근 실시간 맞춤형 마케팅 솔루션 만들기

Azure Cosmos DB

Azure Event Hubs

Azure 기능

Azure Machine Learning

Azure Stream Analytics

솔루션 아이디어

이 문서는 솔루션 아이디어입니다. 잠재적인 사용 사례, 대체 서비스, 구현 고려 사항 또는 가격 책정 지침과 같은 추가 정보로 콘텐츠를 확장하려면 GitHub 피드백을 제공하여 알려주세요.

이 아키텍처는 Azure Functions, Azure Machine Learning 및 Azure Stream Analytics를 사용하여 솔루션 맞춤형 제안을 만드는 방법을 보여 줍니다.

아키텍처

이 아키텍처의 Visio 파일을 다운로드합니다.

데이터 흐름

Event Hubs는 Azure Functions에서 원시 클릭 스트림 데이터를 수집하여 Stream Analytics로 전달합니다.
Azure Stream Analytics는 제품, 제안 및 사용자별로 거의 실시간으로 클릭 수를 집계합니다. Azure Cosmos DB에 데이터를 기록하고 원시 클릭 스트림 데이터를 Azure Storage에 보관합니다.
Azure Cosmos DB가 사용자 및 제품에 따라 집계된 클릭 수 데이터를 저장하고 사용자 프로필 정보를 제공합니다.
Azure Storage가 Stream Analytics에서 보관된 원시 클릭 스트림 데이터를 저장합니다.
Azure Functions가 웹 사이트에서 사용자 클릭 스트림 데이터를 가져오고 Azure Cosmos DB에서 기존 사용자 기록을 읽습니다. 그런 다음, Machine Learning 웹 서비스를 통해 이러한 데이터를 실행하거나 Azure Cache for Redis에서 콜드 스타트 데이터와 함께 사용하여 제품 선호도 점수를 얻습니다. 제품 선호도 점수는 고객에게 제공할 가장 관련성이 높은 제안을 결정하기 위해 맞춤형 제안 논리와 함께 사용됩니다.
Azure Machine Learning은 클라우드에서 예측 분석 솔루션을 설계, 테스트, 운영화 및 관리하는 데 도움이 됩니다.
Azure Cache for Redis는 기록이 없는 사용자에 대해 미리 계산된 콜드 스타트 제품 선호도 점수를 저장합니다.
Power BI는 사용자 활동 데이터에 대한 시각화 및 Azure Cosmos DB의 데이터 읽기로 표시되는 제안을 지원합니다.

구성 요소

시나리오 정보

맞춤형 마케팅은 고객 충성도를 구축하고 수익성을 유지하기 위해 필수적입니다. 고객에게 도달하고 참여를 유도하는 것이 그 어느 때보다 어려우며, 일반적인 제안을 놓치거나 무시하기 쉽습니다. 현재의 마케팅 시스템은 이러한 문제 해결에 도움이 되는 데이터를 활용하지 못하고 있습니다.

지능형 시스템을 사용하고 대규모 데이터를 분석하는 마케팅 전문가는 각 사용자에게 관련성이 높은 맞춤형 제안을 제공하여, 혼란을 줄이고 참여를 유도할 수 있습니다. 예를 들어 소매업체는 각 사용자의 고유한 관심사, 기호 및 제품 선호도에 따라 제안 및 콘텐츠를 제공하고, 구매 가능성이 높은 제품을 사용자 앞에 배치할 수 있습니다.

이 아키텍처는 Azure Functions, Azure Machine Learning 및 Azure Stream Analytics를 사용하여 솔루션 맞춤형 제안을 만드는 방법을 보여 줍니다.

잠재적인 사용 사례

제안을 맞춤화하여 현재 및 잠재 고객에게 개별화된 경험을 제공하고, 참여율을 높이고, 고객 전환, 평생 가치 및 보존율을 개선할 수 있습니다.

이 솔루션은 유통 및 마케팅 업계에 이상적입니다.

다음 단계

제품 설명서를 참조하세요.

예제 학습 경로:

다른 Azure 아키텍처 센터 문서를 읽어보세요.