Ide solusi
Artikel ini adalah ide solusi. Jika Anda ingin kami memperluas konten dengan informasi lebih lanjut, seperti potensi kasus penggunaan, layanan alternatif, pertimbangan implementasi, atau panduan harga, beri tahu kami dengan memberikan umpan balik GitHub.
Arsitektur ini menunjukkan bagaimana Anda dapat membuat solusi yang mempersonalisasi penawaran dengan Azure Functions, Azure Machine Learning, dan Azure Stream Analytics.
Arsitektur
Unduh file Visio arsitektur ini.
Aliran data
- Event Hubs menyerap data aliran klik mentah dari Azure Functions dan meneruskannya ke Azure Stream Analytics.
- Azure Stream Analytics mengumpulkan klik hampir real-time menurut produk, penawaran, dan pengguna. Menulis ke Azure Cosmos DB dan juga mengarsipkan data aliran klik mentah ke Azure Storage.
- Azure Cosmos DB menyimpan kumpulan data klik menurut pengguna, produk, dan menawarkan informasi profil pengguna.
- Azure Storage menyimpan data aliran klik mentah yang diarsipkan dari Azure Stream Analytics.
- Azure Functions mengambil data aliran klik pengguna dari situs web dan membaca riwayat pengguna yang ada dari Azure Cosmos DB. Data ini kemudian dijalankan melalui layanan web Pembelajaran Mesin atau digunakan bersama dengan data cold-start di Azure Cache for Redis untuk mendapatkan skor afinitas produk. Skor afinitas produk digunakan dengan logika penawaran yang dipersonalisasi untuk menentukan penawaran yang paling relevan untuk ditampilkan kepada pengguna.
- Pembelajaran Mesin Microsoft Azure membantu Anda merancang, menguji, mengoperasionalkan, dan mengelola solusi analitik prediktif di cloud.
- Azure Cache for Redis menyimpan skor afinitas produk cold-start yang telah dihitung sebelumnya untuk pengguna tanpa riwayat.
- Power BI memungkinkan visualisasi data aktivitas pengguna dan penawaran yang disajikan dengan membaca data dari Azure Cosmos DB.
Komponen
- Event Hubs
- Azure Stream Analytics
- Azure Cosmos DB
- Azure Storage
- Azure Functions
- Pembelajaran Mesin Azure
- Azure Cache untuk Redis
- Power BI
Detail skenario
Pemasaran yang dipersonalisasi sangat penting untuk membangun loyalitas pelanggan dan membuat bisnis tetap menguntungkan. Menjangkau pelanggan dan membuat mereka terlibat lebih sulit dari sebelumnya, dan penawaran umum mudah dilewatkan atau diabaikan. Sistem pemasaran saat ini gagal memanfaatkan data yang dapat membantu memecahkan masalah ini.
Pemasar yang menggunakan sistem cerdas dan menganalisis data dalam jumlah besar dapat memberikan penawaran yang sangat relevan dan dipersonalisasi untuk setiap pengguna, meniadakan bagian yang tidak perlu dan mendorong keterlibatan. Misalnya, pengecer dapat memberikan penawaran dan konten berdasarkan minat, preferensi, dan afinitas produk yang unik dari setiap pelanggan, dengan menempatkan produk di depan orang-orang yang kemungkinan besar akan membelinya.
Arsitektur ini menunjukkan bagaimana Anda dapat membuat solusi yang mempersonalisasi penawaran dengan Azure Functions, Azure Machine Learning, dan Azure Stream Analytics.
Kemungkinan kasus penggunaan
Dengan mempersonalisasi penawaran Anda, Anda akan memberikan pengalaman individual untuk pelanggan saat ini dan calon pelanggan, meningkatkan keterlibatan dan meningkatkan konversi pelanggan, nilai seumur hidup, dan retensi.
Solusi ini sangat ideal untuk industri ritel dan pemasaran.
Langkah berikutnya
Lihat dokumentasi produk:
- Pelajari selengkapnya tentang Azure Event Hubs
- Pelajari selengkapnya tentang Azure Stream Analytics
- Pelajari cara menggunakan Azure Cosmos DB
- Pelajari selengkapnya tentang Azure Storage
- Pelajari cara membuat fungsi
- Pelajari selengkapnya tentang pembelajaran mesin
- Pelajari cara menggunakan Azure Cache for Redis
- Pelajari tentang Power BI
Coba jalur pembelajaran:
- Menerapkan Solusi Streaming Data dengan Azure Streaming Analytics
- Membuat model Pembelajaran Mesin
- Membuat aplikasi tanpa server dengan Azure Functions
Sumber daya terkait
Baca artikel Pusat Arsitektur Azure lainnya: