Omitir navegación

Ofertas personalizadas

En el entorno de hoy en día tan competitivo y conectado, las empresas modernas ya no pueden sobrevivir con contenido en línea genérico y estático. Además, las estrategias de marketing que usan herramientas tradicionales suelen ser caras, difíciles de implementar y no generan la rentabilidad de la inversión deseada. Estos sistemas no suelen sacar el máximo provecho a los datos recopilados para crear una experiencia de usuario más personalizada.

Presentar ofertas personalizadas para el usuario se ha convertido en un aspecto fundamental para aumentar la fidelidad del cliente y mantener la rentabilidad. En un sitio web minorista, los clientes desean encontrar sistemas inteligentes que presenten ofertas y contenido basados en sus preferencias e intereses exclusivos. Los equipos de marketing digital de hoy en día pueden crear esta inteligencia con los datos generados a partir de todos los tipos de interacciones del usuario. Mediante el análisis de cantidades masivas de datos, los vendedores tienen la oportunidad exclusiva de realizar ofertas personalizadas de gran relevancia a cada usuario. No obstante, crear una infraestructura de macrodatos confiable y escalable y desarrollar modelos de aprendizaje automático sofisticados que cada usuario pueda personalizar no son tareas fáciles.

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

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.

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

La actividad del usuario en el sitio web se simula con una instancia de Azure Functions y un par de colas de Azure Storage.

La funcionalidad de ofertas personalizadas se implementa como una función de Azure. Se trata de la función clave que enlaza todo para generar una oferta y actividad de registro. Los datos se leen en Azure Cache for Redis y Azure DocumentDB, y las puntuaciones de afinidad de los productos se calculan en Azure Machine Learning (si no existe ningún historial del usuario, se leen las afinidades calculadas previamente en Azure Cache for Redis).

Los datos sin procesar de actividad del usuario (clics en ofertas y productos), las ofertas presentadas a los usuarios y los datos de rendimiento (para Azure Functions y Azure Machine Learning) se envían al centro de eventos de Azure.

La oferta se devuelve al usuario. En la simulación, esto se hace mediante la escritura en una cola de Azure Storage y la recopilación realizada por una función de Azure, para producir la siguiente acción del usuario.

Azure Stream Analytics analiza los datos para proporcionar análisis casi en tiempo real del flujo de entrada procedente de Azure Event Hub. Los datos agregados se envían a Azure DocumentDB. Los datos sin procesar se envían al almacenamiento de Azure Data Lake.

  1. 1 La actividad del usuario en el sitio web se simula con una instancia de Azure Functions y un par de colas de Azure Storage.
  2. 2 La funcionalidad de ofertas personalizadas se implementa como una función de Azure. Se trata de la función clave que enlaza todo para generar una oferta y actividad de registro. Los datos se leen en Azure Cache for Redis y Azure DocumentDB, y las puntuaciones de afinidad de los productos se calculan en Azure Machine Learning (si no existe ningún historial del usuario, se leen las afinidades calculadas previamente en Azure Cache for Redis).
  3. 3 Los datos sin procesar de actividad del usuario (clics en ofertas y productos), las ofertas presentadas a los usuarios y los datos de rendimiento (para Azure Functions y Azure Machine Learning) se envían al centro de eventos de Azure.
  1. 4 La oferta se devuelve al usuario. En la simulación, esto se hace mediante la escritura en una cola de Azure Storage y la recopilación realizada por una función de Azure, para producir la siguiente acción del usuario.
  2. 5 Azure Stream Analytics analiza los datos para proporcionar análisis casi en tiempo real del flujo de entrada procedente de Azure Event Hub. Los datos agregados se envían a Azure DocumentDB. Los datos sin procesar se envían al almacenamiento de Azure Data Lake.

Arquitecturas de soluciones relacionadas

수요 예측제품 및 서비스에 대한 갑작스러운 수요 증가를 정확하게 예측하면 회사에 경쟁 우위가 제공될 수 있습니다. 이 솔루션은 에너지 분야의 수요 예측에 집중합니다.

Previsión de la demanda

Prever con exactitud los picos de demanda de productos y servicios puede suponer una ventaja competitiva para una compañía. Esta solución se centra en la previsión de la demanda en el sector energético.

수요 예측 및 가격 최적화가격은 많은 산업에서 성공하기 위한 중심 결정 요인으로 인식되지만 가장 어려운 작업 중 하나가 될 수 있습니다. 회사들은 잠재적인 전략의 재정적인 영향을 정확하게 예측하고, 핵심 비즈니스 제약 사항을 합리적으로 고려하고, 실행된 가격 결정을 공정하게 검증하는 작업을 비롯하여 가격 책정 프로세스의 여러 측면에서 노력하고 있습니다. 제품 제공을 확장하면 실시간 가격 결정을 수행하기 위한 계산 요구 사항이 추가되므로 이미 너무나 작업이 많은 어려운 상황이 악화됩니다.

Previsión de la demanda y optimización de precios

Los precios son un factor determinante del éxito de muchas industrias y su establecimiento puede ser una de las tareas más complejas. A menudo, las empresas deben afrontar varios aspectos del proceso de establecimiento de precios; entre ellos, una previsión exacta de las consecuencias financieras de posibles tácticas, una consideración razonable de las limitaciones de su actividad principal y una validación real de las decisiones sobre precios que se han puesto en marcha. La ampliación de las ofertas de productos supone más requisitos informáticos para tomar decisiones sobre precios en tiempo real, lo que agrava aún más la dificultad de esta tediosa tarea.