Navigáció kihagyása

Személyre szabott ajánlatok

A mai rendkívül versenyorientált és összekapcsolt környezetben a modern vállalkozások túlélését már nem biztosítja az általános, statikus online tartalom. Emellett a hagyományos eszközöket használó marketingstratégiák gyakran túl drágák, nehezen megvalósíthatók, és nem biztosítják az elvárt megtérülési rátát. Ezek a rendszerek gyakran nem használják ki teljes mértékben az összegyűjtött adatokat ahhoz, hogy személyre szabottabb élményt nyújtsanak a felhasználónak.

A felhasználó számára személyre szabott ajánlatok megjelenítése alapvető fontosságúvá vált a vásárlói hűség növeléséhez és a nyereségesség fenntartásához. A kiskereskedelmi webhelyek vásárlói olyan intelligens rendszereket igényelnek, melyek az egyedi érdeklődési köreik és preferenciáik alapján biztosítanak ajánlatokat és tartalmakat. A mai digitális marketinggel foglalkozó csapatok a felhasználói tevékenységek számos különböző típusából generált adatok alapján létre tudják hozni ezt az intelligenciát. Hatalmas adatmennyiségek elemzésével a marketingeseknek egyedülálló lehetősége nyílik arra, hogy különösen releváns és személyre szabott ajánlatokat biztosítsanak az egyes felhasználóknak. Felépíteni egy megbízható és méretezhető big data-infrastruktúrát, és minden egyes felhasználó számára személyre szabást végző összetett gépi tanulási modelleket fejleszteni azonban nem hétköznapi feladat.

Personalised 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 personalised experience for the user.User ActionSimulationPersonalized OfferLogicSystem ResponseQueueUser ActionQueueEvent HubStream AnalyticsPower BIMachine LearningCold StartProduct AffinityUserDocument DBProductOffersReferenceProduct ViewsOffer ViewsCache Update LogicAzure ServicesRaw Stream Data12354

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.

Personalised 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 personalised experience for the user.User ActionSimulationPersonalized OfferLogicSystem ResponseQueueUser ActionQueueEvent HubStream AnalyticsPower BIMachine LearningCold StartProduct AffinityUserDocument DBProductOffersReferenceProduct ViewsOffer ViewsCache Update LogicAzure ServicesRaw Stream Data12354

A webhelyen végrehajtott felhasználói tevékenységek egy Azure-függvénnyel és két Azure-beli tárolási üzenetsorral vannak szimulálva.

A személyre szabott ajánlatokat biztosító funkcionalitás egy Azure-függvényben van megvalósítva. Ez a legfontosabb funkció, mely mindent összeköt, hogy a megoldás egy ajánlatot adjon eredményül, és rögzítse a tevékenységeket. A rendszer az Azure Cache for Redis és az Azure DocumentDB szolgáltatásból olvassa be az adatokat, a termékek affinitási pontszámait az Azure Machine Learning szolgáltatással számítja ki (ha a felhasználó nem rendelkezik előzményekkel, akkor az Azure Cache for Redisből olvas be előre kiszámított affinitásokat).

A rendszer elküldi a felhasználói tevékenységgel kapcsolatos nyers adatokat (a termékekre és az ajánlatokra való kattintásokat), a felhasználóknak kínált ajánlatokat, illetve a teljesítményadatokat (az Azure Functions és az Azure Machine Learning esetében) az Azure-eseményközpontba.

A rendszer visszaadja az ajánlatot a felhasználónak. A szimulációban ez egy Azure-beli tárolási üzenetsorba való írással van megoldva, melyet egy Azure-függvény vesz fel, ezzel végrehajtva a következő felhasználói műveletet.

Az Azure Stream Analytics az adatok elemzésével az Azure-eseményközpontból érkező bemeneti stream közel valós idejű elemzését biztosítja. A rendszer az összesített adatokat az Azure DocumentDB szolgáltatásba küldi el. A rendszer a nyers adatokat az Azure Data Lake Storage szolgáltatásba küldi el.

