Oplossingsideeën
Dit artikel is een oplossingsidee. Als u wilt dat we de inhoud uitbreiden met meer informatie, zoals mogelijke use cases, alternatieve services, implementatieoverwegingen of prijsrichtlijnen, laat het ons dan weten door GitHub-feedback te geven.
Deze architectuur laat zien hoe u een oplossing kunt maken die u aanbiedt met Azure Functions, Azure Machine Learning en Azure Stream Analytics.
Architectuur
Een Visio-bestand van deze architectuur downloaden.
Gegevensstroom
- Event Hubs neemt onbewerkte klikstreamgegevens van Azure Functions op en geeft deze door aan Stream Analytics.
- Azure Stream Analytics voegt klikken in bijna realtime samen per product, aanbieding en gebruiker. Schrijft naar Azure Cosmos DB en archiveert ook onbewerkte klikstroomgegevens naar Azure Storage.
- In Azure Cosmos DB worden geaggregeerde gegevens van klikken op gebruikers, producten en aanbiedingen van gebruikersprofielgegevens opgeslagen.
- Azure Storage slaat gearchiveerde onbewerkte klikstreamgegevens op uit Stream Analytics.
- Azure Functions neemt clickstreamgegevens van gebruikers van websites over en leest de bestaande gebruikersgeschiedenis uit Azure Cosmos DB. Deze gegevens worden vervolgens door de Machine Learning-webservice verwerkt of gebruikt samen met de koudestartgegevens in Azure Cache voor Redis om productaffiniteitsscores te verkrijgen. Productaffiniteitsscores worden gebruikt met de gepersonaliseerde aanbiedingenlogica om de meest relevante aanbiedingen vast te stellen om aan de gebruiker te presenteren.
- Azure Machine Learning helpt u bij het ontwerpen, testen, operationeel maken en beheren van predictive analytics-oplossingen in de cloud.
- Azure Cache voor Redis slaat vooraf berekende cold-start productaffiniteitsscores op voor gebruikers zonder geschiedenis.
- Power BI maakt visualisatie van gebruikersactiviteitsgegevens en aanbiedingen mogelijk die worden gepresenteerd door gegevens uit Azure Cosmos DB te lezen.
Onderdeel
- Event Hubs
- Azure Stream Analytics
- Azure Cosmos DB
- Azure Storage
- Azure Functions
- Azure Machine Learning
- Azure Cache voor Redis
- Power BI
Scenariodetails
Gepersonaliseerde marketing is essentieel voor het opbouwen van klantenbinding terwijl u winstgevend blijft. Het bereiken van klanten en hun aandacht wekken is moeilijker dan ooit en algemene aanbiedingen worden eenvoudig gemist of genegeerd. Huidige marketingsystemen maken onvoldoende gebruik van gegevens die kunnen helpen bij het oplossen van dit probleem.
Marketeers die intelligente systemen gebruiken en enorme hoeveelheden gegevens analyseren, kunnen elke gebruiker relevante en gepersonaliseerde aanbiedingen presenteren. Ze steken hiermee boven het maaiveld uit en hebben de aandacht. Retailers kunnen bijvoorbeeld aanbiedingen en inhoud bieden op basis van de unieke interesses, voorkeuren en productaffiniteit van elke klant, waardoor producten voor de mensen worden gekocht.
Deze architectuur laat zien hoe u een oplossing kunt maken die u aanbiedt met Azure Functions, Azure Machine Learning en Azure Stream Analytics.
Potentiële gebruikscases
Door uw aanbiedingen te personaliseren, levert u een geïndidialiseerde ervaring voor huidige en potentiële klanten, het stimuleren van betrokkenheid en het verbeteren van de klantconversie, levensduurwaarde en retentie.
Deze oplossing is ideaal voor de detailhandel en marketingindustrie.
Volgende stappen
Raadpleeg de productdocumentatie:
- Meer informatie over Event Hubs
- Meer informatie over Stream Analytics
- Meer informatie over het gebruik van Azure Cosmos DB
- Meer informatie over Azure Storage
- Meer informatie over het maken van functies
- Meer informatie over machine learning
- Meer informatie over het gebruik van Azure Cache voor Redis
- Meer informatie over Power BI
Probeer een leertraject:
- Een oplossing voor gegevensstreaming implementeren met Azure Streaming Analytics
- Een Machine Learning-model bouwen
- Serverloze apps maken met Azure Functions
Verwante resources
Lees andere artikelen over Azure Architecture Center: