Customer 360

Das umfassende Verständnis des Zusammenhangs von Kundeninteressen und Kaufmustern stellt eine kritische Komponente aller Business Intelligence-Vorgänge im Handel dar. Die vorliegende Lösung implementiert eine Aggregation von Kundendaten in ein Rundumprofil und verwendet erweiterte Machine Learning-Modelle, die sich die Zuverlässigkeit und die Verarbeitungsleistung von Azure zunutze machen, um Predictive Insights zu simulierten Kunden bereitzustellen.

+ Mehr anzeigen – Weniger anzeigen

Beschreibung

Weitere Informationen zur Struktur dieser Lösung entnehmen Sie dem Lösungsleitfaden auf GitHub.

Handelsunternehmen erfassen Kundendaten normalerweise über eine Vielzahl von Kanälen, z.B. über das Surf- und Kaufverhalten, demografische Daten und weitere sitzungsbasierte Webdaten. Einige Daten stammen aus dem Kerngeschäft des Unternehmens, andere hingegen müssen an verschiedener Stelle – beispielsweise von Partnern oder Herstellern oder aus öffentlich zugänglichen Quellen usw. – abgerufen und zusammengeführt werden.

Dabei nutzen viele Unternehmen nur einen kleinen Teil der verfügbaren Daten; um den ROI zu maximieren, wäre es für sie jedoch besser, relevante Daten aus allen Quellen zu integrieren. Traditionell erfordert die Integration externer und heterogener Datenquellen in eine gemeinsame Datenverarbeitungs-Engine erheblichen Aufwand und Ressourcen bei der Einrichtung. Die vorliegende Lösung beschreibt einen einfachen und skalierbaren Ansatz, mit dem sich durch Integration von Analyse und Machine Learning kundenseitige Kaufaktivitäten voraussagen lassen.

Die Customer 360 Profile-Lösung behebt die oben genannten Probleme durch Folgendes:

  • Performancesteigerung durch den gleichartigen Zugriff auf Daten aus vielen Quellen bei gleichzeitiger Minimierung von Datenverschiebung und Systemkomplexität
  • Durchführung von ETL und Feature Engineering, die für die Verwendung eines Predictive Machine Learning-Modells erforderlich sind
  • Erstellung eines umfassenden Rundumprofils des Kunden, ergänzt durch Predictive Analytics, die auf einem verteilten System auf der Grundlage von Microsoft R Server und Azure HDInsight ausgeführt werden

Haftungsausschluss

©2017 Microsoft Corporation. Alle Rechte vorbehalten. Alle Informationen werden im vorliegenden Zustand bereitgestellt und können sich ohne Vorankündigung ändern. Microsoft leistet weder ausdrücklich noch stillschweigend Gewähr hinsichtlich der hier zur Verfügung gestellten Informationen. Zur Erstellung der Lösung wurden Drittanbieterdaten verwendet. Sie sind dafür verantwortlich, die Rechte Dritter zu berücksichtigen. Hierzu zählen u.a. das Beschaffen relevanter Lizenzen, die zur Erstellung ähnlicher Datensätze benötigt werden, und das Erfüllen der jeweiligen Lizenzbedingungen.

Clienti a 360°Una comprensione completa della relazione tra interessi dei clienti e modelli di acquisto è un componente essenziale di qualsiasi operazione di business intelligence per la vendita al dettaglio. Questa soluzione implementa un processo di aggregazione dei dati dei clienti in un profilo a "360°" e usa modelli avanzati di Machine Learning basati sull'affidabilità e sulle capacità di elaborazione di Azure per fornire informazioni dettagliate predittive su clienti simulati.Python Web JobEvent HubETL (Python)Machine LearningTrained modelStream AnalyticsAzure StorageBrowsing DataBatch ETL and Predictive Pipeline12SQL DWDemographics, products, purchasesMerged customer profilew/ engineered featuresEnriched customer profile with predictionsHD Insight(Spark R Server)Enriched customer profilesPower BI Dashboard3456

Ein Datengenerator übermittelt simulierte Kundenereignisse an einen Event Hub.

Ein Stream Analytics-Auftrag liest die Daten aus dem EventHub aus und führt die Aggregationen durch.

Stream Analytics schreibt die nach Zeitpunkt gruppierten Daten in ein Azure Storage Blob.

Ein Spark-Auftrag, der in HDInsight ausgeführt wird, führt die aktuellen Surfdaten von Kunden mit Daten zu früheren Einkäufen sowie demografischen Daten zusammen, um ein konsolidiertes Benutzerprofil zu erstellen.

Ein zweiter Spark-Auftrag bewertet jedes Kundenprofil anhand eines Machine Learning-Modells, um künftige Kaufmuster vorherzusagen. Zum Beispiel: Mit welcher Wahrscheinlichkeit wird ein gegebener Kunde im Verlauf der nächsten 30 Tage einen Einkauf tätigen, und wenn ja, in welcher Produktkategorie?

Vorhersagen und andere Profildaten werden in Form von Diagrammen und Tabellen in Power BI Online visualisiert und freigegeben.

  1. 1 Ein Datengenerator übermittelt simulierte Kundenereignisse an einen Event Hub.
  2. 2 Ein Stream Analytics-Auftrag liest die Daten aus dem EventHub aus und führt die Aggregationen durch.
  3. 3 Stream Analytics schreibt die nach Zeitpunkt gruppierten Daten in ein Azure Storage Blob.
  1. 4 Ein Spark-Auftrag, der in HDInsight ausgeführt wird, führt die aktuellen Surfdaten von Kunden mit Daten zu früheren Einkäufen sowie demografischen Daten zusammen, um ein konsolidiertes Benutzerprofil zu erstellen.
  2. 5 Ein zweiter Spark-Auftrag bewertet jedes Kundenprofil anhand eines Machine Learning-Modells, um künftige Kaufmuster vorherzusagen. Zum Beispiel: Mit welcher Wahrscheinlichkeit wird ein gegebener Kunde im Verlauf der nächsten 30 Tage einen Einkauf tätigen, und wenn ja, in welcher Produktkategorie?
  3. 6 Vorhersagen und andere Profildaten werden in Form von Diagrammen und Tabellen in Power BI Online visualisiert und freigegeben.