Customer 360

Důkladné pochopení vztahu mezi zájmy zákazníka a vzory jeho chování při nákupu je v rámci maloobchodu nezbytnou součástí každé operace business intelligence. Toto řešení implementuje proces agregování zákaznických dat do komplexního profilu a využívá pokročilé modely strojového učení podporované spolehlivostí a výpočetním výkonem Azure k zajištění prediktivních přehledů o simulovaných zákaznících.

Popis

Poznámka: Pokud jste toto řešení už nasadili, můžete ho zobrazit kliknutím sem.

Další podrobnosti o postupu sestavení tohoto řešení najdete v průvodci řešením na GitHubu.

Odhadovaný čas zřízení: 20 minut

Typický maloobchod shromažďuje data o zákaznících prostřednictvím řady různých kanálů, včetně vzorů prohlížení internetu, chování při nákupu, demografických údajů a dalších webových dat založených na relacích. Některá z těchto dat pocházejí z hlavní obchodní činnosti, ale ostatní data se musí vytáhnout z externích zdrojů, jako jsou partneři, výrobci, veřejné domény atd.

Celá řada firem využívá jenom malou část dostupných dat. Ale pro zajištění maximální návratnosti investic je potřeba integrovat relevantní data ze všech zdrojů. Zajištění integrace externích heterogenních dat do modulu sdíleného zpracování dat tradičně vyžadovalo nemalé úsilí i prostředky. Toto řešení popisuje jednoduchý škálovatelný přístup k integraci analýz a strojového učení s cílem předpovídat nákupní aktivitu zákazníků.

Řešení komplexního zákaznického profilu se soustředí na výše uvedené problémy:

  • Uniformní přístup k datům z různých zdrojů dat se současnou minimalizací přesunu dat a složitosti systému s cílem zvýšit výkon
  • Provedení technických prací a ETL potřebných k využití prediktivního modelu Machine Learningu
  • Vytvoření komplexního zákaznického profilu obohaceného o prediktivní analýzy spuštěné napříč distribuovaným systémem, který je zajištěný Microsoft R Serverem a službou Azure HDInsight

Právní omezení

© 2017 Microsoft Corporation. Všechna práva vyhrazena. Tyto informace se poskytují „tak, jak jsou“ a mohou se bez předchozího upozornění změnit. Společnost Microsoft neposkytuje s ohledem na uvedené informace žádné záruky, ať už výslovné, nebo implikované. K vytvoření řešení byla použita data třetích stran. Zodpovídáte za respektování práv ostatních, včetně pořízení náležitých licencí pro vytváření podobných datových sad a jejich dodržování.

Python Web Job Event Hub ETL (Python) Machine LearningTrained model Stream Analytics Azure Storage Browsing Data Batch ETL and Predictive Pipeline 1 2 SQL DW Demographics, products, purchases Merged customer profilew/ engineered features Enriched customer profile with predictions HD Insight(Spark R Server) Enriched customer profiles Power BI Dashboard 3 4 5 6

Generátor dat předá simulované zákaznické události do Event Hubu.

Úloha Stream Analytics načítá data z Event Hubu a provádí agregace.

Služba Stream Analytics udržuje data seskupená podle času v Azure Storage Blobu.

Úloha Sparku spuštěná ve službě HDInsight slučuje nejnovější data o prohlížení internetu s historickými údaji o nákupech a demografickými daty a vytváří konsolidovaný profil uživatele.

Druhá úloha Sparku vyhodnocuje profily jednotlivých zákazníků pomocí modelu strojového učení a predikuje budoucí vzory chování při nákupu (to znamená, je pravděpodobné, že si daný zákazník něco koupí v následujících 30 dnech, a pokud ano, v jaké produktové kategorii?).

Předpovědi a další data profilů se vizualizují a sdílejí jako grafy a tabulky v Power BI Online.

  1. 1 Generátor dat předá simulované zákaznické události do Event Hubu.
  2. 2 Úloha Stream Analytics načítá data z Event Hubu a provádí agregace.
  3. 3 Služba Stream Analytics udržuje data seskupená podle času v Azure Storage Blobu.
  1. 4 Úloha Sparku spuštěná ve službě HDInsight slučuje nejnovější data o prohlížení internetu s historickými údaji o nákupech a demografickými daty a vytváří konsolidovaný profil uživatele.
  2. 5 Druhá úloha Sparku vyhodnocuje profily jednotlivých zákazníků pomocí modelu strojového učení a predikuje budoucí vzory chování při nákupu (to znamená, je pravděpodobné, že si daný zákazník něco koupí v následujících 30 dnech, a pokud ano, v jaké produktové kategorii?).
  3. 6 Předpovědi a další data profilů se vizualizují a sdílejí jako grafy a tabulky v Power BI Online.