Integration mit Databricks
Einführung
Outdoo AI analysiert Ihre Gesprächsdaten aus dem Vertrieb (aufgezeichnete Kundenmeetings) in Echtzeit und Ihre Deal-Daten (Pipeline und CRM-Opportunities) in festgelegten Abständen. Wenn Sie diese analysierten Daten in Databricks übernehmen, können RevOps- und Datenteams Conversation Intelligence mit anderen Geschäftsdaten zusammenführen.
Das ermöglicht tiefere Analysen von Deal-Trends, der Leistung von Teammitgliedern, dem Kundenverhalten und Pipeline-Risiken in Ihren vorhandenen BI-Tools und Abläufen. Wenn Sie Outdoo AI mit Ihrem Warehouse verbinden, können Sie Gesprächserkenntnisse und KI-basierte Deal-Kennzahlen mit CRM-, Produktnutzungs- und Umsatzdaten in Beziehung setzen und fundierter entscheiden.
Überblick und unterstützte Methoden
Outdoo AI bietet direkte Integrationsmöglichkeiten, um Daten ohne ETL-Tools von Drittanbietern mit Ihrem Warehouse zu synchronisieren. Folgende Methoden werden unterstützt:
REST API Pull: Outdoo AI bietet REST-APIs, um Gesprächs- und Deal-Daten für eigene Integrationen abzurufen. Das erfordert mehr Eigenentwicklung, bietet aber Flexibilität, wenn andere Methoden die Anforderungen nicht erfüllen.
Cloud Storage Stage (S3 oder ADLS): Outdoo AI kann Datendateien im JSON-Format in einen Cloud-Speicher-Bucket exportieren, der Ihnen gehört. Databricks kann Dateien automatisch aus dem Cloud-Speicher laden. Diese Methode eignet sich, wenn direkte Datenbankverbindungen nicht möglich sind, kann aber leichte Verzögerungen mit sich bringen (zum Beispiel tägliche Dateilieferungen im Batch).
Sicherheit und Authentifizierung einrichten
Bereiten Sie vor dem Start einen sicheren Zugang für Outdoo AI vor:
- Eigene Zugangsdaten anlegen: Richten Sie in Databricks einen eigenen Benutzer oder eine eigene Rolle für Outdoo AI ein. Verwenden Sie für dauerhafte Integrationen einen Service Principal mit Token statt eines persönlichen Tokens. Vergeben Sie nur die Mindestrechte, die nötig sind, um die von Outdoo AI genutzten Schemas anzulegen und darin zu schreiben.
- Netzwerkzugriff: Wenn Ihr Warehouse hinter einer Firewall oder in einer VPC liegt, setzen Sie die ausgehenden IP-Adressen von Outdoo AI auf die Positivliste oder nutzen Sie eine private Verbindungsmethode.
- API-Schlüssel und Tokens: Erzeugen Sie sichere Tokens für die Verbindungen. Outdoo AI speichert alle Tokens und Geheimnisse, die Sie bereitstellen, sicher.
- Zertifikate und Verschlüsselung: Alle Integrationen nutzen verschlüsselte Kanäle (HTTPS für APIs, TLS für JDBC).
- Überwachung und Widerruf: Behandeln Sie die Zugangsdaten der Outdoo AI-Integration wie jedes andere Dienstkonto. Überwachen Sie die Aktivität und erneuern Sie Schlüssel und Tokens regelmäßig.
Integration mit Databricks
Bei Databricks (Lakehouse auf AWS oder Azure) schreibt Outdoo AI über die SQL-Warehouse-Schnittstelle direkt in Ihre Databricks-Umgebung. Outdoo AI verbindet sich per JDBC oder HTTP mit einem Endpunkt eines Databricks SQL Warehouse und legt die Datentabellen als Delta-Tabellen an. Zwischendateien oder separate ETL-Jobs sind dadurch nicht nötig.
