Navigatie overslaan

Klant 360-graden

Voor elke business intelligence-activiteit in de detailhandel is het van essentieel belang goed te weten wat de interesse van klanten en hun aankooppatronen is. Met behulp van deze oplossing wordt een proces geïmplementeerd waarbij klantengegevens worden samengevoegd in een ‘360 graden-profiel’. Hierbij worden geavanceerde machine learning-modellen op basis van de betrouwbaarheid en het verwerkingsvermogen van Azure gebruikt om voorspellende inzichten in gesimuleerde klanten te geven.

Customer 360A deep understanding between customer interests and purchasing patterns is a critical component of any retail business intelligence operation. This solution implements a process of aggregating customer data into a “360 degree” profile, and uses advanced machine learning models backed by the reliability and processing power of Azure to provide predictive insights on simulated customers.Python Web JobEvent HubETL (Python)Machine LearningTrained modelStream AnalyticsAzure StorageBrowsing DataBatch ETL and Predictive Pipeline12SQL DWDemographics, products, purchasesMerged customer profilew/ engineered featuresEnriched customer profile with predictionsHD Insight(Spark R Server)Enriched customer profilesPower BI Dashboard3456

Vrijwaring

© 2017 Microsoft Corporation. Alle rechten voorbehouden. Deze informatie wordt als zodanig geleverd en kan zonder kennisgeving worden gewijzigd. Microsoft biedt geen garanties, expliciet of impliciet, met betrekking tot de hier verstrekte informatie. Gegevens van derden zijn gebruikt om de oplossing te genereren. U bent verantwoordelijk voor het respecteren van de rechten van anderen, inclusief het aanschaffen en naleven van relevante licenties om vergelijkbare gegevenssets te maken.

Customer 360A deep understanding between customer interests and purchasing patterns is a critical component of any retail business intelligence operation. This solution implements a process of aggregating customer data into a “360 degree” profile, and uses advanced machine learning models backed by the reliability and processing power of Azure to provide predictive insights on simulated customers.Python Web JobEvent HubETL (Python)Machine LearningTrained modelStream AnalyticsAzure StorageBrowsing DataBatch ETL and Predictive Pipeline12SQL DWDemographics, products, purchasesMerged customer profilew/ engineered featuresEnriched customer profile with predictionsHD Insight(Spark R Server)Enriched customer profilesPower BI Dashboard3456

Een Gegevensgenerator stuurt gesimuleerde gebeurtenissen naar een Event Hub

Een Stream Analytics-taak leest de gegevens uit de Event Hub en voert aggregaties uit

Een Spark-taak voegt gegevens die op tijd zijn gegroepeerd samen in een Azure Storage Blob

Een Spark-taak die in HDInsight wordt uitgevoerd, voegt de nieuwste gegevens over het internetgedrag van klanten samen met historische aankoopgegevens en demografische gegevens om een geconsolideerd gebruikersprofiel te bouwen

Een tweede Spark-taak beoordeelt elk klantenprofiel volgens een machine learning-model om toekomstige aankooppatronen te voorspellen (bijv.: is het waarschijnlijk dat een bepaalde klant de komende dertig dagen een aankoop gaat doen, en zo ja, in welke productcategorie?)

Voorspellingen en andere profielgegevens worden gevisualiseerd en gedeeld als grafieken en tabellen in Power BI Online

  1. 1 Een Gegevensgenerator stuurt gesimuleerde gebeurtenissen naar een Event Hub
  2. 2 Een Stream Analytics-taak leest de gegevens uit de Event Hub en voert aggregaties uit
  3. 3 Een Spark-taak voegt gegevens die op tijd zijn gegroepeerd samen in een Azure Storage Blob
  1. 4 Een Spark-taak die in HDInsight wordt uitgevoerd, voegt de nieuwste gegevens over het internetgedrag van klanten samen met historische aankoopgegevens en demografische gegevens om een geconsolideerd gebruikersprofiel te bouwen
  2. 5 Een tweede Spark-taak beoordeelt elk klantenprofiel volgens een machine learning-model om toekomstige aankooppatronen te voorspellen (bijv.: is het waarschijnlijk dat een bepaalde klant de komende dertig dagen een aankoop gaat doen, en zo ja, in welke productcategorie?)
  3. 6 Voorspellingen en andere profielgegevens worden gevisualiseerd en gedeeld als grafieken en tabellen in Power BI Online