顧客の興味と購入パターンの間の関係を深く理解することは、すべての小売業のビジネス インテリジェンス操作にとって重要な要素です。このソリューションでは、顧客データを「360 度」のプロファイルに集計するプロセスを実装し、Azure の信頼性と処理能力を備えた高度な機械学習モデルを使ってシミュレーションした顧客に関して予測的な分析情報を提供します。

説明

注: このソリューションが既に実装されている場合、こちらをクリックしてデプロイを表示してください。

このソリューションの構築方法の詳細については、GitHub のソリューション ガイドをご覧ください。

予測プロビジョニング時間: 20 分

典型的な小売企業では、Web 閲覧パターン、購入行動、人口統計、その他のセッションベースの Web データなど、さまざまなチャネルを通じて顧客データを収集します。中心となる営業活動から得られるデータもありますが、その他のデータはパートナーや製造業者、パブリック ドメインのような外部ソースからデータを引き出して結合する必要があります。

多くの企業は、利用できるデータのほんの一部しか活用できていませんが、ROI を最大化するためには、すべてのソースの関連データを統合する必要があります。これまでは、外部のさまざまなデータ ソースを 1 つの共有データ処理エンジンに統合するためには、多くの作業量とリソースの配置が必要でした。このソリューションでは、分析と機械学習を統合して顧客の購入アクティビティを予測するためのシンプルでスケーラブルなアプローチを示します。

顧客の 360 度型プロファイル ソリューションは、以下により上記の問題に対応します。

  • パフォーマンスを高めるために、複数のデータ ソースのデータに統一した方法でアクセスし、データの移動とシステムの複雑さを最小限に抑える。
  • 予測 Machine Learning モデルの使用に必要な ETL と機能エンジニアリングを実行する。
  • Microsoft R Server と Azure HDInsight がバックアップする分散システムで実行される予測分析によって強化された、顧客の 360 度型総合プロファイルを作成する。

免責事項

©2017 Microsoft Corporation.All rights reserved.本情報は "現状のまま" 提供され、通知なく変更されることがあります。Microsoft はここで提供される情報に関し、明示または暗示にかかわらず、いかなる保証も行わないものとします。ソリューションの生成にはサード パーティのデータが使用されています。お客様には他者の権利を尊重する責任があり、それには、類似のデータセットを作成するための関連ライセンスの購入や、そうした関連ライセンスへの準拠が含まれます。

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

データ ジェネレーターがイベント ハブにシミュレーションした顧客イベントを送信します。

Stream Analytics ジョブがイベント ハブから読み取り、集計を実行します。

Stream Analytics が時間でグループ化したデータを Azure Storage Blob に保持します。

HDInsight で実行される Spark ジョブが最新の顧客閲覧データと過去の購入および人口統計データをマージして、統合ユーザー プロファイルを作成します。

2 番目の Spark ジョブが機械学習モデルに対する各顧客プロファイルにスコアを付け、さらに購入パターン (特定の顧客が次の 30 日以内に購入しそうか、購入する場合はどのカテゴリの製品か) を予測します。

予測とその他のプロファイル データが Power BI Online のチャートとテーブルとして視覚化され共有されます。

  1. 1 データ ジェネレーターがイベント ハブにシミュレーションした顧客イベントを送信します。
  2. 2 Stream Analytics ジョブがイベント ハブから読み取り、集計を実行します。
  3. 3 Stream Analytics が時間でグループ化したデータを Azure Storage Blob に保持します。
  1. 4 HDInsight で実行される Spark ジョブが最新の顧客閲覧データと過去の購入および人口統計データをマージして、統合ユーザー プロファイルを作成します。
  2. 5 2 番目の Spark ジョブが機械学習モデルに対する各顧客プロファイルにスコアを付け、さらに購入パターン (特定の顧客が次の 30 日以内に購入しそうか、購入する場合はどのカテゴリの製品か) を予測します。
  3. 6 予測とその他のプロファイル データが Power BI Online のチャートとテーブルとして視覚化され共有されます。