Upravit

Individuální nabídky

Azure Event Hubs
Azure Functions
Azure Machine Learning
Azure Storage
Azure Stream Analytics

Nápady na řešení

Tento článek je myšlenkou řešení. Pokud chcete, abychom obsah rozšířili o další informace, jako jsou potenciální případy použití, alternativní služby, aspekty implementace nebo pokyny k cenám, dejte nám vědět tím, že nám poskytnete zpětnou vazbu k GitHubu.

Toto řešení vytváří inteligentní marketingové systémy, které poskytují obsah přizpůsobený zákazníkům pomocí modelů strojového učení, které analyzují data z více zdrojů. Mezi klíčové technologie, které se používají, patří inteligentní doporučení a Azure Personalizace.

Architektura

Architecture diagram that shows how personalized offers are generated by incorporating product and offer views.

Stáhněte si soubor aplikace Visio s touto architekturou.

Tok dat

  1. Aplikace funkcí Azure zachycuje nezpracovanou aktivitu uživatelů (například kliknutí na produkt a nabídku) a nabídky, které se provádějí uživatelům na webu. Aktivita se odesílá do služby Azure Event Hubs. V oblastech, kde aktivita uživatele není dostupná, se simulovaná aktivita uživatele ukládá do služby Azure Cache for Redis.
  2. Azure Stream Analytics analyzuje data, aby poskytovala analýzy vstupního datového proudu téměř v reálném čase z instance Azure Event Hubs.
  3. Agregovaná data se odesílají do služby Azure Cosmos DB for NoSQL.
  4. Power BI se používá k vyhledání přehledů o agregovaných datech.
  5. Nezpracovaná data se posílají do Azure Data Lake Storage.
  6. Inteligentní doporučení používají nezpracovaná data ze služby Azure Data Lake Storage a poskytují doporučení pro Azure Personalizace.
  7. Služba Personalizace poskytuje nejlepší kontextové a přizpůsobené produkty a nabídky.
  8. Simulovaná data aktivit uživatelů jsou poskytována službě Personalizace za účelem poskytování přizpůsobených produktů a nabídek.
  9. Výsledky se zobrazí ve webové aplikaci, ke které uživatel přistupuje.
  10. Zpětná vazba uživatele se zaznamenává na základě reakce uživatele na zobrazené nabídky a produkty. Skóre odměny se poskytuje službě Personalizace, aby v průběhu času fungovala lépe.
  11. Opětovné vytrénování inteligentních doporučení může vést k lepším doporučením. Tento proces je možné provést také pomocí aktualizačních dat z Azure Data Lake Storage.

Komponenty

  • Event Hubs je plně spravovaná platforma streamování. V tomto řešení služba Event Hubs shromažďuje data o spotřebě v reálném čase.
  • Stream Analytics nabízí bezserverové zpracování datových proudů v reálném čase. Tato služba poskytuje způsob, jak spouštět dotazy v cloudu a na hraničních zařízeních. V tomto řešení Stream Analytics agreguje streamovaná data a zpřístupňuje je pro vizualizace a aktualizace.
  • Azure Cosmos DB je globálně distribuovaná databáze s více modely. Díky službě Azure Cosmos DB můžou vaše řešení elasticky škálovat propustnost a úložiště napříč libovolným počtem geografických oblastí. Azure Cosmos DB for NoSQL ukládá data ve formátu dokumentu a je jedním z několika databázových rozhraní API, která nabízí Azure Cosmos DB. V implementaci tohoto řešení se DocumentDB použil k ukládání informací o zákazníkovi, produktu a nabídce, ale můžete také použít Službu Azure Cosmos DB for NoSQL. Další informace najdete v tématu Vážení zákazníci DocumentDB, vítejte ve službě Azure Cosmos DB!.
  • Úložiště je řešení cloudového úložiště, které zahrnuje úložiště objektů, souborů, disků, front a tabulek. Služby zahrnují řešení hybridního úložiště a nástroje pro přenos, sdílení a zálohování dat. Toto řešení používá službu Storage ke správě front, které simulují interakci uživatele.
  • Functions je bezserverová výpočetní platforma, kterou můžete použít k vytváření aplikací. Pomocí služby Functions můžete pomocí triggerů a vazeb integrovat služby. Toto řešení používá službu Functions ke koordinaci simulace uživatelů. Functions je také základní komponenta, která generuje přizpůsobené nabídky.
  • Machine Učení je cloudové prostředí, které můžete použít k trénování, nasazování, automatizaci, správě a sledování modelů strojového učení. V této části machine Učení používá předvolby jednotlivých uživatelů a historii produktů k zajištění skóre spřažení mezi uživatelem.
  • Azure Cache for Redis poskytuje úložiště dat v paměti založené na softwaru Redis. Azure Cache for Redis poskytuje opensourcové funkce Redis jako plně spravovanou nabídku. V tomto řešení poskytuje Azure Cache for Redis předem vypočítané spřažení produktů pro zákazníky bez dostupné historie uživatelů.
  • Power BI je služba pro obchodní analýzy, která poskytuje interaktivní vizualizace a možnosti business intelligence. Jeho snadno použitelné rozhraní umožňuje vytvářet vlastní sestavy a řídicí panely. Toto řešení používá Power BI k zobrazení aktivity v reálném čase v systému. Power BI například používá data ze služby Azure Cosmos DB for NoSQL k zobrazení odezvy zákazníků na různé nabídky.
  • Data Lake Storage je škálovatelné úložiště, které obsahuje velké množství dat v nativním nezpracovaném formátu dat.

