Dela via


Filtrera rader och kolumner från källdata för bättre bearbetning

Viktigt!

En del av funktionerna som beskrivs i den här utgivningsplanen har inte släppts ännu. Leveranstider kan ändras och förväntade funktioner kanske inte släpps (mer information finns i Microsofts policy). Läs mer: Nya och planerade funktioner

Aktiverad för Allmänt tillgänglig förhandsversion Allmän tillgänglighet
Administratörer, tillverkare, marknadsförare eller analytiker, automatiskt jan. 2025 febr. 2025

Affärsvärde

Förbättra kvaliteten på dina enhetliga kundprofiler och insikter genom att filtrera bort oönskade rader och onödiga kolumner från dina källdata direkt i Customer Insights - Data. Genom att ta bort gamla eller ofullständiga data och ta bort kolumner som inte ger värde kan Customer Insights - Data skapa insikter av högre kvalitet på kortare tid.

Information om funktionen

En vanlig utmaning när man arbetar med kunders källdata är att hantera oönskade rader eller kolumner, vilket ökar bearbetningstiden och lagringen i Customer Insights - Data. Förbearbetning av dessa data kan vara tids- och resurskrävande.

I Customer Insights - Data kan du nu använda rad- och kolumnfilter direkt på alla källtabeller som du matar in, vilket minskar dataomfattningen till precis det du behöver. Filter tillämpas en gång på sidan Tabeller, där källtabeller separeras från utdata. Välj rad- eller kolumnfilterlänken för valfri tabell och ställ in filtren. De här filtrerade tabellerna kommer sedan att användas i alla processer i Customer Insights - Data, inklusive samordning, segment, åtgärder, aktiviteter och prediktiva modeller.

Den här funktionen innebär flera viktiga fördelar:

  • Förbättrad bearbetningstid: Genom att ta bort oönskade rader bearbetar systemet inte längre data som inte behövs, vilket minskar tid och resurser.
  • Effektiviserade datauppsättningar: Att ta bort onödiga kolumner förbättrar bearbetningstiden, särskilt vid stora datamängder. Kolumner som inte används för matchning eller som inte behövs i slutliga utdata kan nu filtreras bort innan de bearbetas.
  • Målinriktade slutliga utdata: Bortfiltrering av irrelevanta data, till exempel gamla poster eller data från regioner där du inte längre är verksam, leder till mer fokuserade och relevanta utdata.

Genom att använda filter effektivt kan du optimera både bearbetningstid och lagring, vilket gör dina resultat mer riktade och effektiva.

Ett exempel på ett sträng- och datumfilter som tillämpas på en tabell.