如何在 Snowflake 中生成客户成功分析
随着数据专业人员和非数据专业人员之间的区别越来越小，弥合两者之间差距的技术的需求至关重要。与数据仓库交互的好处，尤其是与大量数据交互的好处是毋庸置疑的，但作为核心技术团队的外围成员，可能不是很技术，动态生成 SQL 查询并不总是可行的。
这带来了一个问题，尤其是当销售、客户成功、客户管理等部门想要从公司存储的大量数据中获得可靠的洞察力，但他们不一定知道如何快速收集这些见解。
决定如何分析数据
Datameer 是一个很好地介于技术和非技术用户之间的平台，并解决了这个问题。Datameer提供对 Snowflake 数据仓库的访问，能够进行简单的转换和连接，根本不需要任何编码。它还为用户提供了一种快速添加最初不属于主数据仓库的外部数据源的方法——当尝试使用来自不同来源的数据快速生成有关客户的洞察时，该功能变得非常有价值。
让我们举一个实际的例子。想象一下，您是一家高速增长的 SaaS 初创公司的客户成功负责人。幸运的是，您有足够的带宽来掌握所有客户并识别高风险帐户。然而，随着公司的发展，主动对待有风险的客户变得越来越困难，而且客户的健康情绪是高度主观的。尽管不了解 SQL，但您仍希望转向更加数据驱动的分析，并且您正在寻找一种可以近乎实时更新并有助于推动更好决策的逻辑分析。您正在考虑加入诸如用户登录产品、净推荐值 (NPS) 和支持票数等参数。所有这些都是不同的数据源，需要手动操作来聚合数据。此时你有几个选择，
将所有数据提取到 Excel 中。随着生成的用户数据量的增加，VLOOKUPS 等很快就会变得混乱，并且无法扩展。如果完全加载，较大的数据集也可能需要一段时间才能加载
将所有数据直接带入数据仓库，并将其用作其中的记录和查询数据的来源。当您获得数据仓库访问权限并学习 SQL 时，您可能已经失去了一些处于风险中的客户
使用专门针对此用例的 SaaS 工具，例如 Datameer。如果您的用户数据存储在 Snowflake 中，Datameer 是完美的选择
决定采用选项 3 并使用 Datameer，让我们深入了解如何组合所有数据的流程工作流程：
连接到 Snowflake 中的数据
首先，我们将使用Snowflake中已经存在的表。为简单起见，我们将只查看最少数量的数据点，而实际场景可能包含更多信息。设置好 Datameer 帐户后，连接到 Snowflake 数据仓库，您将在左侧看到所有相关数据源。将您要修改的一项添加到您的项目中：
此登录表中有颗粒状会话的会话登录历史user_id，company_id以及日期。作为最简单的指标，我们可以查看由 company_id 聚合的总登录次数。为此，添加一个新的“聚合”转换，按 分组company_id，然后选择行数作为度量：
从离线 CSV 文件上传和连接数据
在这一点上，您可以很容易地从登录次数中看出哪些公司参与度最高。但是，您想更进一步，将最近的 NPS 调查中的客户情绪叠加到 Excel 表中。要将此工作表添加到 Datameer，只需在数据浏览器中上传文件并在 Snowflake 中选择源目的地：
将新数据源添加到项目中，并再次添加按 company_id 分组的转换，但这次按平均 NPS 聚合：
现在您已经在 company_id 级别聚合了登录名和 NPS，您可以添加一个新的转换，通过 company_id 加入两个配方中的第二步（如果您希望只看到已回答 NPS 调查的公司，请选择内部连接而不是外连接）：
您现在有一个包含 company_id、登录次数和平均 NPS 分数（如果适用）的数据集。为清楚起见，我们可以将此步骤重命名为“LOGINS + NPS”，并删除 company_id 列之一，因为它是重复的：
我们现在有一个完美的构建块来进行客户健康分析。
再添加一个数据源并将它们捆绑在一起
我们可以再添加一个数据源来构建更详细的信息，然后将其发布回 Snowflake。作为客户成功经理，您可能想知道客户提交了多少支持案例。一方面，提交的支持票越多，客户可能处理的问题就越多。
另一方面，更多的支持票表明客户真正参与其中，没有什么比拥有 0 支持票的客户更糟糕的了，并且只有在更新帐户时才知道他们缺乏参与。对于此示例，支持票存储在 Salesforce 中，并且 Salesforce 实例不会与 Snowflake 数据仓库进行通信。提取此数据的最佳方法是通过 Salesforce 的 csv 导出。
从 Salesforce 获得 csv 提取后，按照相同的步骤上传用于上传 NPS 调查响应的 Salesforce 票证。将其添加到项目中，并使用您在登录步骤中使用的相同转换来获取按 company_id 分组的票证总数。有了这个数据集，回到之前加入的“LOGINS+NPS”数据集，加入salesforce Tickets数据集。最终产品看起来或多或少是这样的：
点击图表上方的“发布”按钮，您现在已经清理了数据并返回到 Snowflake。这种经过清理和聚合的数据现在可以轻松地用于其他工具，例如 Tableau。例如：
在这里您可以看到加载到 Datameer 中的所有输入，并且您可以轻松比较每个客户的健康状况。例如，839 公司的 NPS 得分完美，提交的工单数量迄今为止最多，并且登录次数相对较高（由圆圈的大小表示）。另一方面，图表左下角的公司（5541、3501、4321）表现不佳，您可能需要与他们会面或从839公司的处理方式中学习一些技巧。
如果没有 Datameer，连接这些数据集并最终在 Tableau 中将它们可视化并计算字段不仅会很复杂，而且可能会导致性能问题。通过在 Snowflake 中预处理数据集，最终用户能够在其仪表板上体验更好的性能。
结论
总的来说，您现在可以看到利用 Datameer 执行通常复杂的数据操作是多么容易；该工具是具有简单 UI 界面的非技术用户进行数据分析的完美途径。对于更多技术用户，如果您更喜欢自己编写代码，Datameer 还提供SQL 查询构建器选项。客户健康分析只是该软件的一个应用程序，随着您公司数据的增长，可能性变得无穷无尽。
