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.

Beschreibung

Hinweis: Wenn Sie diese Lösung bereits bereitgestellt haben, klicken Sie hier, um sich Ihre Bereitstellung anzeigen zu lassen.

Sparen Sie Zeit: Einer der folgenden geschulten SI-Partner unterstützt Sie gerne mit einem Proof of Concept sowie einem Machbarkeits- und Integrationsnachweis für diese Lösung.

Geschätzte Bereitstellungszeit: 45 Minuten

Die Cortana Intelligence Suite stellt moderne Analysetools über Microsoft Azure bereit. Die Datenerfassung, -speicherung und-verarbeitung sowie fortgeschrittene Analysekomponenten stellen dabei grundlegende Elemente zum Erstellen einer personalisierten Angebotslösung dar.

Diese Lösung kombiniert mehrere Azure-Dienste, um optimierte Ergebnisse zu erzielen. Event Hubs erfasst Verbrauchsdaten in Echtzeit. Stream Analytics sammelt die Streamingdaten und stellt sie zur Verfügung, damit sie visualisiert und für personalisierte Angebote an den Kunden aktualisiert werden können. Azure DocumentDB speichert die Informationen zu Kunde, Produkt und Angebot. Mit Azure Storage werden die Warteschlangen verwaltet, die Benutzerinteraktionen simulieren. Azure Functions dient als Koordinator für die Benutzersimulation und als zentraler Teil der Lösung zum Erstellen personalisierter Angebote. Azure Machine Learning implementiert eine Produktaffinitätsbewertung für jeden Benutzer und setzt diese um. Wenn kein Verlauf für den Benutzer verfügbar ist, werden mithilfe von Azure Redis Cache vorberechnete Produktaffinitäten für den Kunden bereitgestellt. Power BI visualisiert die Echtzeitaktivitäten des Systems sowie das Verhalten der verschiedenen Angebote mithilfe der Daten aus DocumentDB.

Bei einem Klick auf die Schaltfläche „Bereitstellen“wird ein Workflow gestartet, durch den eine Instanz der Lösung innerhalb einer Ressourcengruppe im angegebenen Azure-Abonnement bereitgestellt wird. Die Lösung schließt mehrere Azure-Dienste ein (siehe oben) und bietet am Ende einige kurze Anweisungen zum Bereitstellen einer funktionsfähigen vollständigen Lösung mit simuliertem Benutzerverhalten.

Anweisungen nach der Bereitstellung und weitere Hinweise zur technischen Implementierung finden Sie hier.

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 Offers 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

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

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.

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.