Idee per le soluzioni
Questo articolo è un'idea di soluzione. Per espandere il contenuto con altre informazioni, ad esempio potenziali casi d'uso, servizi alternativi, considerazioni sull'implementazione o indicazioni sui prezzi, inviare commenti e suggerimenti su GitHub.
Questa architettura illustra come creare offerte di personalizzazione di soluzioni con Funzioni di Azure, Azure Machine Learning e Analisi di flusso di Azure.
Architecture
Scaricare un file di Visio di questa architettura.
Flusso di dati
- Hub eventi inserisce dati non elaborati del flusso di clic da Funzioni di Azure e lo passa ad Analisi di flusso.
- Analisi di flusso di Azure aggrega i clic quasi in tempo reale per prodotto, offerta e utente. Scrive in Azure Cosmos DB e archivia anche i dati non elaborati del flusso di clic in Archiviazione di Azure.
- Azure Cosmos DB archivia i dati aggregati dei clic per utente, prodotto e offre informazioni sul profilo utente.
- Archiviazione di Azure archivia i dati di flusso click-stream non elaborati archiviati da Analisi di flusso.
- Funzioni di Azure accetta i dati clickstream degli utenti dai siti Web e legge la cronologia utente esistente da Azure Cosmos DB. Questi dati vengono quindi sottoposti al servizio Web di Machine Learning oppure vengono usati insieme ai dati relativi all'avvio a freddo nella Cache Redis di Azure per ottenere punteggi relativi all'affinità dei prodotti. I punteggi relativi all'affinità dei prodotti vengono usati con la logica di offerta personalizzata per determinare l'offerta più rilevante da presentare all'utente.
- Azure Machine Learning consente di progettare, testare, rendere operativi e gestire soluzioni di analisi predittiva nel cloud.
- cache di Azure per Redis archivia i punteggi di affinità del prodotto ad accesso sporadico pre-calcolati per gli utenti senza cronologia.
- Power BI consente di visualizzare i dati e le offerte delle attività degli utenti presentate leggendo i dati da Azure Cosmos DB.
Componenti
- Hub eventi
- Analisi di flusso di Azure
- Azure Cosmos DB
- Archiviazione di Azure
- Funzioni di Azure
- Azure Machine Learning
- Cache Redis di Azure
- Power BI
Dettagli dello scenario
Il marketing personalizzato è essenziale per la fidelizzazione dei clienti e per mantenere la redditività. Raggiungere e coinvolgere i clienti risulta sempre più difficile e le offerte generiche vengono ignorate o perse con facilità. I sistemi di marketing attuali non riescono a sfruttare i dati utili per risolvere questo problema.
Gli addetti al marketing che usano sistemi intelligenti e analizzano quantità elevatissime di dati possono fornire offerte a rilevanza e personalizzazione elevate a ogni utente, distinguendosi dai messaggi secondari e incrementando il coinvolgimento. Ad esempio, i rivenditori possono fornire offerte e contenuti in base agli interessi, alle preferenze e all'affinità di prodotto di ogni cliente, mettendo i prodotti di fronte alle persone più probabilità di acquistarli.
Questa architettura illustra come creare offerte di personalizzazione di soluzioni con Funzioni di Azure, Azure Machine Learning e Analisi di flusso di Azure.
Potenziali casi d'uso
Personalizzando le offerte, si offrirà un'esperienza personalizzata per i clienti attuali e potenziali, aumentando l'engagement e migliorando la conversione, il valore di durata e la conservazione dei clienti.
Questa soluzione è ideale per i settori di vendita al dettaglio e marketing.
Passaggi successivi
Vedere la documentazione del prodotto:
- Altre informazioni su Hub eventi
- Altre informazioni su Analisi di flusso
- Informazioni su come usare Azure Cosmos DB
- Altre informazioni su Archiviazione di Azure
- Informazioni su come creare funzioni
- Altre informazioni su Machine Learning
- Informazioni su come usare cache di Azure per Redis
- Informazioni su Power BI
Provare un percorso di apprendimento:
- Implementare una soluzione di streaming di dati con Analisi di flusso di Azure
- Creare un modello di Machine Learning
- Creare app serverless con Funzioni di Azure
Risorse correlate
Leggere altri articoli del Centro architetture di Azure: