Arsitektur Data ke Intelijen
Dari data mentah hingga keputusan yang digerakkan oleh agen — diserap melalui adaptor, federasi tanpa salinan, dan kolektor; disimpan mentah di SQL dan MPP; diabstraksikan menjadi peristiwa, profil, metrik, dan hubungan; kemudian dihubungkan melalui ontologi untuk Agen AI.
Mengapa keempat lapisan penting bagi Agen AI
Suatu Agen hanya sebaik konteks yang dipertimbangkannya. Memisahkan penyerapan, penyimpanan mentah, abstraksi, dan ontologi memberikan model antarmuka yang bersih, teratur, dan terhubung di setiap level — sehingga keputusannya berdasar, dapat dijelaskan, dan murah untuk dikembangkan.
Agen membaca konteks, bukan baris mentah
Setiap lapisan memberikan antarmuka yang stabil kepada Agen — peristiwa, profil, metrik yang diatur, dan ontologi yang terhubung. Ia bernalar berdasarkan konteks yang mendasarinya alih-alih mengurai dan menggabungkan catatan mentah pada saat inferensi, yang membuat jawabannya dapat diulang.
Pengambilan data independen sumber
Karena pengumpulan data merupakan lapisan tersendiri, model ini tidak pernah bergantung pada bagaimana suatu sistem terhubung. Tambahkan adaptor, gabungkan gudang data di tempat, atau dorong melalui API yang terbuka — semua hal di atas melihat bentuk data yang sama, sehingga sumber baru tidak memengaruhi perintah atau logika Anda.
Satu substrat yang konsisten
Penyimpanan SQL dan MPP tetap selaras melalui pengambilan data perubahan, sehingga konteks Agen didukung oleh satu kebenaran mentah tunggal daripada salinan yang bergeser dan tidak sesuai. Pembacaan operasional dan pemindaian analitik besar melihat catatan yang sama.
Kebenaran bisnis yang diatur
Metrik membawa satu definisi otoritatif dalam lapisan semantik, sehingga angka yang ditindaklanjuti oleh Agen adalah angka yang sama yang ditampilkan dasbor Anda. Keputusan tetap dapat dijelaskan dan diaudit, bukan berdasarkan agregasi ad-hoc.
Hubungan yang eksplisit dan dapat dilacak
Ontologi menghubungkan maksud, profil, dan nilai bisnis, sehingga rekomendasi dapat dilacak kembali ke konteks persis tempat rekomendasi tersebut dibangun — hubungan tersebut ada dalam model, bukan diturunkan ulang oleh Agen pada setiap panggilan.
Aman untuk berevolusi
Ganti model, tambahkan sumber data, atau ubah penyimpanan di balik kontrak lapisan stabil. Agen terus mengonsumsi abstraksi yang sama, sehingga kecerdasan di atasnya berkembang tanpa penulisan ulang di bawahnya.
Dari data mentah ke ontologi yang terhubung
Setiap lapisan memberikan antarmuka yang lebih bersih dan teratur kepada lapisan di atasnya — penyerapan, penyimpanan mentah, abstraksi, kemudian ontologi yang digunakan AI — sehingga kecerdasan di atasnya berkembang tanpa penulisan ulang di bawahnya.
Lapisan Pengambilan Data
Mengumpulkan data dari sistem perusahaan dengan kinerja tinggi dan keterbukaan.
Jelajahi lapisan ini →Adaptor Kelas Perusahaan
Adaptor bawaan untuk sistem perusahaan utama — CDP, CRM, ERP, OMS, dan perdagangan.
Teknologi Tanpa Salinan
Kueri data gudang besar di tempat — tanpa penyalinan data (Snowflake, Databricks, Data Cloud, Delta Sharing).
Pengumpul Pelacakan Data
Pelacakan acara web + aplikasi komprehensif dan pengumpulan perilaku melalui SDK.
Data Terbuka API / SDK
API dan SDK standar untuk sumber kustom apa pun.
Lapisan Data Mentah
Masukkan data mentah dan simpan di basis data SQL dan MPP dengan sinkronisasi CDC waktu nyata.
Jelajahi lapisan ini →Basis Data SQL
Toko terstruktur untuk transaksi dan operasi.
Basis Data MPP
Pemrosesan paralel masif untuk analitik skala besar.
Lapisan Abstraksi & Pemahaman Data
Mengabstraksi data mentah menjadi model dan wawasan yang bermakna.
