Megoldási ötletek
Ez a cikk egy megoldási ötlet. Ha azt szeretné, hogy további információkkal bővítsük a tartalmat, például a lehetséges használati eseteket, alternatív szolgáltatásokat, megvalósítási szempontokat vagy díjszabási útmutatást, a GitHub visszajelzésével tudassa velünk.
Ez az architektúra bemutatja, hogyan hozhat létre személyre szabott megoldásokat az Azure Functions, az Azure Machine Tanulás és az Azure Stream Analytics használatával.
Architektúra
Töltse le az architektúra Visio-fájlját.
Adatfolyam
- Az Event Hubs nyers kattintásstreamelési adatokat tölt be az Azure Functionsből, és továbbítja azokat a Stream Analyticsnek.
- Az Azure Stream Analytics közel valós időben összesíti a kattintásokat termék, ajánlat és felhasználó szerint. Az Azure Cosmos DB-be ír, és nyers kattintással streamelt adatokat is archivál az Azure Storage-ba.
- Az Azure Cosmos DB a kattintások összesített adatait tárolja felhasználó, termék és felhasználói profil alapján.
- Az Azure Storage a Stream Analyticsből tárolja az archivált nyers kattintási streamadatokat.
- Az Azure Functions beolvassa a felhasználók kattintásstream-adatait a webhelyekről, és beolvassa a meglévő felhasználói előzményeket az Azure Cosmos DB-ből. Ezeket az adatokat aztán a Machine Learning webszolgáltatáson keresztülfuttatva vagy az Azure Cache for Redis hidegindítási adataival együtt használva állít elő termék-affinitási értékeket. A termék-affinitási értékeket a személyre szabott ajánlat logikával felhasználva megállapítható, hogy melyik a felhasználóhoz leginkább illő, neki felkínálandó ajánlat.
- Az Azure Machine Tanulás segít a prediktív elemzési megoldások tervezésében, tesztelésében, üzembe helyezése és kezelése a felhőben.
- Az Azure Cache for Redis előre kiszámított hidegindítású termék affinitási pontszámokat tárol az előzmények nélküli felhasználók számára.
- A Power BI lehetővé teszi a felhasználói tevékenység adatainak és ajánlatainak vizualizációját az Azure Cosmos DB-ből származó adatok beolvasásával.
Összetevők
- Event Hubs
- Azure Stream Analytics
- Azure Cosmos DB
- Azure Storage
- Azure Functions
- Azure Machine Learning
- Azure Cache for Redis
- Power BI
Forgatókönyv részletei
A személyre szabott marketing elengedhetetlen az vásárlók hűségének erősítéséhez és a jövedelmezőség fenntartásához. A vásárlók megkeresése és bevonása nehezebb, mint valaha és az általános ajánlatok felett könnyen átsiklanak, vagy figyelmen kívül hagyják őket. A jelenlegi marketing-rendszerek nem használják ki az ezt a problémát megoldani képes adatokat.
Az intelligens rendszereket használó és hatalmas adattömegeket elemző marketingszakemberek képesek erősen célzott és személyre szabott ajánlatokat tenni az egyes felhasználóknak, kiemelkednek az mezőnyből és felkeltik az érdeklődést. A kiskereskedők például az egyes ügyfelek egyedi érdeklődési körének, preferenciáinak és termék affinitásának megfelelően kínálhatnak ajánlatokat és tartalmakat, így a termékek a legnagyobb valószínűséggel a vásárlók elé kerülnek.
Ez az architektúra bemutatja, hogyan hozhat létre személyre szabott megoldásokat az Azure Functions, az Azure Machine Tanulás és az Azure Stream Analytics használatával.
Lehetséges használati esetek
Az ajánlatok személyre szabásával személyre szabott élményt nyújt a jelenlegi és a leendő ügyfelek számára, növelve az előjegyzést, és javíthatja az ügyfelek átalakítását, az élettartam értékét és a megőrzést.
Ez a megoldás ideális a kiskereskedelmi és marketingipar számára.
További lépések
Tekintse meg a termék dokumentációját:
- További információ az Event Hubsról
- További információ a Stream Analyticsről
- Az Azure Cosmos DB használatának ismertetése
- További információ az Azure Storage-ról
- Megtudhatja, hogyan hozhat létre függvényeket
- További információ a gépi tanulásról
- Az Azure Cache for Redis használatának ismertetése
- Tudnivalók a Power BI-ról
Próbálja ki a képzési tervet:
- Adatstreamelési megoldás implementálása az Azure Streaming Analytics használatával
- Gépi Tanulás-modell létrehozása
- Kiszolgáló nélküli alkalmazások létrehozása az Azure Functions használatával
Kapcsolódó források (lehet, hogy a cikkek angol nyelvűek)
Olvassa el az Azure Architecture Center további cikkeit: