Modifier

Offres personnalisées

Hubs d'événements Azure
Azure Functions
Azure Machine Learning
Stockage Azure
Azure Stream Analytics

Idées de solution

Cet article présente une idée de solution. Si vous souhaitez nous voir développer le contenu avec d’autres informations, telles que des cas d’usage potentiels, d’autres services, des considérations d’implémentation ou un guide des prix, faites-le-nous savoir avec les Commentaires de GitHub.

Cette solution crée des systèmes marketing intelligents qui fournissent du contenu personnalisé à l’aide de modèles Machine Learning qui analysent les données de plusieurs sources. Les technologies clés utilisées incluent les recommandations intelligentes et Azure Personalizer.

Architecture

Architecture diagram that shows how personalized offers are generated by incorporating product and offer views.

Téléchargez un fichier Visio de cette architecture.

Flux de données

  1. Une application Azure Function capture l’activité utilisateur brute (par exemple le produit et les clics d’offre) et les offres faites aux utilisateurs sur le site web. L’activité est envoyée à Azure Event Hubs. Dans les zones où l’activité utilisateur n’est pas disponible, l’activité utilisateur simulée est stockée dans Azure Cache pour Redis.
  2. Azure Stream Analytics analyse les données pour fournir des analyses quasiment en temps réel du flux d’entrée en provenance de l’instance Azure Event Hubs.
  3. Les données agrégées sont envoyées à Azure Cosmos DB for NoSQL.
  4. Power BI est utilisé pour rechercher des insights sur les données agrégées.
  5. Les données brutes sont envoyées à Azure Data Lake Storage.
  6. Les recommandations intelligentes utilisent les données brutes d’Azure Data Lake Storage et fournissent des recommandations à Azure Personalizer.
  7. Le service Personalizer sert les meilleurs produits et offres contextuels et personnalisés.
  8. Les données d’activité utilisateur simulées sont fournies au service Personalizer pour fournir des produits et des offres personnalisés.
  9. Les résultats sont fournis sur l’application web à laquelle l’utilisateur accède.
  10. Les commentaires des utilisateurs sont capturés en fonction de la réaction de l’utilisateur aux offres et produits affichés. Le score de récompense est fourni au service Personalizer pour le rendre plus performant au fil du temps
  11. La reformation des recommandations intelligentes peut entraîner de meilleures recommandations. Ce processus peut également être effectué à l’aide de données actualisées à partir de Azure Data Lake Storage.

Composants

  • Event Hubs est une plateforme de streaming complètement managée. Dans cette solution, Event Hubs collecte, en temps réel, des données relative à la consommation.
  • Stream Analytics offre un traitement de flux serverless en temps réel. Ce service permet d’exécuter des requêtes dans le cloud et sur des appareils de périphérie. Dans cette solution, Stream Analytics agrège les données de streaming et les rend disponibles à la visualisation et aux mises à jour.
  • Azure Cosmos DB est une base de données multimodèle distribuée à l’échelle mondiale. Azure Cosmos DB permet à vos solutions de faire évoluer en toute flexibilité le débit et le stockage dans un nombre illimité de régions géographiques. Azure Cosmos DB for NoSQL stocke les données au format de document et est l’une des API de base de données proposées par Azure Cosmos DB. Dans l’implémentation GitHub de cette solution, DocumentDB a été utilisé pour stocker les informations relatives au client, au produit et à l’offre, mais vous pouvez également utiliser Azure Cosmos DB for NoSQL. Pour plus d’informations, consultez Chers clients DocumentDB, bienvenue dans Azure Cosmos DB !.
  • Stockage est une solution de stockage cloud qui comprend un stockage d’objets, de fichiers, de disques, de files d’attente et de tables. Les services incluent des solutions et des outils de stockage hybride pour transférer, partager et sauvegarder des données. Cette solution utilise Stockage pour gérer les files d’attente qui simulent l’interaction de l’utilisateur.
  • Functions est une plateforme informatique serverless que vous pouvez utiliser pour créer des applications. Avec Functions, vous pouvez utiliser des déclencheurs et des liaisons pour intégrer les services. Cette solution utilise Functions pour coordonner la simulation utilisateur. Functions est également le composant principal qui génère des offres personnalisées.
  • Machine Learning est un environnement basé sur le cloud qui vous permet d’effectuer l’apprentissage, le déploiement, l’automatisation, la gestion et le suivi des modèles Machine Learning. Ici, Machine Learning utilise les préférences et l’historique des produits de chaque utilisateur pour fournir le scoring d’affinité utilisateur-produit.
  • Azure Cache pour Redis fournit un magasin de données en mémoire basé sur le logiciel Redis. Azure Cache pour Redis fournit des fonctionnalités Redis open source en tant qu’offre complètement managée. Dans cette solution, Azure Cache pour Redis fournit des affinités de produit précalculées pour les clients sans historique utilisateur disponible.
  • Power BI est un service d’analyse métier qui fournit des visualisations interactives et des fonctionnalités décisionnelles. Son interface facile à utiliser vous permet de créer vos propres rapports et tableaux de bord. Cette solution utilise Power BI pour afficher l’activité en temps réel dans le système. Par exemple, Power BI utilise les données d’Azure Cosmos DB for NoSQL pour afficher la réponse du client à différentes offres.
  • Data Lake Storage est un référentiel de stockage évolutif qui contient une grande quantité de données dans leur format brut natif.

Détails de la solution

Dans l’environnement extrêmement compétitif et connecté d’aujourd’hui, les entreprises modernes ne peuvent plus survivre sur du contenu en ligne statique et générique. En outre, les stratégies marketing qui utilisent des outils traditionnels peuvent être coûteuses et difficiles à implémenter. Dès lors, elles ne génèrent pas le retour sur investissement souhaité. Bien souvent, ces systèmes ne tirent pas pleinement parti des données collectées lorsqu’ils créent une expérience plus personnalisée pour l’utilisateur.

La présentation d’offres personnalisées pour chaque utilisateur est devenue essentielle à la fidélisation des clients tout en restant rentable. Sur un site web de vente au détail, les clients souhaitent des systèmes intelligents qui fournissent des offres et du contenu en fonction de leurs intérêts et préférences uniques. Les équipes de marketing digital d’aujourd’hui peuvent créer cette intelligence à l’aide des données générées par tout type d’interaction utilisateur.

Les marketeurs ont désormais la possibilité de fournir des offres particulièrement pertinentes et personnalisées à chaque utilisateur en analysant de gros volumes de données. Mais la création d’une infrastructure Big Data fiable et évolutive n’est pas une mince affaire. Et le développement de modèles Machine Learning sophistiqués et personnalisés pour chaque utilisateur est également complexe.

Les recommandations intelligentes offrent des fonctionnalités permettant de générer des résultats souhaités, tels que des recommandations d’éléments basées sur des interactions et des métadonnées utilisateur. Il peut être utilisé pour promouvoir et personnaliser n’importe quel type de contenu, tel que des produits vendables, des médias, des documents, des offres, etc.

Azure Personalizer est un service faisant partie d’Azure Cognitive Services. Il peut être utilisé pour déterminer quel produit suggérer aux acheteurs ou pour trouver l’emplacement optimal pour une publicité. Personalizer agit comme le classement de dernière étape supplémentaire. Une fois la recommandation présentée à l’utilisateur, la réaction de celui-ci est surveillée et signalée comme un score de récompense au service Personalizer. Ce processus garantit que le service apprend en continu et améliore la capacité de Personalizer à sélectionner les meilleurs éléments en fonction des informations contextuelles reçues.

Microsoft Azure fournit des outils d’analytique avancée dans les domaines de l’ingestion de données, du stockage de données, du traitement des données et composants d’analytique avancée, tous les éléments essentiels à la création d’une solution d’offre personnalisée.

Intégrateur système

Vous pouvez gagner du temps lorsque vous implémentez cette solution en recrutant un intégrateur de système formé (SI). L’intégrateur système peut vous aider à développer une preuve de concept, ainsi qu’à déployer et à intégrer la solution.

Cas d’usage potentiels

Cette solution s’applique au marketing des biens et services en fonction des données client (produits consultés et /ou achetés). Cela peut s’appliquer dans les domaines suivants :

  • E-commerce : il s’agit d’un domaine où la personnalisation est largement utilisée avec le comportement des clients et les recommandations de produit.

  • Vente au détail : en fonction des données d’achat antérieures, des recommandations et des offres peuvent être fournies sur les produits.

  • Télécommunications : en fonction de l’interaction utilisateur dans ce domaine, des recommandations peuvent être fournies. Par rapport à d’autres industries, les gammes de produits et d’offres peuvent être limitées.

Contributeurs

Cet article est géré par Microsoft. Il a été écrit à l’origine par les contributeurs suivants.

Auteur principal :

Pour afficher les profils LinkedIn non publics, connectez-vous à LinkedIn.

Étapes suivantes