Navigáció kihagyása

Customer 360

A kiskereskedelmi üzleti intelligencia alapvető fontosságú eleme az ügyfelek érdeklődési köre és vásárlási mintái közötti szoros összefüggések megismerése. Az ebben a megoldásban elérhető folyamat egy „360 fokos” profilban egyesíti az ügyféladatokat, és az Azure által garantált megbízhatóság és számítási teljesítmény támogatásával működő fejlett gépi tanulási modellek révén prediktív előrejelzéseket kínál a szimulált ügyfelekhez.

Leírás

Megjegyzés: Ha már üzembe helyezte ezt a megoldást, az üzemelő példányt ide kattintva érheti el.

A megoldás létrehozásáról további információt a megoldás GitHubon elérhető útmutatójában talál.

Üzembe helyezés becsült ideje: 20 perc

A kiskereskedelmi vállalkozások általában számos különböző csatornán (például internetes böngészési minták, vásárlási viselkedés, egyéb munkamenet-alapú adatok és demográfiai adatok) keresztül gyűjt adatokat az ügyfelekről. A fenti adattípusok közül néhányat a vállalkozás üzleti tevékenységei során gyűjt be, másokat azonban külső forrásokból, például partnerektől, gyártóktól, nyilvános adatbázisokból és más helyekről kell beszerezni.

Számos vállalkozás csupán a rendelkezésre álló adatok egy részét használja fel, a befektetések maximális megtérülése érdekében azonban érdemes minden lehetséges adatot igénybe venni. Korábban komoly munkálatok és erőforrások kellettek ahhoz, hogy külső, heterogén adatforrásokat integráljunk egy megosztott adatfeldolgozási motorba. Ebben a megoldásban bemutatjuk, hogyan lehet egyszerű és méretezhető szolgáltatásokkal olyan elemzési és gépi tanulási funkciókat létrehozni, amelyek képesek az ügyfelek vásárlási tevékenységeinek előrejelzésére.

A Customer 360-profil megoldás a fenti problémát az alábbi módon oldja meg:

  • Kevés adatmozgatást igénylő, nem túl összetett rendszert alakít ki, amely a különböző forrásokból származó adatok egységes elérésével képes javítani a teljesítményt.
  • Lehetőséget kínál a prediktív Machine Learning-modell használatához szükséges ETL- és funkciófejlesztési feladatok elvégzésére.
  • Átfogó, minden részletre kiterjedő Customer 360-profilok is létrehozhatók benne, amelyeket a Microsoft R Server és az Azure HDInsight segítségével működő elosztott rendszeren futó prediktív elemzés egészít ki.

Jogi nyilatkozat

© 2017 Microsoft Corporation. Minden jog fenntartva. Ezt az információt jelen formájában nyújtjuk, és előzetes értesítés nélkül változhat. Az itt szereplő információkra a Microsoft nem vállal sem kifejezett, sem vélelmezett garanciát. A megoldás harmadik féltől származó adatok felhasználásával lett létrehozva. Ön felelős mások jogainak tiszteletben tartásáért, beleértve a hasonló adatkészletek létrehozásának céljából történő beszerzéseket és a vonatkozó licenceknek való megfelelőséget is.

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

Az adatgenerátor eljuttatja a szimulált ügyféleseményeket az eseményközpontba.

A Stream Analytics-feladat beolvassa az adatokat az eseményközpontból, és elvégzi az aggregációt.

A Stream Analytics beírja az idő szerint csoportosított adatokat egy Azure Storage Blob-tárolóba.

Egy HDInsightban futó Spark-feladat egyesíti az ügyfelek legutóbbi böngészési adatait a korábbi vásárlási és demográfiai adatokkal, így létrejön az összesített felhasználói profil.

Egy másik Spark-feladat a gépi tanulási modell alapján pontszámot rendel az egyes ügyfélprofilokhoz, amely segít előre jelezni a jövőbeni vásárlási mintákat (például azt, hogy egy adott ügyfél valószínűsíthetően fog-e vásárolni valamit a következő 30 napban, és ha igen, melyik termékkategóriából).

A rendszer vizualizációt készít az előrejelzésekből és más profiladatokból, majd azokat diagramok és táblázatok formájában megosztja a Power BI Online-ban.

  1. 1 Az adatgenerátor eljuttatja a szimulált ügyféleseményeket az eseményközpontba.
  2. 2 A Stream Analytics-feladat beolvassa az adatokat az eseményközpontból, és elvégzi az aggregációt.
  3. 3 A Stream Analytics beírja az idő szerint csoportosított adatokat egy Azure Storage Blob-tárolóba.
  1. 4 Egy HDInsightban futó Spark-feladat egyesíti az ügyfelek legutóbbi böngészési adatait a korábbi vásárlási és demográfiai adatokkal, így létrejön az összesített felhasználói profil.
  2. 5 Egy másik Spark-feladat a gépi tanulási modell alapján pontszámot rendel az egyes ügyfélprofilokhoz, amely segít előre jelezni a jövőbeni vásárlási mintákat (például azt, hogy egy adott ügyfél valószínűsíthetően fog-e vásárolni valamit a következő 30 napban, és ha igen, melyik termékkategóriából).
  3. 6 A rendszer vizualizációt készít az előrejelzésekből és más profiladatokból, majd azokat diagramok és táblázatok formájában megosztja a Power BI Online-ban.