  1. 1 A webhelyen végrehajtott felhasználói tevékenységek egy Azure-függvénnyel és két Azure-beli tárolási üzenetsorral vannak szimulálva.
  2. 2 A személyre szabott ajánlatokat biztosító funkcionalitás egy Azure-függvényben van megvalósítva. Ez a legfontosabb funkció, mely mindent összeköt, hogy a megoldás egy ajánlatot adjon eredményül, és rögzítse a tevékenységeket. A rendszer az Azure Cache for Redis és az Azure DocumentDB szolgáltatásból olvassa be az adatokat, a termékek affinitási pontszámait az Azure Machine Learning szolgáltatással számítja ki (ha a felhasználó nem rendelkezik előzményekkel, akkor az Azure Cache for Redisből olvas be előre kiszámított affinitásokat).
  3. 3 A rendszer elküldi a felhasználói tevékenységgel kapcsolatos nyers adatokat (a termékekre és az ajánlatokra való kattintásokat), a felhasználóknak kínált ajánlatokat, illetve a teljesítményadatokat (az Azure Functions és az Azure Machine Learning esetében) az Azure-eseményközpontba.
  1. 4 A rendszer visszaadja az ajánlatot a felhasználónak. A szimulációban ez egy Azure-beli tárolási üzenetsorba való írással van megoldva, melyet egy Azure-függvény vesz fel, ezzel végrehajtva a következő felhasználói műveletet.
  2. 5 Az Azure Stream Analytics az adatok elemzésével az Azure-eseményközpontból érkező bemeneti stream közel valós idejű elemzését biztosítja. A rendszer az összesített adatokat az Azure DocumentDB szolgáltatásba küldi el. A rendszer a nyers adatokat az Azure Data Lake Storage szolgáltatásba küldi el.

Kapcsolódó megoldásarchitektúrák

Kereslet-előrejelzésA termékek és szolgáltatások csúcsterheléseinek előrejelzésével a vállalatok versenyelőnyhöz juthatnak. Ez a megoldás az energiaszektor keresleti előrejelezésére fókuszál.

Kereslet-előrejelzés

A termékek és szolgáltatások csúcsterheléseinek előrejelzésével a vállalatok versenyelőnyhöz juthatnak. Ez a megoldás az energiaszektor keresleti előrejelezésére fókuszál.

Kereslet-előrejelzés és ároptimalizálásAz árképzést számos iparágban a siker zálogának és egyszersmint a legnagyobb kihívást jelentő feladatok egyikének tartják. A vállalatoknak gyakran okoz gondot, hogy az árképzési folyamat számos aspektusára tekintettel kell lenniü, ideértve a lehetséges taktikák pénzügyi hatásának pontos előrejelzését, a fő üzleti korlátozó tényezők ésszerű figyelembevételét, és a meghozott pénzügyi döntések alapos kiértékelését. A termékkínálat bővítése további számítási követelményeket támaszt a valós idejű árképzési döntések meghozatalával szemben, tovább növelve ennek a már eleve bonyolult feladatnak az összetettségét.

Kereslet-előrejelzés és ároptimalizálás

Az árképzést számos iparágban a siker zálogának és egyszersmint a legnagyobb kihívást jelentő feladatok egyikének tartják. A vállalatoknak gyakran okoz gondot, hogy az árképzési folyamat számos aspektusára tekintettel kell lenniü, ideértve a lehetséges taktikák pénzügyi hatásának pontos előrejelzését, a fő üzleti korlátozó tényezők ésszerű figyelembevételét, és a meghozott pénzügyi döntések alapos kiértékelését. A termékkínálat bővítése további számítási követelményeket támaszt a valós idejű árképzési döntések meghozatalával szemben, tovább növelve ennek a már eleve bonyolult feladatnak az összetettségét.