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
Customer 360: perfil de cliente completoUn 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.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

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.

Customer 360: perfil de cliente completoUn 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.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

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