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.

Leírás

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

Időt takaríthat meg, ha szakképzett SI-partnereink egyikének segítségét kéri a megoldás megvalósíthatósági vizsgálatához, üzembe helyezéséhez és integrálásához.

Üzembe helyezés becsült ideje: 45 perc

A Cortana Intelligence Suite olyan fejlett analitikai eszközöket tesz elérhetővé a Microsoft Azure-on keresztül, mint például az adatbetöltés, az adattárolás, az adatfeldolgozás és a fejlett analitikai összetevők – mindent, ami egy személyre szabott ajánlatokat kínáló megoldás kiépítéséhez szükséges.

A megoldás több Azure-szolgáltatást kombinálva kínál hatékony megoldást. Az Event Hubs valós időben gyűjt használati adatokat. A Stream Analytics összesíti a streamadatokat, és lehetővé teszi azok vizualizációját, valamint frissíti az ügyfelek számára személyre szabott ajánlatok készítése során felhasznált adatokat. Az Azure DocumentDB tárolja az ügyfelek, a termékek és az ajánlatok adatait. Az Azure Storage szolgáltatás kezeli a felhasználói műveletek szimulálásához használt várólistákat. Az Azure Functions szolgáltatás a felhasználói szimuláció koordinátoraként, illetve a személyre szabott ajánlatok generálására szolgáló megoldás központi részeként működik. Az Azure Machine Learning valósítja meg és hajtja végre a felhasználók és termékek közötti affinitási pontszámok meghatározását, és ha nem állnak rendelkezésre felhasználói előzmények, a rendszer az Azure Redis Cache gyorsítótárból olvas be előre kiszámított affinitásokat az ügyfél számára. A PowerBI végzi a rendszerhez tartozó valós idejű tevékenységek, illetve a DocumentDB-ből származó adatok alapján a különböző ajánlatokhoz tartozó viselkedésmódok vizualizációját.

Az „Deploy” (Üzembe helyezés) gomb elindít egy munkafolyamatot, amely az Ön által megadott Azure-előfizetést használva helyezi üzembe a megoldáspéldányt egy erőforráscsoportban. A megoldás több (fentebb leírt) Azure-szolgáltatást tartalmaz, és végül néhány rövid utasítást ad meg, melyek szükségesek egy szimulált felhasználói viselkedést biztosító, működő teljes körű megoldás kialakításához.

Üzembe helyezés utáni útmutatást és további technikai megvalósítással kapcsolatos részleteket ebben az útmutatóban találhat.

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.

Personalized Offers User ActionSimulation Personalized OfferLogic System ResponseQueue User ActionQueue Event Hub Stream Analytics Power BI Machine Learning Cold StartProduct Affinity User Document DB Product Offers Reference Product Views Offer Views Cache Update Logic Azure Services Raw Stream Data 1 2 3 5 4

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 Redis Cache 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 Redis Cache gyorsítótárból 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 Redis Cache 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 Redis Cache gyorsítótárból 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-előrejelzés

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

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.