Clienti a 360°

Una comprensione completa della relazione tra interessi dei clienti e modelli di acquisto è un componente essenziale di qualsiasi operazione di business intelligence per la vendita al dettaglio. Questa soluzione implementa un processo di aggregazione dei dati dei clienti in un profilo a "360°" e usa modelli avanzati di Machine Learning basati sull'affidabilità e sulle capacità di elaborazione di Azure per fornire informazioni dettagliate predittive su clienti simulati.

Descrizione

Nota: se hai già distribuito questa soluzione, fai clic qui per visualizzare la distribuzione.

Per altri dettagli sulla struttura di questa soluzione, vedere la guida relativa alla soluzione in GitHub.

Tempo stimato per il provisioning: 20 minuti

Un'attività tipica per la vendita al dettaglio raccoglie i dati dei clienti tramite diversi canali, inclusi modelli di esplorazione Web, comportamenti di acquisto, dati demografici e altri dati Web basati sulle sessioni. Alcuni dei dati hanno origine dalle operazioni principali del business, ma altri dati devono essere recuperati e aggiunti da origini esterne, quali partner, produttori, dominio pubblico e così via.

Molti business sfruttano solo una parte ridotta dei dati disponibili, ma per massimizzare il ritorno sugli investimenti un business deve integrare i dati rilevanti da tutte le origini. La configurazione dell'integrazione di origini dati esterne ed eterogenee in un motore di elaborazione dati condiviso richiede tradizionalmente un impegno significativo e un numero elevato di risorse. Questa soluzione descrive un approccio semplice e scalabile per l'integrazione di analisi e Machine Learning per la previsione delle attività di acquisto dei clienti.

La soluzione per un profilo dei clienti a 360° risolve i problemi indicati tramite:

  • Accesso uniforme ai dati da più origini dati con riduzione contemporanea dello spostamento dei dati e della complessità del sistema per migliorare le prestazioni.
  • Esecuzione di ETL e progettazione delle funzionalità necessarie per usare un modello di Machine Learning predittivo.
  • Creazione di un profilo completo dei clienti a 360° arricchito da analisi predittive in esecuzione in un sistema distribuito basato su Microsoft R Server e Azure HDInsight.

Dichiarazione di non responsabilità

©2017 Microsoft Corporation. Tutti i diritti sono riservati. Queste informazioni vengono fornite "così come sono" e sono soggette a modifiche senza preavviso. Microsoft non fornisce alcuna garanzia, espressa o implicita, in merito alle informazioni fornite qui. Per la generazione della soluzione sono stati usati dati di terze parti. La responsabilità per il rispetto dei diritti di altri, inclusi l'acquisizione e la conformità delle licenze rilevanti per la creazione di set di dati simili, è a tuo carico.

Python Web Job Event Hub ETL (Python) Machine LearningTrained model Stream Analytics Azure Storage Browsing Data Batch ETL and Predictive Pipeline 1 2 SQL DW Demographics, products, purchases Merged customer profilew/ engineered features Enriched customer profile with predictions HD Insight(Spark R Server) Enriched customer profiles Power BI Dashboard 3 4 5 6

Un generatore di dati trasmette eventi dei clienti simulati in un Hub eventi

Un processo di Analisi di flusso legge dall'Hub eventi ed esegue le aggregazioni

Analisi di flusso salva in modo permanente i dati raggruppati in base al tempo in un archivio BLOB di Azure

Un processo Spark in esecuzione in HDInsight unisce i dati di esplorazione dei clienti più recenti con i dati cronologici relativi agli acquisti e i dati demografici per creare un profilo utente consolidato

Un secondo processo Spark assegna punteggi a ogni profilo dei clienti rispetto a un modello di Machine Learning per prevedere modelli di acquisto futuri (ad esempio, la probabilità che un determinato cliente effettui un acquisto nei 30 giorni successivi e in tale caso in quale categoria di prodotto)

Le previsioni e altri dati del profilo vengono visualizzati e condivisi come grafici e tabelle in Power BI Online

  1. 1 Un generatore di dati trasmette eventi dei clienti simulati in un Hub eventi
  2. 2 Un processo di Analisi di flusso legge dall'Hub eventi ed esegue le aggregazioni
  3. 3 Analisi di flusso salva in modo permanente i dati raggruppati in base al tempo in un archivio BLOB di Azure
  1. 4 Un processo Spark in esecuzione in HDInsight unisce i dati di esplorazione dei clienti più recenti con i dati cronologici relativi agli acquisti e i dati demografici per creare un profilo utente consolidato
  2. 5 Un secondo processo Spark assegna punteggi a ogni profilo dei clienti rispetto a un modello di Machine Learning per prevedere modelli di acquisto futuri (ad esempio, la probabilità che un determinato cliente effettui un acquisto nei 30 giorni successivi e in tale caso in quale categoria di prodotto)
  3. 6 Le previsioni e altri dati del profilo vengono visualizzati e condivisi come grafici e tabelle in Power BI Online