Cloud实施通常需要IT团队的多个成员，尤其是因为许多Data Cloud所摄取的数据来自Salesforce之外的源。IT团队可能对这些外部源有最多的了解，并且其成员还具备帮助进行数据摄取、数据转换和数据建模所需的技能。
数据治理团队负责管理整个企业以及所有组织使用的平台上的数据相关风险。治理专业人员确保信息安全地流向正确的人。作为其职责的一部分，数据治理团队负责确保遵守数据相关的标准和法规。
数据治理团队通常包括数据管理员，他们管理企业数据资产、执行命名规范标准并维护业务术语的定义。有效的数据治理流程能提高数据质量，从而使合规变得更加容易。数据治理团队通常与数据安全团队分开，后者负责保护组织数据免受威胁。
建议在Data Cloud实施的早期规划过程中就涉及IT和数据治理团队，因为他们将发挥关键作用。获取他们的反馈并获得他们的支持，与获得将利用Data Cloud提取价值的团队的支持一样重要。
变更管理过程：必要的要素
市场营销、销售、服务、运营、数据科学、战略和研发团队将从Data Cloud实施中获得价值。虽然这对组织来说是一个令人兴奋的机会，但重要的是要记住，即使变更预期带来积极成果，变更也常常让人感到不安。为第一次Data Cloud实施项目做准备通常意味着需要利用变更管理过程来指导和支持受影响的个人。
作为变更管理过程的一部分，您将希望与产品所有者和决策者达成内部一致。确保您有正确的团队参与讨论，以确保对优先事项和目标的明确性和一致性。Data Cloud实施讨论应涉及现有Salesforce Cloud和外部平台的管理员，以确保代表了适当的领域专业知识。如果您的组织使用了多个Salesforce Cloud或将数据存储在外部平台上，这一点尤其重要。
变更管理的主要好处是确保新举措的成功，如Data Cloud实施。因为成功的数字化转型实施需要时间，并且不无风险。及早识别潜在障碍和降低风险有助于减少实施所需的时间，并最小化对人员的影响，因此获得受影响人员的支持应成为一个重要目标。
Data Cloud用户需要接受有关如何使用Data Cloud功能的培训。您还需要考虑在实施后支持新Data Cloud用户所需的任务。这可能包括更新流程文档和用户指南，并可能还意味着调整指标和改变奖励结构。
Salesforce实施伙伴的价值
第一次Data Cloud实施可能涉及并影响组织内的许多不同团队和个人。尽管您的组织可能目前有Salesforce专家，但他们不太可能有Data Cloud实施的经验。第一次Data Cloud实施包括不同的阶段，每个阶段都需要详细规划，并在前一个阶段的基础上构建。
第一次Data Cloud实施需要大量专业知识
完成基础步骤和建立第一次Data Cloud实施所需的组成部分是复杂的，需要大量的专业知识。特别是基础步骤很难撤销或重做。因此，在Data Cloud实施规划中，您应仔细考虑所有事项，然后决定是独立进行还是寻求实施伙伴的帮助。
组织通常很难确定如何最佳地进行Data Cloud实施，因为有许多不同的方法来提取Data Cloud的价值。发现会议可以帮助识别相关用例，但您还应优先考虑Data Cloud用例，并从高影响、低努力的用例开始。
Salesforce实施伙伴具有构建Data Cloud良好架构的经验，帮助设计考虑未来成本的解决方案。这对Data Cloud实施尤其重要，因为Data Cloud的费用计算方式与传统Salesforce成本不同。Salesforce Data Cloud采用基于消耗的定价，而不是传统的每用户许可证费用模式。
聘请实施伙伴会产生成本，但有许多好处可以帮助抵消这些成本。重要的是，实施伙伴的Salesforce顾问可以通过识别和优先考虑您的Data Cloud用例来缩短您实现价值的时间。此外，Salesforce顾问可以培训您的最终用户如何有效地使用Data Cloud功能，从平台中提取最大价值。Salesforce实施伙伴还可以帮助指导您的技术团队学习如何扩展第一次Data Cloud实施，以支持更多的用例。
