Navigation überspringen

Personalisierte Angebote

Moderne Unternehmen können in der heutigen wettbewerbsorientierten und verbundenen Umgebung mit generischen, statischen Onlineinhalten nicht mehr überleben. Marketingstrategien mit traditionellen Mitteln sind darüber hinaus oft teuer, aufwendig zu implementieren und führen nicht zu der erwünschten ROI. Diese Systeme nutzen häufig nicht alle gesammelten Daten, um eine persönlichere Benutzererfahrung zu erzeugen.

Das Herausgeben von Angeboten, die auf den Benutzer zurechtgeschnitten sind, ist für den Aufbau einer Kundenbindung und das Erreichen von Profitabilität unerlässlich geworden. Auf einer Einzelhandelswebsite erwarten Kunden intelligente Systeme, die Angebote und Inhalte anhand ihrer ganz eigenen Interessen und Bevorzugungen bereitstellen. Heutige digitale Marketingteams können diese Informationen mithilfe der Daten erstellen, die aus allen Arten von Benutzerinteraktionen generiert werden. Durch das Analysieren riesiger Datenmengen haben Marketingexperten die einzigartige Gelegenheit, jedem Benutzer hochgradig relevante und personalisierte Angebote bereitzustellen. Das Erstellen einer zuverlässigen und skalierbaren Infrastruktur für Big Data und das Entwickeln von ausgereiften Modellen für maschinelles Lernen, die für jeden Benutzer ein persönliches Erlebnis bieten, ist jedoch nicht trivial.

Personalized OffersIn today's highly competitive and connected environment, modern businesses can no longer survive with generic, static online content. Furthermore, marketing strategies using traditional tools are often expensive, hard to implement, and do not produce the desired return on investment. These systems often fail to take full advantage of the data collected to create a more personalized experience for the user.User ActionSimulationPersonalized OfferLogicSystem ResponseQueueUser ActionQueueEvent HubStream AnalyticsPower BIMachine LearningCold StartProduct AffinityUserDocument DBProductOffersReferenceProduct ViewsOffer ViewsCache Update LogicAzure ServicesRaw Stream Data12354

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.

Personalized OffersIn today's highly competitive and connected environment, modern businesses can no longer survive with generic, static online content. Furthermore, marketing strategies using traditional tools are often expensive, hard to implement, and do not produce the desired return on investment. These systems often fail to take full advantage of the data collected to create a more personalized experience for the user.User ActionSimulationPersonalized OfferLogicSystem ResponseQueueUser ActionQueueEvent HubStream AnalyticsPower BIMachine LearningCold StartProduct AffinityUserDocument DBProductOffersReferenceProduct ViewsOffer ViewsCache Update LogicAzure ServicesRaw Stream Data12354

Die Benutzeraktivitäten auf der Website werden mit einer Azure-Funktion und einem Paar von Azure Storage-Warteschlangen simuliert.

Die Funktionen des personalisierten Angebots werden als Azure-Funktion implementiert. Dies ist die Hauptfunktion, die aus allen Elementen ein Angebot zusammenstellt und die Aktivitäten aufzeichnet. Die Daten werden von Azure Redis Cache und Azure DocumentDB eingelesen, und die Produktaffinitätsbewertungen werden über Azure Machine Learning berechnet. (Wenn kein Verlauf für den Benutzer vorhanden ist, werden vorberechnete Affinitäten aus Azure Redis Cache gelesen.)

Unverarbeitete Benutzeraktivitätsdaten (Klicks auf Produkte und Angebote), Benutzern unterbreitete Angebote und Leistungsdaten (für Azure Functions und Azure Machine Learning) werden an Azure Event Hub gesendet.

Das Angebot wird an den Kunden zurückgegeben. In unserer Simulation erfolgt dies durch Schreiben einer Azure Storage-Warteschlange und wird von einer Azure-Funktion übernommen, die die nächste Benutzeraktion generiert.

Azure Stream Analytics untersucht die Daten, um für den Eingabestream des Azure Event Hub Analysen nahezu in Echtzeit zur Verfügung stellen zu können. Die gesammelten Daten werden an Azure DocumentDB gesendet. Die unverarbeiteten Daten werden an Azure Data Lake Storage gesendet.

  1. 1 Die Benutzeraktivitäten auf der Website werden mit einer Azure-Funktion und einem Paar von Azure Storage-Warteschlangen simuliert.
  2. 2 Die Funktionen des personalisierten Angebots werden als Azure-Funktion implementiert. Dies ist die Hauptfunktion, die aus allen Elementen ein Angebot zusammenstellt und die Aktivitäten aufzeichnet. Die Daten werden von Azure Redis Cache und Azure DocumentDB eingelesen, und die Produktaffinitätsbewertungen werden über Azure Machine Learning berechnet. (Wenn kein Verlauf für den Benutzer vorhanden ist, werden vorberechnete Affinitäten aus Azure Redis Cache gelesen.)
  3. 3 Unverarbeitete Benutzeraktivitätsdaten (Klicks auf Produkte und Angebote), Benutzern unterbreitete Angebote und Leistungsdaten (für Azure Functions und Azure Machine Learning) werden an Azure Event Hub gesendet.
  1. 4 Das Angebot wird an den Kunden zurückgegeben. In unserer Simulation erfolgt dies durch Schreiben einer Azure Storage-Warteschlange und wird von einer Azure-Funktion übernommen, die die nächste Benutzeraktion generiert.
  2. 5 Azure Stream Analytics untersucht die Daten, um für den Eingabestream des Azure Event Hub Analysen nahezu in Echtzeit zur Verfügung stellen zu können. Die gesammelten Daten werden an Azure DocumentDB gesendet. Die unverarbeiteten Daten werden an Azure Data Lake Storage gesendet.

Zugehörige Lösungsarchitekturen

Demand ForecastingAccurately forecasting spikes in demand for products and services can give a company a competitive advantage. This solution focuses on demand forecasting within the energy sector.

Nachfragevorhersage

Die genaue Vorhersage von Nachfragespitzen für Produkte und Dienste kann Unternehmen einen Wettbewerbsvorteil verschaffen. Diese Lösung konzentriert sich auf die Nachfragevorhersage innerhalb des Energiesektors.

Demand Forecasting and Price OptimizationPricing is recognized as a pivotal determinant of success in many industries and can be one of the most challenging tasks. Companies often struggle with several aspects of the pricing process, including accurately forecasting the financial impact of potential tactics, taking reasonable consideration of core business constraints, and fairly validating the executed pricing decisions. Expanding product offerings add further computational requirements to make real-time pricing decisions, compounding the difficulty of this already overwhelming task.

Nachfragevorhersage und Preisoptimierung

Die Preisgestaltung ist in vielen Branchen der Dreh- und Angelpunkt des Erfolgs und kann eine der größten Herausforderungen sein. Unternehmen haben häufig mit verschiedenen Aspekten des Preisgestaltungsprozesses zu kämpfen, z.B. der exakten Vorhersage der finanziellen Auswirkungen möglicher Taktiken, der sinnvollen Einbeziehung wichtiger geschäftlicher Einschränkungen und der richtigen Bewertung der angewandten Preisentscheidungen. Eine Erweiterung des Produktangebots kann die Anforderungen hinsichtlich der Berechnung erhöhen, um Preisentscheidungen in Echtzeit fällen zu können – so wird diese Aufgabe, die sowie schon nahezu überwältigend ist, noch schwieriger.