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.

Personalized OffersIn today's highly competitive and connected environment, modern businesses can no longer survive with generic, static online content. Furthermore, marketing strategies using traditional tools are often expensive, hard to implement, and do not produce the desired return on investment. These systems often fail to take full advantage of the data collected to create a more personalized experience for the user.User ActionSimulationPersonalized OfferLogicSystem ResponseQueueUser ActionQueueEvent HubStream AnalyticsPower BIMachine LearningCold StartProduct AffinityUserDocument DBProductOffersReferenceProduct ViewsOffer ViewsCache Update LogicAzure ServicesRaw Stream Data12354

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.

Personalized OffersIn today's highly competitive and connected environment, modern businesses can no longer survive with generic, static online content. Furthermore, marketing strategies using traditional tools are often expensive, hard to implement, and do not produce the desired return on investment. These systems often fail to take full advantage of the data collected to create a more personalized experience for the user.User ActionSimulationPersonalized OfferLogicSystem ResponseQueueUser ActionQueueEvent HubStream AnalyticsPower BIMachine LearningCold StartProduct AffinityUserDocument DBProductOffersReferenceProduct ViewsOffer ViewsCache Update LogicAzure ServicesRaw Stream Data12354

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

Demand ForecastingAccurately forecasting spikes in demand for products and services can give a company a competitive advantage. This solution focuses on demand forecasting within the energy sector.

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.

Demand Forecasting and Price OptimizationPricing is recognized as a pivotal determinant of success in many industries and can be one of the most challenging tasks. Companies often struggle with several aspects of the pricing process, including accurately forecasting the financial impact of potential tactics, taking reasonable consideration of core business constraints, and fairly validating the executed pricing decisions. Expanding product offerings add further computational requirements to make real-time pricing decisions, compounding the difficulty of this already overwhelming task.

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.