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.

Beschrijving

Opmerking: als u deze oplossing al hebt geïmplementeerd, klikt u hier om de implementatie te bekijken.

Raadpleeg de oplossingengids in GitHub voor meer informatie over de manier waarop deze oplossing is gebouwd.

Geschatte inrichtingstijd: 20 minuten

De gemiddelde detailhandel verzamelt klantengegevens via diverse kanalen, zoals hun internetgedrag, aankoopgedrag, demografie en andere op sessies gebaseerde webgegevens. Een deel van de gegevens is afkomstig uit de belangrijkste bedrijfsactiviteiten, maar andere gegevens moeten uit externe bronnen worden gehaald, zoals partners, fabrikanten, het openbare domein, etc.

Veel bedrijven benutten maar van een klein deel van de beschikbare gegevens, maar wil een bedrijf maximaal rendement behalen, dan zullen ze relevante gegevens via alle mogelijke bronnen moeten integreren. Van oudsher kost de integratie van externe, heterogene gegevensbronnen in een gedeelde engine voor de verwerking van gegevens aanzienlijke inspanningen en bedrijfsmiddelen. Deze oplossing biedt een eenvoudige, schaalbare manier om analysegegevens en de resultaten van machine learning te integreren om de aankoopactiviteiten van klanten te voorspellen.

In de oplossing Customer 360 Profile worden de bovenstaande problemen als volgt aangepakt:

  • Het op dezelfde manier openen van gegevens van meerdere gegevensbronnen en tegelijkertijd verplaatsing van gegevens en systeemcomplexiteit minimaliseren voor betere prestaties.
  • Het uitvoeren van ETL en het bouwen van eigenschappen die nodig zijn om een voorspelling machine learning-model te gebruiken.
  • Het maken van een uitgebreid 360-klantenprofiel dat is verbeterd met voorspellende analyses die worden uitgevoerd op een gedistribueerd systeem op basis van Microsoft R Server en Azure HDInsight.

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.

Python Web Job Event Hub ETL (Python) Machine LearningTrained model Stream Analytics Azure Storage Browsing Data Batch ETL and Predictive Pipeline 1 2 SQL DW Demographics, products, purchases Merged customer profilew/ engineered features Enriched customer profile with predictions HD Insight(Spark R Server) Enriched customer profiles Power BI Dashboard 3 4 5 6

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