Jelajahi lapisan ini →Profil Pengguna & Penandaan
Mengabstraksi data mentah ke dalam tag anggota dan membangun profil pengguna.
Model Peristiwa & Pengenalan Niat
Abstraksi perilaku mentah ke dalam model peristiwa dan simpulkan maksud pengguna.
Ekstraksi Metrik & Kebenaran Bisnis
Ekstraksi metrik yang diatur dari data mentah dan ungkapkan kebenaran bisnis.
Hubungan & Afinitas
Abstraksikan rujukan dan pesanan ke dalam grafik hubungan anggota — ikatan yang dikonversi secara nyata, hub, dan rumah tangga yang mungkin.
Afinitas & Kesamaan
Model kesamaan statistik dari data nyata — pembelian bersama produk, afinitas kategori, dan anggota yang mirip.
Lapisan Aksi Ontologi
Hubungkan maksud, profil, dan bisnis melalui model entitas pengguna dan aktifkan keputusan yang digerakkan oleh agen.
Jelajahi lapisan ini →Bagaimana satu tindakan menjadi sebuah keputusan
Lapisan-lapisan tersebut lebih mudah dilihat saat bergerak. Berikut adalah satu sinyal ritel yang bergerak melalui keempatnya — dari klik mentah hingga tindakan terbaik berikutnya dari Agen.
Tindakan pembeli tiba
Seorang anggota melihat jaket yang sama tiga kali dan menambahkannya ke keranjang, lalu pergi tanpa membeli. Peristiwa penelusuran dan keranjang tersebut tiba melalui pengumpul pelacakan, di samping riwayat pesanannya dari sistem perdagangan dan CRM yang terhubung.
Semuanya disampaikan sebagai kebenaran mentah
Peristiwa dan catatan ditulis sebagai data mentah ke dalam penyimpanan SQL dan MPP sekaligus, dijaga agar tetap selaras dengan pengambilan data perubahan — sehingga fakta yang sama siap untuk pencarian operasional dan pemindaian analitik besar.
Data mentah menjadi bermakna
Model peristiwa membaca “tampilan berulang + keranjang, tanpa pembelian” sebagai sinyal niat tinggi; tag menandainya sebagai anggota bernilai tinggi yang akan segera berakhir; lapisan metrik sudah mengetahui nilai seumur hidupnya dan tingkat penebusannya — masing-masing satu definisi yang diatur.
Agen yang memutuskan
Ontologi menghubungkan niat, profil, dan nilainya menjadi satu gambaran yang terhubung. Agen membaca konteks tersebut dan memutuskan upaya pemulihan pelanggan yang dipersonalisasi dengan insentif terbatas — dan keputusan tersebut dapat dilacak kembali ke sinyal yang tepat di baliknya.
Di mana harus terhubung
Anda membangun berdasarkan lapisan, bukan infrastruktur. Setiap permukaan di bawahnya dipetakan ke antarmuka yang stabil dengan dokumentasinya sendiri — pilih di mana pekerjaan Anda dimulai.
Hubungkan sistem Anda
Masukkan data melalui adaptor produk, federasi tanpa salinan, atau antarmuka data terbuka — tanpa saluran khusus.
Panduan integrasi →Lacak perilaku web & aplikasi
Tangkap tampilan halaman, tampilan produk, pencarian, dan peristiwa keranjang dengan pengumpul SDK pada titik interaksi.
Pelacakan web →Baca metrik & profil yang diatur
Kueri lapisan metrik semantik dan profil anggota melalui alat API dan MCP — definisi yang sama di mana-mana.
MCP & metrik →Perluas model
Dorong sumber kustom melalui API terbuka, berlangganan webhook keluar, dan model objek kustom.
API referensi →Pertanyaan yang menentukan arsitektur
Jika kita melakukan standardisasi pada lapisan semantik dan ontologi Anda, bagaimana kita menghindari ketergantungan pada satu vendor?
Lapisan-lapisan tersebut adalah kontrak, bukan kotak hitam. Data mentah Anda tetap berada di penyimpanan SQL dan MPP standar — atau di gudang data Anda sendiri melalui zero-copy, yang tidak pernah kami perlukan untuk Anda salin — dan definisi metrik, tag, dan identitas Anda bersifat deklaratif, memiliki versi, dan dapat diekspor dalam bentuk yang Anda atur. Anda menyimpan data dan definisinya; abstraksi berada di penyimpanan terbuka daripada menjebak keduanya di dalam format kepemilikan.
