Løsningsarkitektur: Personligt tilpassede marketingløsninger

Tilpasset markedsføring er vigtig for at opbygge kundeloyalitet og fortsat at tjene penge. Det er sværere end nogensinde at nå ud til kunderne og få dem til at engagere sig. Og almindelige tilbud overses let eller ignoreres. De aktuelle markedsføringssystemer udnytter ikke de fordele ved data, som kan hjælpe med at løse dette problem.

Markedsføringsfolk, der bruger intelligente systemer og analyserer massive , kan levere yderst relevante og tilpassede tilbud til hver enkelt kunde ved at skære gennem rodet og fremme engagementet. Forhandlere kan f.eks. give tilbud og indhold på baggrund af hver enkelt kundes interesser og præferencer og dermed umiddelbart præsentere kunderne for de produkter, det er mest sandsynligt, de vil købe.

Ved at tilpasse dine tilbud, giver du alle nuværende og mulige kunder en individuel oplevelse, hvilket booster deres engagement og forbedrer kundekonverteringen, levetidsværdien samt bevarelsen af dem.

Personalized marketing solutionsFind essential technology to market your products with personalized offers. Individualize your marketing for greater customer response using big-data insights.Cosmos DB(Azure Services)DashboardBrowserAzureStream Analytics (NearReal-Time Aggregates)Input EventsEvent HubColdStartProduct AffinityMaching Learning(Product Affinity)RawStream DataPersonalized OfferLogic

Implementeringsvejledning

Produkter/beskrivelse Dokumentation

Event Hubs

Event Hubs overfører rådata om klikstrømme fra Functions og sender dem videre til Stream Analytics.

Azure Stream Analytics

Stream Analytics samler klik næsten i realtid efter produkt, tilbud og bruger for at skrive til Azure Cosmos DB og arkiverer også rådata om klikstrømme i Azure Storage.

Azure Cosmos DB

Azure Cosmos DB gemmer samlede data om klik pr. bruger, produkt og tilbud samt oplysninger om brugerprofil.

Storage-konti

Azure Storage gemmer arkiverede rådata om klikstrømme fra Stream Analytics.

Azure Functions

Azure Functions henter data om brugerens klikstrømme fra webstedet og læser historikken for den eksisterende bruger Azure fra Cosmos DB. Disse data køres herefter gennem Machine Learning-webtjenesten eller bruges sammen med data om kold start i Azure Cache for Redis for at opnå scorer om produkttilhørsforhold. Scorer om produkttilhørsforhold bruges sammen med logikken for det tilpassede tilbud til at beslutte, hvad der vil være det mest relevante tilbud til brugeren.

Machine Learning Studio

Med Machine Learning kan du nemt udvikle, teste, idriftsætte og administrere forudsigende analyseløsninger i cloudmiljøet.

Azure Cache for Redis

Azure Cache for Redis gemmer forudberegnede koldstartsscorer om produkttilhørsforhold for brugere uden historik.

Power BI

Power BI visualiserer data om brugeraktivitet og tilbud, som præsenteres ved at indlæse data fra Cosmos DB.

Relaterede løsningsarkitekturer