Podrobnosti řešení

V dnešním vysoce konkurenčním a propojeném prostředí už moderní firmy nemohou přežít na obecném statickém online obsahu. Marketingové strategie, které používají tradiční nástroje, mohou být navíc nákladné a obtížně implementují. V důsledku toho nevygenerují požadovanou návratnost investic. Tyto systémy často nedokážou plně využít shromážděných dat při vytváření osobnějšího prostředí pro uživatele.

Prezentace nabídek přizpůsobených jednotlivým uživatelům se stala zásadním předpokladem pro budování věrnosti zákazníků a zbývající ziskové nabídky. Na maloobchodním webu zákazníci chtějí inteligentní systémy, které poskytují nabídky a obsah na základě jejich jedinečných zájmů a preferencí. Dnešní digitální marketingové týmy můžou tuto inteligenci vytvářet pomocí dat generovaných ze všech typů interakcí uživatelů.

Obchodníci teď mají příležitost poskytovat vysoce relevantní a přizpůsobené nabídky každému uživateli analýzou obrovských objemů dat. Vytvoření spolehlivé a škálovatelné infrastruktury velkých objemů dat ale není triviální. A vývoj sofistikovaných modelů strojového učení, které jsou přizpůsobené pro každého uživatele, je také složitým závazkem.

Inteligentní doporučení nabízí možnosti pro řízení požadovaných výsledků, jako jsou doporučení položek založená na interakcích a metadatech uživatelů. Dá se použít k propagaci a přizpůsobení libovolného typu obsahu, jako jsou prodejné produkty, média, dokumenty, nabídky a další.

Azure Personalizace je služba, která je součástí Azure Cognitive Services. Dá se použít k určení toho, který produkt má navrhnout nakupujícím nebo zjistit optimální pozici pro reklamu. Personalizace funguje jako další poslední krok ranker. Jakmile se uživateli zobrazí doporučení, bude reakce uživatele sledována a hlášena jako skóre odměny zpět do služby Personalizace. Tento proces zajišťuje, že se služba učí nepřetržitě a vylepšuje schopnost personalizace vybrat nejlepší položky na základě přijatých kontextových informací.

Microsoft Azure poskytuje pokročilé analytické nástroje v oblastech příjmu dat, úložiště dat, zpracování dat a pokročilých analytických komponent – všechny základní prvky pro vytvoření přizpůsobeného řešení nabídky.

Systémový integrátor

Když toto řešení implementujete, můžete ušetřit čas tím, že najímáte natrénovaný integrátor systému (SI). SI vám může pomoct s vývojem testování konceptu a může vám pomoct s nasazením a integrací řešení.

Potenciální případy použití

Toto řešení se vztahuje na uvádění zboží a služeb na základě zákaznických údajů (produktů zobrazených a / nebo zakoupených). To se může použít v následujících oblastech:

  • Elektronické obchodování – jedná se o oblast, kde se přizpůsobení běžně používá s chováním zákazníků a doporučeními k produktům.

  • Maloobchodní prodej – Na základě dat o předchozím nákupu je možné poskytovat doporučení a nabídky na produktech.

  • Telecom – Na základě interakce uživatelů v této oblasti je možné poskytnout doporučení. V porovnání s jinými odvětvími může být rozsah produktů a nabídek omezený.

Přispěvatelé

Tento článek spravuje Microsoft. Původně byla napsána následujícími přispěvateli.

Hlavní autor:

Pokud chcete zobrazit neveřejné profily LinkedIn, přihlaste se na LinkedIn.

Další kroky