Přeskočit navigaci

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.

맞춤형 제품오늘날의 경쟁이 심하고 연결된 환경에서 일반적이고 정적인 온라인 콘텐츠로는 더 이상 살아남을 수 없습니다. 더군다나 기존 도구를 사용하는 마케팅 전략은 종종 비용이 많이 들고 구현하기 힘들며 원하는 투자 수익률을 얻지 못합니다. 이러한 시스템은 사용자에게 맞춤형 환경을 제공하기 위해 수집한 데이터를 활용하는 데 종종 실패합니다.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.

맞춤형 제품오늘날의 경쟁이 심하고 연결된 환경에서 일반적이고 정적인 온라인 콘텐츠로는 더 이상 살아남을 수 없습니다. 더군다나 기존 도구를 사용하는 마케팅 전략은 종종 비용이 많이 들고 구현하기 힘들며 원하는 투자 수익률을 얻지 못합니다. 이러한 시스템은 사용자에게 맞춤형 환경을 제공하기 위해 수집한 데이터를 활용하는 데 종종 실패합니다.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

Prévision de la demandePrévoir précisément les pics de demande en services et produits peut offrir à une entreprise un avantage concurrentiel. Cette solution est axée sur la prévision de la demande dans le secteur de l’énergie.

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.

Prévision de la demande et optimisation des prixLa tarification est un facteur fondamental de réussite dans de nombreux secteurs, mais peut être une des tâches les plus complexes. Les entreprises bataillent souvent avec différents aspects du processus de tarification, notamment prévoir précisément l’impact financier des tactiques potentielles, en prenant en compte de façon raisonnable les principales contraintes métiers et en validant de façon juste les décisions de tarification exécutées. Étendre les offres de produits ajoute des exigences de calcul supplémentaires pour prendre des décisions de tarification en temps réel, en tenant compte de la difficulté de cette tâche déjà fastidieuse.

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.