Creare soluzioni di marketing personalizzate quasi in tempo reale

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:

• Stile dell'architettura di Big Data
• Personalizzazione scalabile in Azure