Customer 360

En inngående forståelse om kundeinteresse og kjøpsmønstre er en avgjørende komponent i enhver forretningsanalyse i detaljhandelen. Denne løsningen implementerer en prosess som samler kundedata i en 360-graders profil og som bruker avanserte maskinlæringsmodeller som støttes av påliteligheten og behandlingskraften til Azure for å levere prediktiv innsikt om simulerte kunder.

+ Vis mer – Vis mindre

Beskrivelse

For mer informasjon om hvordan denne løsningen er bygd, kan du gå til løsningsveiledingen i GitHub.

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.

Customer 360En inngående forståelse om kundeinteresse og kjøpsmønstre er en avgjørende komponent i enhver forretningsanalyse i detaljhandelen. Denne løsningen implementerer en prosess som samler kundedata i en 360-graders profil og som bruker avanserte maskinlæringsmodeller som støttes av påliteligheten og behandlingskraften til Azure for å levere prediktiv innsikt om simulerte kunder.Python Web JobEvent HubETL (Python)Machine LearningTrained modelStream AnalyticsAzure StorageBrowsing DataBatch ETL and Predictive Pipeline12SQL DWDemographics, products, purchasesMerged customer profilew/ engineered featuresEnriched customer profile with predictionsHD Insight(Spark R Server)Enriched customer profilesPower BI Dashboard3456

En datagenerator sender simulerte kundehendelser til en Event Hub

En Stream Analytics-jobb leser fra EventHub og utfører aggregasjoner

Stream Analytics plasserer tidsgrupperte data til en Azure Storage Blob

En Spark-jobb som kjører HDInsight fletter de siste nettsurfedataene fra kunden med historiske kjøps- og demografiske data for å bygge en samlet brukerprofil

En annen Spark-jobb scorer hver kundeprofil mot en maskinlæringsmodell for å forutsi fremtidige kjøpsmønstre (dvs. hvis en spesifikk kunde forventes å foreta et kjøp i løpet av de neste 30 dagene, og hvis så, i hvilken produktkategori?)

Forutsigelser og andre profildata visualiseres og deles som diagrammer og tabeller i PowerBI Online

  1. 1 En datagenerator sender simulerte kundehendelser til en Event Hub
  2. 2 En Stream Analytics-jobb leser fra EventHub og utfører aggregasjoner
  3. 3 Stream Analytics plasserer tidsgrupperte data til en Azure Storage Blob
  1. 4 En Spark-jobb som kjører HDInsight fletter de siste nettsurfedataene fra kunden med historiske kjøps- og demografiske data for å bygge en samlet brukerprofil
  2. 5 En annen Spark-jobb scorer hver kundeprofil mot en maskinlæringsmodell for å forutsi fremtidige kjøpsmønstre (dvs. hvis en spesifikk kunde forventes å foreta et kjøp i løpet av de neste 30 dagene, og hvis så, i hvilken produktkategori?)
  3. 6 Forutsigelser og andre profildata visualiseres og deles som diagrammer og tabeller i PowerBI Online