Individuální nabídky

V dnešním vysoce konkurenčním a propojeném prostředí moderní firmy už neobstojí s generickým a statickým online obsahem. Marketingové strategie využívající tradiční nástroje jsou navíc často drahé, obtížně se implementují a neposkytují požadovanou návratnost investic. Tyto systémy obvykle nedokážou plně využít shromážděná data k zajištění individuálnějšího prostředí pro uživatele.

Poskytování nabídek přizpůsobených uživatelům je v současnosti nezbytné k posílení loajality zákazníků a zajištění ziskovosti. Na maloobchodních webech zákazníci očekávají inteligentní systémy, které poskytují obsah a nabídky založené na jejich specifických zájmech a preferencích. Týmy digitálního marketingu mohou tyto inteligentní funkce sestavovat s využitím dat generovaných ze všech typů interakcí s uživateli. Obchodníci mají jedinečnou příležitost nabídnout každému uživateli vysoce relevantní individuální nabídky, a to díky analýze ohromného množství dat. Sestavit spolehlivou a škálovatelnou infrastrukturu pro velké objemy dat a vyvinout propracované modely strojového učení ale není nic snadného.

个性化服务在竞争激烈而又互联互通的今天,现代企业无法再依靠通用的静态在线内容存活下来。此外,使用传统工具的市场营销策略通常面临着成本高昂、难以实现的问题,同时也无法产生期望的投资回报率。这些系统通常未能充分利用收集的数据,进而无法为用户创造更加个性化的体验。User ActionSimulationPersonalized OfferLogicSystem ResponseQueueUser ActionQueueEvent HubStream AnalyticsPower BIMachine LearningCold StartProduct AffinityUserDocument DBProductOffersReferenceProduct ViewsOffer ViewsCache Update LogicAzure ServicesRaw Stream Data12354

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.

个性化服务在竞争激烈而又互联互通的今天,现代企业无法再依靠通用的静态在线内容存活下来。此外,使用传统工具的市场营销策略通常面临着成本高昂、难以实现的问题,同时也无法产生期望的投资回报率。这些系统通常未能充分利用收集的数据,进而无法为用户创造更加个性化的体验。User ActionSimulationPersonalized OfferLogicSystem ResponseQueueUser ActionQueueEvent HubStream AnalyticsPower BIMachine LearningCold StartProduct AffinityUserDocument DBProductOffersReferenceProduct ViewsOffer ViewsCache Update LogicAzure ServicesRaw Stream Data12354

Aktivita uživatelů na webu se simuluje pomocí funkce Azure Functions a dvojice front Azure Storage.

Funkce individuálních nabídek se implementuje jako funkce Azure Functions. Toto je klíčová funkce, která propojuje všechno dohromady s cílem vytvořit nabídku a zaznamenat aktivity. Data se načtou ze služeb Azure Cache for Redis a Azure DocumentDb a hodnocení afinity k produktům se vypočtou s využitím Azure Machine Learningu (pokud není k dispozici historie uživatele, předem vypočítané afinity se načtou ze služby Azure Cache for Redis).

Nezpracovaná data aktivit uživatelů (kliknutí na nabídky a produkty), nabídky předložené uživatelům a údaje o výkonu (pro Azure Functions a Azure Machine Learning) se odešlou do služby Azure Event Hub.

Nabídka se potom vrátí uživateli. V naší simulaci se to realizuje zápisem do Azure Storage a vyzvednutím pomocí funkce Azure Functions s cílem vytvořit další akci uživatele.

Služba Azure Stream Analytics analyzuje data a poskytuje analýzy téměř v reálném čase pro vstupní datový proud z Azure Event Hubu. Agregovaná data se posílají do Azure DocumentDB. Nezpracovaná data se posílají do Azure Data Lake Storage.

  1. 1 Aktivita uživatelů na webu se simuluje pomocí funkce Azure Functions a dvojice front Azure Storage.
  2. 2 Funkce individuálních nabídek se implementuje jako funkce Azure Functions. Toto je klíčová funkce, která propojuje všechno dohromady s cílem vytvořit nabídku a zaznamenat aktivity. Data se načtou ze služeb Azure Cache for Redis a Azure DocumentDb a hodnocení afinity k produktům se vypočtou s využitím Azure Machine Learningu (pokud není k dispozici historie uživatele, předem vypočítané afinity se načtou ze služby Azure Cache for Redis).
  3. 3 Nezpracovaná data aktivit uživatelů (kliknutí na nabídky a produkty), nabídky předložené uživatelům a údaje o výkonu (pro Azure Functions a Azure Machine Learning) se odešlou do služby Azure Event Hub.
  1. 4 Nabídka se potom vrátí uživateli. V naší simulaci se to realizuje zápisem do Azure Storage a vyzvednutím pomocí funkce Azure Functions s cílem vytvořit další akci uživatele.
  2. 5 Služba Azure Stream Analytics analyzuje data a poskytuje analýzy téměř v reálném čase pro vstupní datový proud z Azure Event Hubu. Agregovaná data se posílají do Azure DocumentDB. Nezpracovaná data se posílají do Azure Data Lake Storage.

Související architektury řešení

Demand ForecastingAccurately forecasting spikes in demand for products and services can give a company a competitive advantage. This solution focuses on demand forecasting within the energy sector.

Prognózování poptávky

Přesné prognózování Accurately špiček v poptávce po produktech a službách může společnostem přinést konkurenční výhody. Toto řešení se soustředí na prognózování poptávky v energetickém sektoru.

Demand Forecasting and Price OptimizationPricing is recognized as a pivotal determinant of success in many industries and can be one of the most challenging tasks. Companies often struggle with several aspects of the pricing process, including accurately forecasting the financial impact of potential tactics, taking reasonable consideration of core business constraints, and fairly validating the executed pricing decisions. Expanding product offerings add further computational requirements to make real-time pricing decisions, compounding the difficulty of this already overwhelming task.

Prognózování poptávky a optimalizace cen

Nastavení cen se v řadě odvětví považuje za klíčový faktor úspěchu a může představovat jeden z nejtěžších úkolů. Společnosti se často potýkají s různými aspekty procesu nastavení cen, včetně přesné prognózy finančního dopadu potenciálních taktik, rozumného zohlednění hlavních obchodních omezení a důkladného ověření učiněných rozhodnutí o cenách. Rozšiřování nabídky produktů a vyšší požadavky na výpočetní výkon, potřebný pro rozhodování o cenách v reálném čase, tento už tak velmi náročný úkol ještě více ztěžují.