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.

Personalized OffersIn today's highly competitive and connected environment, modern businesses can no longer survive with generic, static online content. Furthermore, marketing strategies using traditional tools are often expensive, hard to implement, and do not produce the desired return on investment. These systems often fail to take full advantage of the data collected to create a more personalized experience for the user.User ActionSimulationPersonalized OfferLogicSystem ResponseQueueUser ActionQueueEvent HubStream AnalyticsPower BIMachine LearningCold StartProduct AffinityUserDocument DBProductOffersReferenceProduct ViewsOffer ViewsCache Update LogicAzure ServicesRaw Stream Data12354

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.

Personalized OffersIn today's highly competitive and connected environment, modern businesses can no longer survive with generic, static online content. Furthermore, marketing strategies using traditional tools are often expensive, hard to implement, and do not produce the desired return on investment. These systems often fail to take full advantage of the data collected to create a more personalized experience for the user.User ActionSimulationPersonalized OfferLogicSystem ResponseQueueUser ActionQueueEvent HubStream AnalyticsPower BIMachine LearningCold StartProduct AffinityUserDocument DBProductOffersReferenceProduct ViewsOffer ViewsCache Update LogicAzure ServicesRaw Stream Data12354

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

Demand ForecastingAccurately forecasting spikes in demand for products and services can give a company a competitive advantage. This solution focuses on demand forecasting within the energy sector.

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.

Demand Forecasting and Price OptimisationPricing is recognised as a pivotal determinant of success in many industries and can be one of the most challenging tasks. Companies often struggle with several aspects of the pricing process, including accurately forecasting the financial impact of potential tactics, taking reasonable consideration of core business constraints, and fairly validating the executed pricing decisions. Expanding product offerings adds further computational requirements to making real-time pricing decisions, thereby compounding the difficulty of this already overwhelming task.

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.