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.

Customer 360A 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.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

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.

Customer 360A 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.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

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.