用户故事和项目管理
大多数Salesforce实施都采用敏捷方法，这是一个迭代的项目交付方法。敏捷项目管理关注于连续发布，融入用户反馈。使用敏捷方法时，会创建用户故事，用户故事的目的是解释软件功能如何为一组人提供价值。用户故事通常以以下方式编写：“作为[角色]，我想[行动]，以便[好处]。”以下是一些示例：
- 作为服务代理，我希望根据对客户的360度视图提供主动的个性化客户服务，以减少案件解决时间并提高客户满意度（CSAT）分数。
- 作为市场营销人员，我希望建立一个可操作的统一配置文件进行细分和激活，以便实现更快的细分并增加转化率。
- 作为销售专业人员，我希望能够跨业务线进行交叉销售并识别空白机会，以便增加交叉销售和追加销售机会、改善预测，并提高客户终身价值。
- 作为数据治理专家，我希望建立一个客户的统一配置文件，以聚合同意偏好，以确保我们的组织遵守法律和法规。
- 作为战略家，我希望建立一个客户的统一配置文件，并提供即时、可操作的洞察，以便团队能够更快地获得洞察。
创建用户故事很重要，无论您采取哪种项目管理方法进行实施项目。然而，大多数Data Cloud实施还是更适合采用瀑布式方法。基础步骤需要按特定顺序完成，所有步骤必须完成后才能创建组成部分。撤销和重做步骤既困难又耗时，并且还会消耗消耗配额。
瀑布式方法有助于更清楚地定义任何依赖关系，并且更加注重设计和规划。对于第一次Data Cloud实施来说，专注于设计和规划尤为重要。通过经过深思熟虑的设计，实际的键盘操作实施时间不会很长，因为Data Cloud具有低代码/无代码功能。在第一次实施之后，所有后续的增强将可能需要更少的规划和时间，因为基础已经到位。
我们的前面示例包括服务代理、市场营销人员、销售专业人员、数据治理专家和战略家的用户故事。我们已经讨论了Data Cloud如何有潜力为整个组织中的各种角色带来价值，但考虑到其独特的价值主张，谁通常决定Data Cloud是前进的正确道路？
谁来决定？
Salesforce为市场营销人员、销售专业人员、服务代理等提供了许多专业解决方案。例如，有Salesforce Marketing Cloud套件、Salesforce Sales Cloud和Salesforce Service Cloud。购买这些Salesforce Cloud的许可证的决定通常由这些职能领域的领导做出，但Data Cloud则有所不同。
由于其对整个组织的独特价值主张，高级执行人员通常会参与决定购买像Data Cloud这样的CDP。Data Cloud的倡议可能会创建对职能团队至关重要的统一客户配置文件，并支持许多组织主题（如图3-10所示）。
通常，由首席信息官（CIO）或其他高级执行人员决定CDP是否是组织合适的解决方案，他们会根据市场营销、销售、服务团队及其他相关人员的意见做出决策。如果您正在向决策者提供建议或本身就是决策者，了解其他成功实施Data Cloud的公司可能会很有帮助。我们将查看这些公司，您会发现Data Cloud解决方案已经被各种行业的组织成功实施。
价值的实际应用：行业焦点
我们在本章开始时探讨了各种价值类别，从技术角度概述了一些Salesforce Data Cloud的用例。接着，我们考察了组织中的不同功能角色及其如何利用Data Cloud的汇总数据和高度细化的数据。现在，让我们看看不同行业如何实施Data Cloud。我们首先关注旅行、交通和酒店行业。
旅行、交通和酒店行业
人们因多种原因旅行，包括家庭度假、参加音乐会或青年及职业体育赛事，以及商务旅行以建立客户关系或参加会议。不出所料，随着2020年初疫情的爆发，旅行需求骤降，但在2021年底又逐渐回升。过去几年，航空公司和酒店供应商经历了一波积压需求的高峰，导致跨境和国际旅行的持续恢复。
