Lösungsmöglichkeiten
Dieser Artikel ist ein Lösungsvorschlag. Wenn Sie möchten, dass wir diesen Artikel um weitere Informationen ergänzen, z. B. potenzielle Anwendungsfälle, alternative Dienste, Überlegungen zur Implementierung oder Preisempfehlungen, lassen Sie es uns über Feedback auf GitHub wissen.
Diese Architektur zeigt, wie Sie eine Lösung erstellen können, die Angebote mit Azure Functions, Azure Machine Learningund Azure Stream Analyticspersonalisiert.
Aufbau
Laden Sie eine Visio-Datei dieser Architektur herunter.
Datenfluss
- Event Hubs erfasst die unformatierten Clickstreamdaten von Azure Functions und gibt sie an Stream Analytics weiter.
- Azure Stream Analytics aggregiert Klicks nahezu in Echtzeit nach Produkt, Angebot und Benutzer. Schreibt in Azure Cosmos DB und archiviert auch unformatierte Klickstreamdaten in Azure Storage.
- Azure Cosmos DB speichert aggregierte Daten von Klicks nach Benutzer und Produkt und bietet Benutzerprofilinformationen.
- Azure Storage speichert archivierte unformatierte Clickstreamdaten aus Stream Analytics.
- Azure Functions erfasst Clickstreamdaten von Benutzern von Websites und liest den vorhandenen Benutzerverlauf aus Azure Cosmos DB. Diese Daten werden dann über den Machine Learning-Webdienst ausgeführt oder zusammen mit den Kaltstartdaten in Azure Cache for Redis verwendet, um Produktaffinitätsergebnisse abzurufen. Ergebnisse zur Produktaffinität werden mit der Logik des personalisierten Angebots verwendet, um das relevanteste Angebot zu ermitteln, das dem Benutzer präsentiert wird.
- Mit Azure Machine Learning können Sie Predictive-Analytics-Lösungen in der Cloud problemlos entwerfen, testen, operationalisieren und verwalten.
- Azure Cache for Redis speichert vorberechnete Produktaffinitätsscores von Kaltstarts für Benutzer ohne Verlauf.
- Power BI ermöglicht die Visualisierung von Benutzeraktivitätsdaten und Angeboten, die angezeigt werden, indem Daten aus Azure Cosmos DB gelesen werden.
Komponenten
- Event Hubs
- Azure Stream Analytics
- Azure Cosmos DB
- Azure Storage (in englischer Sprache)
- Azure-Funktionen
- Azure Machine Learning
- Azure Cache for Redis
- Power BI
Szenariodetails
Ein personalisiertes Marketing ist unerlässlich für den Aufbau der Kundenloyalität und um rentabel zu bleiben. Kunden zu erreichen und sie einzubinden, ist schwieriger als je zuvor, und generische Angebote werden einfach übersehen oder ignoriert. Die aktuellen Marketingsysteme können die Daten, die zur Lösung dieses Problems beitragen, nicht nutzen.
Händler, die intelligente Systeme verwenden und große Datenmengen analysieren, können den Benutzern relevante und personalisierte Angebote machen, wodurch sie einfacher das passende Angebot aus einer großen Auswahl finden können und so schneller zum Kauf angeregt werden. Beispielsweise können Einzelhändler Angebote und Inhalte bereitstellen, die auf den individuellen Interessen, Vorlieben und Produktpräferenzen der einzelnen Kunden basieren, indem sie die jeweiligen Produkte den Personen anbieten, die sie am ehesten kaufen.
Diese Architektur zeigt, wie Sie eine Lösung erstellen können, die Angebote mit Azure Functions, Azure Machine Learningund Azure Stream Analyticspersonalisiert.
Mögliche Anwendungsfälle
Durch eine Personalisierung Ihrer Angebote können Sie für gegenwärtige und potenzielle Kunden ein individualisiertes Angebot bereitstellen, sie zum Kauf anregen und die Konversion der Kunden, den Customer-Lifetime-Value und die Retention verbessern.
Diese Lösung ist ideal für den Einzelhandel und die Marketingbranche geeignet.
Nächste Schritte
Lesen Sie die Produktdokumentation:
- Weitere Informationen zu Event Hubs
- Weitere Informationen zu Stream Analytics
- Informationen zum Verwenden von Azure Cosmos DB
- Weitere Informationen zu Azure Storage
- Informationen zum Erstellen von Functions
- Weitere Informationen zu Machine Learning
- Informationen zum Verwenden von Azure Cache for Redis
- Informationen zu Power BI
Versuchen Sie einen Lernpfad:
- Implementieren einer Datenstreaminglösung mit Azure Stream Analytics
- Erstellen eines Machine-Learning-Modells
- Erstellen serverloser Apps mit Azure Functions
Verwandte Ressourcen
Hier finden Sie weitere Azure Architecture Center-Artikel: