오늘날의 경쟁이 심하고 연결된 환경에서 일반적이고 정적인 온라인 콘텐츠로는 더 이상 살아남을 수 없습니다. 더군다나 기존 도구를 사용하는 마케팅 전략은 종종 비용이 많이 들고 구현하기 힘들며 원하는 투자 수익률을 얻지 못합니다. 이러한 시스템은 사용자에게 맞춤형 환경을 제공하기 위해 수집한 데이터를 활용하는 데 종종 실패합니다.
사용자 맞춤형 제품은 고객 충성도를 쌓고 계속 수익을 내는 데 중요해 지고 있습니다. 소매 웹 사이트에서 고객은 고유한 관심과 선호에 따라 제품과 콘텐츠를 제공하는 지능형 시스템을 원합니다. 오늘날 디지털 마케팅 팀은 모든 종류의 사용자 조작을 통해 생성된 데이터를 사용하여 이러한 인텔리전스를 만들 수 있습니다. 대량의 데이터를 분석하여 마케팅 담당자는 각 사용자에게 적합한 맞춤형 제품을 제공할 기회를 얻습니다. 그러나 안정적이고 확장 가능한 빅 데이터 인프라를 구축하고 각 사용자에게 맞춘 정교한 기계 학습 모델을 개발하는 일은 쉽지 않습니다.
©2017 Microsoft Corporation. All rights reserved. 이 정보는 “있는 그대로” 제공되며 예고 없이 변경될 수 있습니다. Microsoft는 여기에 제공된 정보에 대해 어떠한 명시적 또는 묵시적 보증도 하지 않습니다. 타사 데이터는 솔루션을 생성하는 데 사용되었습니다. 유사한 데이터 집합을 만들기 위해 관련 라이선스를 확보하고 준수하는 것을 비롯한 다른 사람의 권리를 존중하는 것은 귀하의 책임입니다.
Azure Function과 한 쌍의 Azure Storage 큐를 사용하여 웹 사이트에서 사용자 활동이 시뮬레이션됩니다.
맞춤형 제품 기능이 Azure Function으로 구현됩니다. 제안 및 레코드 작업을 생성하기 위해 모두 함께 연결하는 주요 기능입니다. 데이터는 Azure Cache for Redis 및 Azure DocumentDb에서 읽고, 제품 선호도 점수는 Azure Machine Learning에서 계산됩니다(사용자에 대한 기록이 없는 경우 Azure Cache for Redis에서 미리 계산된 선호도를 읽음).
원시 사용자 활동 데이터(제품 및 제안 클릭), 사용자에게 한 제안, 성능 데이터(Azure Functions 및 Azure Machine Learning)가 Azure Event Hub에 전송됩니다.
제안은 사용자에게 반환됩니다. 시뮬레이션에서는 Azure Storage 큐에 기록하여 작업이 완료되고 다음 사용자 동작을 생성하기 위해 Azure Function에서 선택합니다.
Azure Stream Analytics는 데이터를 분석하여 Azure Event Hub의 입력 스트림에 대한 거의 실시간 분석을 제공합니다. 집계된 데이터는 Azure DocumentDB로 전송됩니다. 원시 데이터는 Azure Data Lake Storage로 전송됩니다.
가격은 많은 산업에서 성공하기 위한 중심 결정 요인으로 인식되지만 가장 어려운 작업 중 하나가 될 수 있습니다. 회사들은 잠재적인 전략의 재정적인 영향을 정확하게 예측하고, 핵심 비즈니스 제약 사항을 합리적으로 고려하고, 실행된 가격 결정을 공정하게 검증하는 작업을 비롯하여 가격 책정 프로세스의 여러 측면에서 노력하고 있습니다. 제품 제공을 확장하면 실시간 가격 결정을 수행하기 위한 계산 요구 사항이 추가되므로 이미 너무나 작업이 많은 어려운 상황이 악화됩니다.