Hopp over navigasjon

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
Customer 360A deep understanding between customer interests and purchasing patterns is a critical component of any retail business intelligence operation. This solution implements a process of aggregating customer data into a “360 degree” profile, and uses advanced machine learning models backed by the reliability and processing power of Azure to provide predictive insights on simulated customers.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

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 360A deep understanding between customer interests and purchasing patterns is a critical component of any retail business intelligence operation. This solution implements a process of aggregating customer data into a “360 degree” profile, and uses advanced machine learning models backed by the reliability and processing power of Azure to provide predictive insights on simulated customers.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