疫情的持久影响之一是转向远程和混合工作安排，这为员工提供了更多的休闲旅行灵活性。这也意味着更长的旅行，休闲旅行者在假期中会花一些时间远程工作，或将工作旅行延长几天以享受目的地的个人时间。商务与休闲旅行（bleisure travel）的增加为酒店行业提供了新的机会。这种工作方式的变化导致更多的旅行、更长的住宿时间以及酒店行业的收入增加。
旅行、交通和酒店行业范围广泛且多样化。它包括直接或间接参与经济活动的组织，这些活动对旅行、旅游和酒店部门有贡献或依赖。这包括酒店、度假村、餐馆、餐饮公司、酒吧、赌场、夜总会、博物馆、主题公园、体育场馆、音乐会场馆、航空公司、租车公司、客运火车和公交车以及机场。
旅行、交通和酒店行业的恢复和增长预计将持续，但也面临挑战。首先，该行业面临广泛的劳动力短缺，部分原因是疫情期间行业工人的流失，部分原因是该行业工作的特殊性质。在COVID期间被裁员的前台接待员、清洁员和维修人员转行到零售、餐饮和建筑业。
解决这些劳动力问题的一种可能方案是赋予行业工人所需的数字工具，以跟上旅行者的高期望，并提供一种客户可以自行导航的数字化增强体验。这正是Salesforce Data Cloud和Einstein 1平台的目标。
作为创建更流畅客户体验的第一步，Data Cloud通过将匿名的第一方和互动数据与已知的统一配置文件匹配，提供更完整的客户视图。Data Cloud驱动Einstein 1平台的机器学习和GenAI功能，为旅行和旅游行业提供许多好处，包括超个性化的客户体验和呼叫中心的效率。
例如，客户的酒店住宿可以基于已知的偏好（如最喜欢的枕头类型）和个人习惯（如以前的灯光和房间温度设置）进行即时自动化定制。呼叫中心工作人员可以快速解决任何问题或投诉，因为他们可以立即获取关于客户的最新和完整的信息，同时得到Einstein 1平台的帮助和建议。
旅行、交通和酒店行业的供应商通常利用数据共享能力来形成更完整的客户视图。航空公司、租车公司和酒店经常联合提供组合忠诚度计划和奖励，以建立品牌忠诚度并提供更个性化的客户体验。
在这一行业中，一些显著的Salesforce Data Cloud客户包括印度航空、希思罗机场和Turtle Bay度假村。让我们快速了解这些组织在实施Data Cloud之前面临的一些挑战。
印度航空
印度航空是印度的主要航空公司。像所有航空公司一样，印度航空在一个竞争激烈的行业中运营，其中并购相当普遍。数据挑战在这些行业中出现，因为随着时间的推移，分散的数据不断积累，这些数据孤岛存在于各种不同的技术栈中，这些技术栈是由于航空公司与其他拥有自己技术平台和工具的航空公司合并而形成的。
对于印度航空而言，数据孤岛的普遍存在意味着客户服务代表很难获取乘客的完整视图。借助Data Cloud，印度航空将来自呼叫中心、乘客服务系统和企业数据湖的数据连接到一个单一的客户视图中。
希思罗机场
希思罗机场是Salesforce Data Cloud的早期采用者。作为全球最大的机场之一，希思罗设定了为每年通过机场的数百万人提供更流畅和一致的个性化客户体验的目标。
在实施Data Cloud之前，希思罗机场有14个前端网站和45个后端系统，他们用Salesforce平台替代了这些系统。利用先进的定位技术和Data Cloud强大的身份解析功能，希思罗机场能够识别匿名旅客，并使用近实时的功能提供个性化的客户旅程。此外，希思罗通过Salesforce的Einstein 1平台赋能其员工和合作伙伴，使乘客能够在恰当的时间获得正确的机场服务。根据客户成功故事的细节，结果是数字收入增长了30%。
Turtle Bay度假村
在Turtle Bay度假村的数字化转型中，我们可以看到一个更引人注目的Data Cloud成功案例，该转型利用Data Cloud数据驱动Turtle Bay的AI驱动个性化。Turtle Bay的解决方案结合了Salesforce Service Cloud、Marketing Cloud、Marketing Cloud Personalization、Data Cloud和Einstein AI。
