Dette nettstedet bruker informasjonskapsler for analyser, tilpasset innhold og annonser. Ved å fortsette å bruke nettstedet godtar du å dette. Lær mer
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.
©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.
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