Passer la navigation

Offres personnalisées

Dans le monde moderne hautement compétitif et connecté, les entreprises modernes ne peuvent plus survivre avec un contenu en ligne statique et générique. De plus, les stratégies marketing utilisant des outils traditionnels sont souvent onéreuses, difficiles à implémenter et ne génèrent pas le retour sur investissement attendu. Ces systèmes ne parviennent souvent pas à tirer pleinement parti des données collectées pour créer une expérience utilisateur plus personnalisée.

La génération d’offres personnalisées en fonction de l’utilisateur est devenu un élément essentiel pour construire la fidélité des clients et assurer la rentabilité. Sur un site web de vente au détail, les clients veulent des systèmes intelligents qui proposent des offres et du contenu en fonction de leurs intérêts et préférences spécifiques. Les équipes de marketing digital modernes peuvent générer ces fonctionnalités intelligentes à l’aide des données générées à partir de tous les types d’interactions utilisateur. En analysant d’immenses volumes de données, les spécialistes du marketing ont l’opportunité de proposer des offres hautement pertinentes et personnalisées en fonction de chaque utilisateur. Toutefois, créer une infrastructure Big Data scalable et fiable et développer des modèles Machine Learning sophistiqués qui sont personnalisés en fonction de chaque utilisateur n’est pas un processus simple.

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

Clause d’exclusion de responsabilité

© 2017 Microsoft Corporation. Tous droits réservés. Ces informations sont fournies en l’état et sont susceptibles de changer sans préavis. Microsoft n’accorde aucune garantie expresse ou implicite en lien avec les informations fournies ici. Des données tierces ont été utilisées pour générer la solution. Vous êtes tenu de respecter les droits des autres utilisateurs, y compris obtenir et vous conformer aux licences pertinentes afin de créer des jeux de données similaires.

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

L’activité utilisateur sur le site web est simulée avec une fonction Azure et une paire de files d’attente Stockage Azure.

La fonctionnalité d’offre personnalisée est implémentée en tant que fonction Azure. Il s’agit de la fonction clé qui relie tous les éléments permettant de produire une offre et d’enregistrer l’activité. Les données sont lues à partir de Cache Redis Azure et Azure DocumentDB, les notes d’affinité produit sont calculées à partir d’Azure Machine Learning (si aucun historique n’existe pour l’utilisateur, les affinités précalculées sont lues à partir du Cache Redis Azure).

Les données brutes relatives aux activités des utilisateurs (clics sur l’offre et le produit), les offres proposées aux utilisateurs et les données de performances (pour Azure Functions et Azure Machine Learning) sont envoyées à Azure Event Hubs.

L’offre est retournée à l’utilisateur. Dans notre simulation, cette opération s’effectue en écrivant dans une file d’attente Stockage Azure et elle est extraite par une fonction Azure pour produire l’interaction utilisateur suivante.

Azure Stream Analytics analyse les données afin de fournir une analytique en quasi temps réel du flux d’entrée provenant d’Azure Event Hub. Les données agrégées sont envoyées à Azure DocumentDB. Les données brutes sont envoyées au stockage Azure Data Lake.

  1. 1 L’activité utilisateur sur le site web est simulée avec une fonction Azure et une paire de files d’attente Stockage Azure.
  2. 2 La fonctionnalité d’offre personnalisée est implémentée en tant que fonction Azure. Il s’agit de la fonction clé qui relie tous les éléments permettant de produire une offre et d’enregistrer l’activité. Les données sont lues à partir de Cache Redis Azure et Azure DocumentDB, les notes d’affinité produit sont calculées à partir d’Azure Machine Learning (si aucun historique n’existe pour l’utilisateur, les affinités précalculées sont lues à partir du Cache Redis Azure).
  3. 3 Les données brutes relatives aux activités des utilisateurs (clics sur l’offre et le produit), les offres proposées aux utilisateurs et les données de performances (pour Azure Functions et Azure Machine Learning) sont envoyées à Azure Event Hubs.
  1. 4 L’offre est retournée à l’utilisateur. Dans notre simulation, cette opération s’effectue en écrivant dans une file d’attente Stockage Azure et elle est extraite par une fonction Azure pour produire l’interaction utilisateur suivante.
  2. 5 Azure Stream Analytics analyse les données afin de fournir une analytique en quasi temps réel du flux d’entrée provenant d’Azure Event Hub. Les données agrégées sont envoyées à Azure DocumentDB. Les données brutes sont envoyées au stockage Azure Data Lake.

Architectures de solution associées

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.

Prévision de la demande

Prévoir précisément les pics de demande en services et produits peut offrir à une entreprise un avantage concurrentiel. Cette solution est axée sur la prévision de la demande dans le secteur de l’énergie.

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.

Prévision de la demande et optimisation des prix

La tarification est un facteur fondamental de réussite dans de nombreux secteurs, mais peut être une des tâches les plus complexes. Les entreprises bataillent souvent avec différents aspects du processus de tarification, notamment prévoir précisément l’impact financier des tactiques potentielles, en prenant en compte de façon raisonnable les principales contraintes métiers et en validant de façon juste les décisions de tarification exécutées. Étendre les offres de produits ajoute des exigences de calcul supplémentaires pour prendre des décisions de tarification en temps réel, en tenant compte de la difficulté de cette tâche déjà fastidieuse.