Løsningsarkitektur: Personlige markedsføringsløsninger

Personlig markedsføring er avgjørende for å bygge kundelojalitet og opprettholde lønnsomheten. Det er vanskeligere enn noen gang å nå frem til kunder og engasjere dem, generiske tilbud blir lett oversett eller ignorert. Nåværende markedsføringssystemer klarer ikke å benytte seg av fordelene ved dataene som kan hjelpe med å løse dette problemet.

Markedsførere som bruker intelligente systemer og analyserer enorme datamengder kan levere veldig relevante og personlige tilbud til hver bruker som ignorerer det uvesentlige og fremmer engasjement. Forhandlere kan for eksempel levere tilbud og innhold som er basert på hver enkelt kundes unike interesser og preferanser og plassere produkter foran de personene som er de mest sannsynlige kundene.

Ved å personliggjøre tilbudene leverer du en individuell opplevelse for hver nåværende eller sannsynlige kunde, du øker engasjementet og forbedrer kundekonverteringen, livstidsverdien og kundelojaliteten.

Distribuer til Azure

Bruk den følgende forhåndsbygde malen til å distribuere denne arkitekturen til Azure

Distribuer til Azure

Se gjennom på GitHub

Cosmos DB (Azure Services) Dashboard Browser Azure Stream Analytics (Near Real-Time Aggregates) Input Events Event Hub Cold Start Product Affinity Maching Learning (Product Affinity) Raw Stream Data Personalized Offer Logic

Implementeringsveiledning

Produkter Dokumentasjon

Event Hubs

Event Hubs importerer rå klikkestrømsdata fra Functions og sender dem videre til Stream Analytics.

Stream Analytics

Stream Analytics samler klikk i nær sanntid etter produkt, tilbud og bruker som skrives til Azure Cosmos DB og arkiverer også rå klikkestrømsdata til Azure Storage.

Azure Cosmos DB

Azure Cosmos DB lagrer samlede data om klikk etter bruker, produkt og tilbud i tillegg til brukerprofilinformasjon.

Storage

Azure Storage lagrer arkiverte rå klikkestrømsdata fra Stream Analytics.

Functions

Azure Functions tar klikkestrømsdata fra nettstedet og leser eksisterende brukerhistorikk fra Azure Cosmos DB. Disse dataene blir deretter kjørt igjennom nettjenesten Machine Learning eller brukt i sammen med kaldstartdataene i Redis Cache for å finne produktaffinitetspoeng. Produktaffinitetspoeng brukes med den skreddersydde tilbudslogikken for å avgjøre det mest relevante tilbudet som skal presenteres for brukeren.

Machine Learning

Machine Learning hjelper med å enkelt utforme, teste, sette i drift og administrere løsninger for prediktiv analyse i skyen.

Redis Cache

Redis Cache lagrer forhåndsbehandlede kaldstart produktaffinitetspoeng for brukere uten historikk.

strøm~~POS=TRUNC BI

Power BI visualiserer brukeraktivitetsdata og samt tilbud presentert ved lesing av data fra Cosmos DB.

Relaterte løsningsarkitekturer

Enkelt digitalt webområde for markedsføring

Begynn i det små med innholdsstyringssystemet som gjør det enkelt å vedlikeholde meldingstjenesten på nettstedet ditt i sanntid – fra en nettleser og uten behov for å kunne kode.

Mer informasjon

Oppgavebasert forbrukermobilapp

En mobilserverdel som brukes av iOS-, Android- og Windows-klientapper. Bruk Xamarin eller egne klient-SDK-er til å utvikle en mobilklientapp med støtte for frakoblet synkronisering, inkludert frakoblet synkronisering av bildefiler. App Service-godkjenning brukes til å koble til en identitetsleverandør, og Azure Blob Storage brukes til å lagre bilder på en kostnadseffektiv og skalerbar måte.

Mer informasjon