Architectuur voor de oplossing:Gepersonaliseerde marketingoplossingen
Gepersonaliseerde marketing is essentieel voor het opbouwen van klantenbinding terwijl u winstgevend blijft. Het bereiken van klanten en hun aandacht wekken is moeilijker dan ooit en algemene aanbiedingen worden eenvoudig gemist of genegeerd. Huidige marketingsystemen maken onvoldoende gebruik van gegevens die kunnen helpen bij het oplossen van dit probleem.
Marketeers die intelligente systemen gebruiken en enorme hoeveelheden gegevens analyseren, kunnen elke gebruiker relevante en gepersonaliseerde aanbiedingen presenteren. Ze steken hiermee boven het maaiveld uit en hebben de aandacht. Verkopers kunnen bijvoorbeeld aanbiedingen en inhoud leveren gebaseerd op de unieke interesses en voorkeuren van elke klant, waardoor producten worden voorgesteld aan mensen van wie het meest waarschijnlijk is dat ze die ook kopen.
Door uw aanbiedingen te personaliseren, levert u aan elke huidige of potentiële klant een geïndividualiseerde ervaring. U stimuleert hiermee verbondenheid met uw klant en verbetert klantconversie, klantwaarde en klantbehoud.
Implementatie in Azure
Gebruik de volgende vooraf gemaakte sjabloon om deze architectuur op Azure te implementeren
Implementatie in AzureBegeleiding bij implementatie
| Producten | Documentatie | |
|---|---|---|
| Event Hubs | Event Hub neemt onbewerkte gegevens over klikgedrag op uit Functions en geeft deze door aan Stream Analytics. | |
| Stream Analytics | Stream Analytics verzamelt bijna in realtime klikken per product, aanbieding en gebruiker om naar Azure Cosmos DB te schrijven, en archiveert ook onbewerkte gegevens over klikgedrag in Azure Storage. | |
| Azure Cosmos DB | Azure Cosmos DB slaat gecumuleerde gegevens op van klikken per gebruiker, product en aanbieding, alsmede gebruikersprofielgegevens. | |
| Storage | Azure Storage slaat gearchiveerde onbewerkte gegevens over klikgedrag op uit Stream Analytics. | |
| Functions | Azure Functions neemt onbewerkte gegevens over klikgedrag van gebruikers op uit websites en leest de bestaande gebruikersgeschiedenis uit Azure Cosmos DB. Deze gegevens worden vervolgens door de Machine Learning-webservice verwerkt of gebruikt samen met de koudestartgegevens in Redis Cache om productaffiniteitsscores te verkrijgen. Productaffiniteitsscores worden gebruikt met de gepersonaliseerde aanbiedingenlogica om de meest relevante aanbiedingen vast te stellen om aan de gebruiker te presenteren. | |
| Machine Learning | Met Machine Learning kunt u eenvoudig predictive analytics-oplossingen ontwerpen, testen, in gebruik nemen en beheren in de cloud. | |
| Redis Cache | Redis Cache slaat vooraf berekende koudestartproductaffiniteitsscores op voor gebruikers zonder geschiedenis. | |
| Power BI | Power BI visualiseert gegevens over gebruikersactiviteiten en aanbiedingen die worden gepresenteerd door gegevens in te lezen uit Cosmos DB. |
Gerelateerde architecturen voor oplossingen
Eenvoudige digitale marketingwebsite
Begin eenvoudig met het contentmanagementsysteem waarmee u eenvoudig de berichten op uw website in realtime kunt beheren, vanuit een browser, zonder codeervaardigheden.
Meer informatieOp taken gebaseerde mobiele app voor consumenten
Een mobiele back-end die wordt gebruikt door iOS-, Android- en Windows-clientapps. Gebruik client-SDK's van Xamarin of systeemeigen client-SDK's om een mobiele clientapp te bouwen met ondersteuning voor offlinesynchronisatie, inclusief offlinesynchronisatie van installatiekopieën. App Service-verificatie wordt gebruikt om verbinding te maken met een id-provider en Azure Blob Storage wordt gebruikt om op kosteneffectieve en schaalbare manier installatiekopieën op te slaan.
Meer informatie