Beskrivelse
Merk: Hvis du allerede har distribuert denne løsningen, kan du klikke her for å vise distribusjonen.
For mer informasjon om hvordan denne løsningen er bygd, kan du gå til løsningsveiledingen i GitHub.
Estimert klargjøringstid: 20 minutter
En typisk detaljhandelbedrift samler inn kundedata fra en rekke kanaler, inkludert nettsurfingsmønstre, kjøpsoppførsel, demografiske data og andre øktbaserte nettdata. Noen av dataene kommer fra kjerneoperasjoner i bedriften, men andre data må hentes og samles fra eksterne ressurser som partnere, produsenter, offentligheten osv.
Mange bedrifter benytter bare en liten del av de tilgjengelige dataene, men for å kunne få maksimal retur på investeringene, må en bedrift integrere relevante data fra alle kilder. Tradisjonelt har integreringen av eksterne, heterogene datakilder i en delt databehandlingsmotor krevd betraktelig innsats og ressurskonfigurasjon. Denne løsningen beskriver en enkel, skalerbar tilnærming for integrering av analyse og maskinlæring for å forutsi kundenes kjøpsaktivitet.
Løsningen med 360-kundeprofil håndterer problemene over på følgende måte:
- Samlet datatilgang fra flere datakilder med minimal dataflytting og systemkompleksitet for å oppnå økt ytelse.
- Utføring av ETL og funksjonsbygning som er nødvendig for å bruke en prediktiv maskinlæringsmodell.
- Opprette en omfattende 360-kundeprofil beriket av prediktiv analyse som kjører på tvers av et distribuert system som er støttet av Microsoft R Server og Azure HDInsight.
Ansvarsfraskrivelse
©2017 Microsoft Corporation. Med enerett. Denne informasjonen gis «som den er» og kan endres uten varsel. Microsoft gir ingen garantier, uttrykkelig eller underforstått, i forbindelse med informasjonen som oppgis her. Tredjepartsdata ble benyttet for å generere løsningen. Du er ansvarlig for å respektere andres rettigheter, inkludert anskaffelse og overhold av relevante lisenser for å opprette lignende datasett.