Hopp over navigasjon

Tilpassede tilbud

I dagens veldig konkurrerende og tilkoblede miljø, kan moderne bedrifter ikke lenger overleve med generisk, statisk nettinnhold. Markedsføringsstrategier som benytter tradisjonelle verktøy er i tillegg ofte dyre, vanskelige å implementere og de produserer ikke den ønskede returen på investeringen. Disse systemene er ofte ikke i stand til å benytte seg fullt ut av de innsamlede dataene for å skape en mer tilpasset brukeropplevelse.

Tilbud som er tilpasset kunden har blitt avgjørende for å bygge opp kundelojalitet og for å opprettholde lønnsomheten. På et detaljhandelnettsted vil kundene ha intelligente systemer som leverer tilbud og innhold basert på deres unike interesser og preferanser. Dagens digitale markedsføringsteam kan utvikle denne intelligensen ved hjelp av dataene som genereres fra alle slags samhandlinger med brukere. Ved å analysere store datamengder har markedsførere en unik mulighet for å levere veldig aktuelle og tilpassede tilbud til hver bruker. Men det er ikke så enkelt å bygge en pålitelig og skalerbar stor datainfrastruktur og utvikle avanserte maskinlæringsmodeller som tilpasses hver enkelte bruker.

Beskrivelse

Merk: Hvis du allerede har distribuert denne løsningen, kan du klikke her for å vise distribusjonen.

Spar tid og la en av disse opplærte SI-partnerne hjelpe deg med konseptgodkjenning, distribusjon og integrering av denne løsningen.

Estimert klargjøringstid: 45 minutter

Cortana Intelligence Suite tilbyr avanserte analyseverktøy igjennom Microsoft Azure – komponenter for datainntak, datalagring, databehandling og avansert analyse – all de viktige elementene for å utvikle en løsning for tilpasset tilbud.

Denne løsningen kombinerer flere Azure-tjenester for å levere kraftige fordeler. Event Hubs samler inn forbrukerdata i sanntid. Stream Analytics samler strømningsdataene og gjør dem tilgjengelige for visualisering, i tillegg til å oppdatere dataene som brukes for å opprette tilpassede tilbud til kunden. Azure DocumentDB lagrer kunde-, produkt- og tilbudsinformasjon. Azure Storage brukes for å administrere køene som simulerer samhandling med kunder. Azure Functions brukes som en koordinator for brukersimulering og den sentrale delen av løsningen for å generer tilpassede tilbud. Azure Machine Learning implementerer og kjører brukeren til produktaffinitetsscoring og når ingen brukerhistorikk er tilgjengelig brukes Azure Redis Cache for å levere forhåndsberegnede produktaffiniteter for kunden. PowerBI visualiserer i sanntid aktivitet for systemet og med dataene fra DocumentDB, atferden til de forskjellige tilbudene.

Knappen «Distribuer» starter en arbeidsflyt som distribuerer en forekomst av løsningen i en ressursgruppe i Azure-abonnementet som du spesifiserer. Løsningen inkluderer flere Azure-tjenester (beskrevet ovenfor) og gir etterpå noen få korte instruksjoner som er nødvendig for å få en fungerende fullstendig løsning med simuler brukeratferd.

For instruksjoner etter distribusjon og mer informasjon om den tekniske implementeringen, kan du se instruksjonene her.

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.

User ActionSimulation Personalized OfferLogic System ResponseQueue User ActionQueue Event Hub Stream Analytics Power BI Machine Learning Cold StartProduct Affinity User Document DB Product Offers Reference Product Views Offer Views Cache Update Logic Azure Services Raw Stream Data 1 2 3 5 4

Brukeraktivitet på nettstedet er simulert med en Azure-funksjon og et par av Azure Storage-køene.

Tilpasset tilbudsfunksjonalitet er implementert som en Azure-funksjon. Dette er en nøkkelfunksjon som binder alt i sammen for å produsere et tilbud og registrere aktivitet. Data leses inn fra Azure Redis Cache og Azure DocumentDb, produktaffinitetsscoringer beregnes fra Azure Machine Learning (hvis ingen historikk for brukeren eksisterer blir de forhåndsberegnede affinitetene lest inn fra Azure Redis Cache).

Rå brukerdata (klikk på produkter og tilbud), tilbud gitt til brukere og ytelsesdata (for Azure Functions og Azure Machine Learning) sendes til Azure Event Hub.

Tilbudet sendes til brukeren. I vår simulering utføres dette ved å skrive til en Azure Storage-kø og det plukkes opp av en Azure-funksjon for å produsere den neste brukerhandlingen.

Azure Stream Analytics analyserer dataene for å levere en analyse i nær sanntid på inndataflyten fra Azure Event Hub. De samlede dataene sendes til Azure DocumentDB. Rådataene sendes til Azure Data Lake Storage.

  1. 1 Brukeraktivitet på nettstedet er simulert med en Azure-funksjon og et par av Azure Storage-køene.
  2. 2 Tilpasset tilbudsfunksjonalitet er implementert som en Azure-funksjon. Dette er en nøkkelfunksjon som binder alt i sammen for å produsere et tilbud og registrere aktivitet. Data leses inn fra Azure Redis Cache og Azure DocumentDb, produktaffinitetsscoringer beregnes fra Azure Machine Learning (hvis ingen historikk for brukeren eksisterer blir de forhåndsberegnede affinitetene lest inn fra Azure Redis Cache).
  3. 3 Rå brukerdata (klikk på produkter og tilbud), tilbud gitt til brukere og ytelsesdata (for Azure Functions og Azure Machine Learning) sendes til Azure Event Hub.
  1. 4 Tilbudet sendes til brukeren. I vår simulering utføres dette ved å skrive til en Azure Storage-kø og det plukkes opp av en Azure-funksjon for å produsere den neste brukerhandlingen.
  2. 5 Azure Stream Analytics analyserer dataene for å levere en analyse i nær sanntid på inndataflyten fra Azure Event Hub. De samlede dataene sendes til Azure DocumentDB. Rådataene sendes til Azure Data Lake Storage.

Relaterte løsningsarkitekturer

Prognose av etterspørsel

Faktiske prognosetopper i forespørsel for produkter og tjenester kan gi en bedrift en konkurransefordel. Denne løsningen fokuserer på prognose av etterspørsel innen energisektoren.

Etterspørselsprognoser og prisoptimering

Prissetting anses som en sentral suksessfaktor i mange bransjer og det kan være en av de mest utfordrende oppgavene. Bedrifter sliter ofte med mange forskjellige aspekter i prisprosessen, disse inkluderer nøyaktig prognose av den finansielle påvirkningen av potensielle taktikker, tilstrekkelig vurdering av begrensningene til kjernevirksomheten og riktig vurdering av de utførte prisavgjørelsene. Utvidelse av produkttilbudet og videre databehandlingskrav for å kunne foreta prisavgjørelser i sanntid, gjør denne overveldede oppgaven enda vanskeligere.