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.

Personalised marketing solutionsFind essential technology to market your products with personalised offers. Individualise your marketing for greater customer response using big-data insights.Cosmos DB(Azure Services)DashboardBrowserAzureStream Analytics (NearReal-Time Aggregates)Input EventsEvent HubColdStartProduct AffinityMaching Learning(Product Affinity)RawStream DataPersonalized OfferLogic

Implementeringsveiledning

Produkter/beskrivelse Dokumentasjon

Event Hubs

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

Azure 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.

Lagring

Azure Storage lagrer arkiverte rå klikkestrømsdata fra Stream Analytics.

Azure 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 Azure Cache for Redis for å finne produktaffinitetspoeng. Produktaffinitetspoeng brukes med den skreddersydde tilbudslogikken for å avgjøre det mest relevante tilbudet som skal presenteres for brukeren.

Machine Learning Studio

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

Azure Cache for Redis

Azure Cache for Redis lagrer forhåndsbehandlede kaldstart produktaffinitetspoeng for brukere uten historikk.

Power BI

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

Relaterte løsningsarkitekturer