Einrichtungsschritte
- Ein Databricks SQL Warehouse vorbereiten: Erstellen Sie in Ihrem Databricks-Workspace ein neues SQL Warehouse speziell für Integrationen. Aktivieren Sie Unity Catalog, wenn Sie es nutzen. Outdoo AI kann in einen bestimmten Katalog und ein Schema schreiben, die Sie festlegen. Notieren Sie Hostname und HTTP Path des Warehouse.
- Zugriffstoken erzeugen: Erstellen Sie in den Databricks-Benutzereinstellungen ein Personal Access Token oder legen Sie einen eigenen Service Principal für Outdoo AI an und erzeugen Sie ein Token für diesen. Stellen Sie sicher, dass das Token auf das Ziel-Warehouse zugreifen und in den Zielkatalog bzw. das Zielschema schreiben darf.
- Zielschema einrichten: Legen Sie in Databricks den Zielkatalog und das Zielschema fest, in die Outdoo AI schreiben soll (zum Beispiel den Katalog
mainund ein Schema namensoutdoo_data). Stellen Sie sicher, dass die Identität von Outdoo AI in diesem Schema CREATE TABLE ausführen darf.
- Databricks-Verbindungsdaten an Outdoo AI übermitteln: Gehen Sie in Outdoo AI zu Company Settings > Ecosystem > Data Cloud, öffnen Sie Databricks und geben Sie die erforderlichen Angaben ein: Server Hostname, HTTP Path, Port (meist 443), Katalog- und Schemaname sowie das Access Token. Klicken Sie auf Connect, um die Integration zu autorisieren.
- Datensynchronisierung: Nach erfolgreicher Verbindung legt Outdoo AI im angegebenen Databricks-Schema Delta-Tabellen an. Outdoo AI fügt zunächst die historischen Daten im Batch ein und überträgt dann neue Gesprächsdatensätze, sobald die Analyse eines Gesprächs abgeschlossen ist. Die Tabelle DEALS wird in festgelegten Abständen aktualisiert (zum Beispiel einmal täglich). Bei Tabellen, deren Datensätze sich ändern können, etwa bei Phasenwechseln von Deals, verwendet Outdoo AI Upserts (MERGE).
- Tabellen in Databricks prüfen: Fragen Sie die Delta-Tabellen ab, um die Daten zu prüfen. Führen Sie zum Beispiel
SELECT count(*) FROM outdoo_data.calls;aus und prüfen Sie, ob die Anzahl der erwarteten Zahl an Gesprächen entspricht.
Schema und Daten
Die Tabelle calls enthält Spalten wie call_id, call_datetime, participant_names, duration, sentiment_score, talk_ratio und keywords. Die Tabelle deals enthält deal_id, deal_name, owner, stage, amount, close_date, last_call_date und deal_risk_score. Outdoo AI kann außerdem eine Tabelle DEAL_HISTORY oder FORECAST_SUBMISSIONS für die historische Nachverfolgung anlegen.
Die Tabellen sind Delta-Lake-Tabellen, die ACID-Aktualisierungen unterstützen. Outdoo AI kann für vorläufig gelöschte Datensätze ein Flag wie is_deleted verwenden.
Mit den Daten von Outdoo AI in Databricks können Sie diese mit allen anderen Daten in Ihrem Lakehouse kombinieren. Ein Data-Science-Team könnte zum Beispiel die Tabelle outdoo_data.calls mit Produktnutzungsprotokollen verknüpfen, um zu prüfen, ob die Stimmung in Gesprächen mit der Produktnutzung zusammenhängt. Ein Analyseteam könnte ein BI-Dashboard erstellen, das die Gesprächserkenntnisse von Outdoo AI mit Finanzdaten verbindet. Eine Machine-Learning-Pipeline könnte mit Gesprächstranskripten und Deal-Ergebnissen trainiert werden, um den Erfolg von Deals vorherzusagen.
Wir hoffen, dieser Artikel war hilfreich. Bei Fragen schreiben Sie uns bitte an support@outdoo.ai