Di mana data kami secara fisik berada, dan apa yang sebenarnya melintasi batas dengan federasi tanpa salinan?
Untuk sumber terfederasi, kueri didorong ke gudang data Anda — Snowflake, Databricks, Salesforce Data Cloud, atau Delta Sharing — dan dibaca di tempat dengan kredensial yang Anda tentukan; tabel mentah tidak pernah diduplikasi ke penyimpanan kami, sehingga gudang data Anda tetap menjadi sistem pencatatan dan kontrol akses serta residensinya tetap berlaku. Yang keluar dari perimeter Anda adalah hasil kueri yang tercakup, bukan tabel yang mendasarinya. Sumber yang diinput masuk ke penyimpanan yang terisolasi untuk penyewa, dan status persetujuan dan privasi diberi versi sehingga data yang diatur ditangani berdasarkan kebijakan, bukan secara ad hoc.
Siapa yang mengontrol arti suatu metrik, dan bagaimana hal itu diatur di antara ribuan pengguna?
Definisi metrik berada dalam satu lapisan semantik yang teratur, tidak tersebar di berbagai dasbor dan buku catatan. Setiap definisi memiliki pemilik; metrik bersertifikat memerlukan persetujuan pemilik; perubahan ditinjau dan diberi versi dengan jejak audit, dan membatalkan cache-nya sendiri sehingga angka usang tidak bertahan lama. Itulah yang mencegah masalah "KPI yang sama, tiga jawaban berbeda" pada skala organisasi.
Bagaimana data kita diisolasi dari penyewa lain, dan berapa radius dampak dari satu bug?
Lingkup penyewa diberlakukan di jalur data, bukan diserahkan kepada kode aplikasi untuk mengingat filter. Akses metrik dan profil berjalan hanya baca terhadap tampilan kontrak lingkup penyewa — lapisan penghalang keamanan yang memfilter berdasarkan penyewa sebelum kueri apa pun melihat baris — sehingga bahkan kueri khusus pun tidak dapat mencapai data penyewa lain atau tabel mentah. Karena isolasi adalah properti dari jalur kueri dan bukan dari disiplin masing-masing pengembang, satu bug aplikasi tidak menjadi paparan lintas penyewa.
Ketika Agen melakukan suatu tindakan, bagaimana kita mengaudit dan membatasinya?
Setiap tindakan agen didasarkan pada abstraksi yang diatur dan ontologi, sehingga keputusan dapat ditelusuri kembali ke maksud, profil, dan konteks metrik yang tepat yang digunakannya — bukan perintah yang tidak jelas. Penulisan yang dapat dilakukan agen dibatasi oleh pengaman sisi server dan batasan laju yang gagal jika ditutup, tindakan sensitif seperti insentif atau pengeluaran dapat memerlukan persetujuan manusia, dan setiap tindakan dicatat untuk audit. Agen tersebut mempertimbangkan kebenaran yang Anda tetapkan dan tetap dapat ditinjau, alih-alih bertindak berdasarkan konteks yang tidak dapat direkonstruksi oleh siapa pun.
Selama lebih dari lima tahun, mengapa arsitektur berlapis lebih murah untuk dimiliki daripada solusi gudang plus titik kami?
Biaya berulang dari tumpukan gudang plus alat bantu adalah integrasi dan rekonsiliasi: setiap sumber baru adalah saluran khusus, setiap alat mendefinisikan ulang metrik dan identitas, dan tim Anda mempertahankan perbedaan di antara mereka. Memisahkan penyerapan, penyimpanan, abstraksi, dan ontologi berarti sumber terhubung sekali, metrik didefinisikan sekali, dan identitas diselesaikan sekali — semua yang di atasnya menggunakannya kembali. Anda menukar penyebaran integrasi yang rapuh dan definisi yang saling bertentangan dengan satu substrat dan satu set definisi yang diatur.
Bangun berdasarkan konteks yang terhubung, bukan saluran mentah.
Mengambil data melalui adaptor, federasi tanpa penyalinan, pengumpul pelacakan, dan API/SDK terbuka; menyimpan data mentah di penyimpanan SQL dan MPP yang disinkronkan CDC; mengabstraksikannya ke dalam model peristiwa, garis waktu, profil, dan metrik; kemudian menghubungkannya melalui model entitas pengguna sehingga Agen memutuskan dari konteks yang terhubung.
Terkait: loop platform dan pelacakan web SDK.