利用以Data Cloud为中心的Salesforce多云解决方案，Turtle Bay整合了客户的汇总视图，使其能够创建更有针对性的营销细分。利用Einstein AI功能，Turtle Bay还能更好地个性化预到达沟通，为每位客人提供更相关的冒险推荐，并更高效地处理各种问题，使用AI生成的回复。
对于旅行、交通和酒店行业，Data Cloud的用例众多且多样化，部分原因是该行业庞大而多样。预计该行业的持续增长意味着公司正在投资更多像Data Cloud这样的技术平台，以帮助他们提供一致的个性化客户体验。这在第三方Cookie逐步淘汰的后Cookie时代尤为重要，因为市场营销人员正转向更多依赖第一方数据。
其他行业
虽然旅行、交通和酒店行业在实施Salesforce Data Cloud方面走在前列，但还有许多其他行业也同样受益于Data Cloud的应用。
消费品和零售行业
正如您所想，消费品和零售行业可以利用Salesforce Data Cloud来加深客户互动。像General Mills、Williams-Sonoma和Casey’s这样的公司就是典型例子。
在Salesforce最近制作的客户成功视频中，General Mills描述了他们如何使用Data Cloud来更好地理解其不同品牌之间的相互联系，这也帮助他们以前所未有的方式发现客户趋势。在使用Data Cloud之前，General Mills很难获得客户的完整视图，主要因为他们不拥有零售店层面的交易数据。然而，Salesforce Data Cloud将General Mills的第一方数据与关于其客户的第二方数据结合起来，使General Mills能够以更相关的方式定义其客户细分，以提供更加个性化的体验。
金融服务、汽车、医疗保健、生命科学和制造业
其他受益于Salesforce Data Cloud的行业包括金融服务、汽车、医疗保健、生命科学和制造业。在这些行业中，一些显著的公司已经实施了Data Cloud，包括Baptist Health、Mascoma Bank、Formula 1和Ford Motor Company。
金融服务公司致力于增长存款和从现有客户中产生更多收入，可以利用Data Cloud根据重大生活事件（如毕业、婚姻、分娩、退休和继承）激活客户细分。医疗保健和生命科学公司可以结合来自多个健康遥测系统的数据，计算统一健康评分或识别护理干预的关键点。
值得注意的是，金融服务和医疗保健公司需要遵守监管机构的额外要求，以保护个人的健康和财务信息。使用Data Cloud的组织可以满足这些要求。作为证明，Salesforce为Data Cloud维护了一整套合规认证，包括健康保险可携带性与责任法案（HIPAA）、通用数据保护条例（GDPR）以及系统和组织控制（SOC）1、2和3等合规认证。
非营利行业
还有许多公司和行业成功实施了Salesforce Data Cloud，其中不乏非营利组织。非营利行业常常存在大量历史性的第一方捐赠者和互动数据，这些数据来源于各种外部来源。例如，一个非营利组织可能有不同的平台用于捐赠管理、筹款、倡导支持和志愿者管理。这使得非营利行业成为像Salesforce Data Cloud这样的CDP的良好候选者。
我的直接经验是，Data Cloud可以为非营利组织带来巨大的价值。Data Cloud可以统一跨多个电子邮件和ID的互动数据，帮助非营利组织识别高净值个人和高度活跃的捐赠者。它还帮助他们识别那些与组织有过近期互动的流失捐赠者。
实施中的相似性
Data Cloud的实施计划在不同的行业中可能看起来非常不同，但这些实施中有许多共同之处。快速查看Salesforce客户成功网站上的公司细节可以确认一些信息。
