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.

Popis

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

Šetřete čas a nechte některého ze školených partnerů SI, aby vám pomohli s testováním konceptu, nasazením i integrací tohoto řešení.

Odhadovaný čas zřízení: 45 minut

Cortana Intelligence Suite poskytuje prostřednictvím Microsoft Azure pokročilé analytické nástroje (komponenty pro příjem dat, ukládání dat, zpracování dat a pokročilé analýzy), to znamená všechny nepostradatelné prvky pro vytvoření řešení individuálních nabídek.

Toto řešení kombinuje několik služeb Azure a poskytuje řadu výhod. Event Hubs shromažďuje data o spotřebě v reálném čase. Služba Stream Analytics agreguje streamovaná data a zpřístupňuje je pro vizualizace a také aktualizuje data používaná při vytváření individuálních nabídek pro zákazníka. Azure DocumentDB ukládá informace o zákaznících, produktech a nabídkách. Azure Storage se využívá ke správě front, které simulují interakci s uživatelem. Služba Azure Functions slouží jako koordinátor pro simulace uživatelů a také jako centrální část řešení pro vytváření individuálních nabídek. Azure Machine Learning implementuje a provádí hodnocení afinity uživatelů k produktům. Pokud není k dispozici historie uživatele, k poskytnutí předem vypočítaných afinit k produktům se pro příslušného zákazníka použije Azure Redis Cache. PowerBI vizualizuje aktivitu v reálném čase pro systém a na základě dat z DocumentDB také chování pro různé nabídky.

Tlačítko Deploy (Nasadit) spustí pracovní postup, který nasadí instanci tohoto řešení v rámci skupiny prostředků předplatného Azure, které jste zadali. Toto řešení zahrnuje několik služeb Azure (popsaných výše) a na konci poskytuje několik stručných pokynů nezbytných pro zajištění kompletního funkčního řešení se simulovaným chováním uživatelů.

Pokyny pro nasazení a další podrobné informace o technické implementaci najdete tady.

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.

User ActionSimulation Personalized OfferLogic System ResponseQueue User ActionQueue Event Hub Stream Analytics Power BI Machine Learning Cold StartProduct Affinity User Document DB Product Offers Reference Product Views Offer Views Cache Update Logic Azure Services Raw Stream Data 1 2 3 5 4

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 z Azure Redis Cache 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 z Azure Redis Cache).

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 z Azure Redis Cache 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 z Azure Redis Cache).
  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

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.

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.