Ignora esplorazione

Offerte personalizzate

Nell'ambiente altamente competitivo e connesso attuale i business moderni non possono più sopravvivere con contenuto online statico e generico. Le strategie di marketing che usano strumenti tradizionali sono inoltre spesso costose, difficili da implementare e non producono il ritorno sugli investimenti richiesto. Questi sistemi non riescono spesso a sfruttare completamente i vantaggi dei dati raccolti per creare un'esperienza più personalizzata per l'utente.

L'esposizione di offerte personalizzate per l'utente è diventata essenziale per la fidelizzazione dei clienti e per mantenere la redditività. In un sito Web per la rivendita al dettaglio i clienti vogliono sistemi intelligenti che forniscono offerte e contenuto in base ai rispettivi interessi e alle rispettive preferenze esclusive. I team attuali per il marketing digitale possono creare tale intelligence usando i dati generati da tutti i tipi di interazioni degli utenti. Analizzando quantità molto elevate di dati, gli addetti al marketing hanno la straordinaria opportunità di fornire offerte estremamente rilevanti e personalizzate per ogni utente. La creazione di un'infrastruttura per Big Data affidabile e scalabile e lo sviluppo di modelli avanzati di Machine Learning personalizzati per ogni utenti non sono processi banali.

Descrizione

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

Risparmia tempo e lasciati aiutare da uno di questi partner di integrazione strategica (SI, Strategic Integration) per il modello di verifica, la distribuzione e l'integrazione di questa soluzione.

Tempo stimato per il provisioning: 45 minuti

Cortana Intelligence Suite offre strumenti di analisi avanzata tramite Microsoft Azure per l'inserimento di dati, l'archiviazione di dati, l'elaborazione di dati e le analisi avanzate, tutti elementi essenziali per la creazione di una soluzione per un'offerta personalizzata.

Questa soluzione combina diversi servizi di Azure per offrire vantaggi significativi. Hub eventi raccoglie i dati sul consumo in tempo reale. Analisi di flusso aggrega i dati di streaming e li rende disponibili per la visualizzazione, oltre ad aggiornare i dati usati nella creazione di offerte personalizzate per il cliente. Azure DocumentDB archivia le informazioni su cliente, prodotto e offerta. Archiviazione di Azure viene usato per gestire le code che simulano l'interazione dell'utente. Funzioni di Azure viene usato come coordinatore per la simulazione dell'utente e come parte centrale della soluzione per la generazione di offerte personalizzate. Azure Machine Learning implementa ed esegue l'assegnazione dei punteggi all'affinità tra utente e prodotto e, quando non è disponibile alcuna cronologia utente, viene usata la Cache Redis di Azure per fornire affinità precalcolate per i prodotti per il cliente. PowerBI visualizza l'attività in tempo reale per il sistema e con i dati da DocumentDB presenta il comportamento delle diverse offerte.

Il pulsante 'Distribuisci' avvierà un flusso di lavoro che distribuirà un'istanza della soluzione in un gruppo di risorse della sottoscrizione di Azure specificata. La soluzione include più servizi di Azure (illustrati in precedenza) e fornisce al termine alcune brevi istruzioni necessarie per ottenere una soluzione end-to-end funzionante con comportamento utente simulato.

Per istruzioni successive alla distribuzione e per altri dettagli sull'implementazione tecnica, vedi le istruzioni disponibili qui.

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.

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

L'attività utente nel sito Web è simulata con un'istanza di Funzioni di Azure e una coppia di code di Archiviazione di Azure.

La funzionalità per le offerte personalizzate è implementata come istanza di Funzioni di Azure. Si tratta di una funzione essenziale che combina tutti gli elementi necessari per produrre un'offerta e registrare le attività. I dati vengono letti dalla Cache Redis di Azure e da Azure DocumentDB, i punteggi relativi all'affinità vengono calcolati da Azure Machine Learning. Se non esiste cronologia dell'utente, le affinità precalcolate vengono lette dalla Cache Redis di Azure.

I dati non elaborati relativi all'attività utente (prodotto e selezioni dell'offerta), le offerte inviate agli utenti e i dati relativi alle prestazioni (per Funzioni di Azure e Azure Machine Learning) vengono inviati all'Hub eventi di Azure.

L'offerta viene restituita all'utente. In questa simulazione si ottiene questo risultato scrivendo in una coda di Archiviazione di Azure. I dati vengono prelevati da un'istanza di Funzioni di Azure in modo da produrre l'azione utente successiva.

Analisi di flusso di Azure analizza i dati per fornire analisi in tempo quasi reale sul flusso di input da Hub eventi di Azure. I dati aggregati vengono inviati ad Azure DocumentDB. I dati non elaborati vengono inviati all'archivio di Azure Data Lake.

  1. 1 L'attività utente nel sito Web è simulata con un'istanza di Funzioni di Azure e una coppia di code di Archiviazione di Azure.
  2. 2 La funzionalità per le offerte personalizzate è implementata come istanza di Funzioni di Azure. Si tratta di una funzione essenziale che combina tutti gli elementi necessari per produrre un'offerta e registrare le attività. I dati vengono letti dalla Cache Redis di Azure e da Azure DocumentDB, i punteggi relativi all'affinità vengono calcolati da Azure Machine Learning. Se non esiste cronologia dell'utente, le affinità precalcolate vengono lette dalla Cache Redis di Azure.
  3. 3 I dati non elaborati relativi all'attività utente (prodotto e selezioni dell'offerta), le offerte inviate agli utenti e i dati relativi alle prestazioni (per Funzioni di Azure e Azure Machine Learning) vengono inviati all'Hub eventi di Azure.
  1. 4 L'offerta viene restituita all'utente. In questa simulazione si ottiene questo risultato scrivendo in una coda di Archiviazione di Azure. I dati vengono prelevati da un'istanza di Funzioni di Azure in modo da produrre l'azione utente successiva.
  2. 5 Analisi di flusso di Azure analizza i dati per fornire analisi in tempo quasi reale sul flusso di input da Hub eventi di Azure. I dati aggregati vengono inviati ad Azure DocumentDB. I dati non elaborati vengono inviati all'archivio di Azure Data Lake.

Architetture delle soluzioni correlate

Previsione della domanda

La previsione accurata dei picchi della domanda di prodotti e servizi può offrire a un'azienda un vantaggio competitivo. Questa soluzione è incentrata sulla previsione della domanda nel settore energetico.

Previsione della domanda e ottimizzazione dei prezzi

La determinazione dei prezzi è riconosciuta come un fattore determinante del successo in molti settori e può essere una delle attività più complesse. Spesso le azienda faticano a districarsi con i diversi aspetti del processo di determinazione dei prezzi, ad esempio prevedere in modo accurato l'impatto finanziario delle potenziali strategie, valutare attentamente in vincoli del core business e convalidare correttamente le decisioni prese in merito ai prezzi. L'espansione delle offerte dei prodotti aggiungono ulteriori requisiti di calcolo ai fini del processo decisionale sui prezzi in tempo reale, aumentando la difficoltà di questa attività già estremamente complessa.