首先，特色组织作为其多云战略的一部分，使用了不止一个Salesforce平台或服务。他们中的大多数利用了Salesforce Marketing Cloud，并且在Salesforce Data Cloud的基础上利用了Salesforce Einstein AI产品和工具。其次，所有实施了Data Cloud的组织都得到了Salesforce合作伙伴或Salesforce专业服务的帮助。第三，大多数客户成功故事中描绘的是企业客户，这些客户是最大的公司类型。但也有一些例外。例如，BACA Systems是一家中型制造公司，利用最先进的机器人和计算机数控（CNC）机械设备。
现在我们已经查看了不同的行业和具体公司如何使用Data Cloud，有哪些关键点可以总结？其中最重要的一点是，Salesforce Data Cloud可以处理大量数据，这一点从一些成功使用Data Cloud的大型企业客户中可以看出。如果您在Salesforce生态系统中待了几年，您会认识到这是Salesforce一个重要的成就。由于第2章描述的新Data Cloud架构，Data Cloud平台能够轻松摄取和处理数万亿条记录。
企业客户更可能使用Data Cloud，但这并不是唯一能够利用Data Cloud功能的群体。中型市场和小型到中型企业也可以从Data Cloud中提取价值，尤其是在Data Cloud数据用作多云数据架构输入的情况下。例如，可以将Data Cloud中创建的细分数据激活到Marketing Cloud，并利用统一的客户档案和互动数据进行Einstein ML和AI目的。
Data Cloud的近实时功能可以为客户提供神奇的体验。机场客户可以获得关于停车位的近实时信息、安检队列的预期等待时间的近实时提醒，以及针对个人兴趣和偏好的某些商店的即时优惠券。
金融服务公司可以使用近实时信息检测潜在的欺诈活动。教育机构可以在学生访问有关退课的信息页面时迅速干预。学生可以立即进入一个特定的旅程，旨在告知学生选项，并向学生的顾问发送即时警报。
不同领域的组织和公司成功实施了Data Cloud。通过这样做，他们提高了运营效率，加强了客户关系，并解锁了隐藏的机会。例如，非营利组织在获得对高价值捐赠者的更完整和准确的视图后，更能识别出可以增加定期捐赠的领域。
某些行业，如金融服务和医疗保健行业，在实施Data Cloud后能够更好地减轻风险并增强合规性。Data Cloud提供了一种可扩展的解决方案，用于实现AI民主化，因此为组织实现可持续增长率奠定了基础。
我们刚刚描述了一些组织希望通过实施Salesforce Data Cloud实现的目标。如图3-1所示，Data Cloud可以为数据和AI民主化提供基础，帮助公司最终实现他们的目标。
总结
本章中列出的价值类别涵盖了一些基本的常见类别，但还有其他方法可以放大这些价值类别。数据空间的使用就是一个例子，如第2章所述。使用数据空间可以在多个品牌、部门或地区之间隔离数据、元数据和流程。
此外，Salesforce的其他应用程序，如忠诚度管理云、Marketing Cloud Intelligence（前身为Datorama）、Marketing Cloud Personalization（前身为Interaction Studio）以及2024年推出的Marketing Cloud Growth，都可以与Data Cloud结合使用。这是可能的，因为Data Cloud与其他Salesforce工具和平台紧密集成。
将Salesforce Data Cloud作为现代数据技术堆栈的核心，有很多方法可以实现最佳实践。一个最佳实践是仔细考虑您特定组织的Data Cloud使用案例，然后优先考虑这些案例。在这些案例中，选择一个高价值、低投入的首次实施用例，然后在此基础上扩展，实施更多高价值的用例。
在下一章中，我们将重点介绍实施基础知识和首次配置。随后，我们将在第5章简要介绍Data Cloud的菜单选项，以便您获得整体的导航理解。除此之外，我们将在后续章节中深入探讨基础步骤和组成组件，这些将为提取Data Cloud的价值创造必要的条件。
