Omitir navegación

Customer 360: perfil de cliente completo

Un buen entendimiento entre los intereses de los clientes y los patrones de compra es un componente crítico de cualquier operación de inteligencia empresarial minorista. Esta solución implementa un proceso de agregación de datos de clientes en un perfil completo y utiliza modelos de aprendizaje automático avanzados con el respaldo de la confiabilidad y la capacidad de procesamiento de Azure para proporcionar conocimiento predictivo sobre clientes simulados.

+ Mostrar más – Mostrar menos

Descripción

Nota: Si ya ha implementado esta solución, haga clic aquí para ver la implementación.

Para obtener más información sobre cómo se crea esta solución, visite la guía de la solución en GitHub.

Tiempo de aprovisionamiento estimado: 20 minutos

Un negocio minorista típico recopila datos de clientes a través de varios canales, como los patrones de exploración en la Web, comportamientos de compra, datos demográficos y otros datos web basados en las sesiones. Algunos datos proceden de operaciones comerciales básicas, pero otros se pueden extraer (y combinar) de orígenes externos, como asociados, fabricantes, dominio público, etc.

Muchos negocios aprovechan solo una pequeña parte de los datos disponibles, pero, para maximizar la rentabilidad de la inversión, un negocio debe integrar datos relevantes de todos los orígenes. Tradicionalmente, la integración de orígenes de datos externos heterogéneos en un motor de procesamiento de datos compartido ha supuesto un gran esfuerzo y la configuración de numerosos recursos. Esta solución describe un método sencillo y escalable para integrar análisis y aprendizaje automático con el fin de predecir la actividad de compras de los clientes.

La solución de perfil Customer 360 hace frente a los problemas anteriores mediante:

  • Acceso uniforme a datos de diferentes orígenes al tiempo que se minimiza el movimiento de datos y la complejidad con el fin de impulsar el rendimiento.
  • ETL y elaboración de características para usar un modelo de aprendizaje automático predictivo.
  • Creación de un perfil de cliente completo enriquecido con análisis predictivo en un sistema distribuido con el respaldo de Microsoft R Server y Azure HDInsight.

Declinación de responsabilidades

©2017 Microsoft Corporation. Todos los derechos reservados. Esta información se proporciona "tal cual" y puede cambiar sin previo aviso. Microsoft no ofrece ninguna garantía, ni expresa ni implícita, respecto a la información que aquí se proporciona. Para generar la solución, se utilizaron datos de terceros. Usted es responsable de respetar los derechos de otros, incluida la adquisición y el cumplimiento de las licencias correspondientes para crear conjuntos de datos similares.

Python Web Job Event Hub ETL (Python) Machine LearningTrained model Stream Analytics Azure Storage Browsing Data Batch ETL and Predictive Pipeline 1 2 SQL DW Demographics, products, purchases Merged customer profilew/ engineered features Enriched customer profile with predictions HD Insight(Spark R Server) Enriched customer profiles Power BI Dashboard 3 4 5 6

Un generador de datos envía eventos de clientes simulados a un centro de eventos en Event Hubs.

Un trabajo de Stream Analytics lee los datos del centro de eventos y los agrega.

Stream Analytics guarda los datos agrupados por tiempo en una instancia de Azure Storage Blob.

Un trabajo de Spark que se ejecuta en HDInsight combina los últimos datos de exploración de los clientes con datos demográficos y de compras anteriores para crear un perfil de usuario consolidado.

Un segundo trabajo de Spark puntúa el perfil de cada cliente respecto a un modelo de aprendizaje automático para predecir patrones de compra futuros, es decir, ¿es probable que un cliente determinado haga una compra en los próximos 30 días? Y, si es así, ¿en qué categoría de productos?

Las predicciones y otros datos de perfil se visualizan y comparten en gráficos y tablas en Power BI Online

  1. 1 Un generador de datos envía eventos de clientes simulados a un centro de eventos en Event Hubs.
  2. 2 Un trabajo de Stream Analytics lee los datos del centro de eventos y los agrega.
  3. 3 Stream Analytics guarda los datos agrupados por tiempo en una instancia de Azure Storage Blob.
  1. 4 Un trabajo de Spark que se ejecuta en HDInsight combina los últimos datos de exploración de los clientes con datos demográficos y de compras anteriores para crear un perfil de usuario consolidado.
  2. 5 Un segundo trabajo de Spark puntúa el perfil de cada cliente respecto a un modelo de aprendizaje automático para predecir patrones de compra futuros, es decir, ¿es probable que un cliente determinado haga una compra en los próximos 30 días? Y, si es así, ¿en qué categoría de productos?
  3. 6 Las predicciones y otros datos de perfil se visualizan y comparten en gráficos y tablas en Power BI Online