Navigatie overslaan

Gepersonaliseerde aanbiedingen

In de huidige zeer competitieve en verbonden omgevingen kunnen moderne bedrijven niet langer overleven met generieke, statische online inhoud. Bovendien zijn marketingstrategieën waarbij gebruik wordt gemaakt van traditionele hulpmiddelen vaak duur, moeilijk uitvoerbaar en leveren geen rendement op de investering op. Deze systemen maken vaak niet ten volle gebruik van de verzamelde gegevens om een meer gepersonaliseerde ervaring voor de gebruiker te creëren.

Het naar boven halen van aanbiedingen op maat voor de gebruiker is essentieel geworden om klantloyaliteit op te bouwen en winstgevend te blijven. Op een retailwebsite willen klanten intelligente systemen die aanbiedingen en inhoud bieden op basis van hun unieke interesses en voorkeuren. De digitale marketingteams van vandaag kunnen deze intelligentie inbouwen aan de hand van de gegevens die gegenereerd worden door allerlei soorten gebruikersinteracties. Door het analyseren van enorme hoeveelheden gegevens, hebben marketeers de unieke kans om zeer relevante en gepersonaliseerde aanbiedingen te leveren aan elke gebruiker. Echter, het bouwen van een betrouwbare en schaalbare big data-infrastructuur, en het ontwikkelen van geavanceerde modellen voor machine learning die voor elke gebruiker gegevens personaliseren, is van belang.

Ofertas personalizadasEn el entorno de hoy en día tan competitivo y conectado, las empresas modernas ya no pueden sobrevivir con contenido en línea genérico y estático. Además, las estrategias de marketing que usan herramientas tradicionales suelen ser caras, difíciles de implementar y no generan la rentabilidad de la inversión deseada. Estos sistemas no suelen sacar el máximo provecho a los datos recopilados para crear una experiencia de usuario más personalizada.User ActionSimulationPersonalized OfferLogicSystem ResponseQueueUser ActionQueueEvent HubStream AnalyticsPower BIMachine LearningCold StartProduct AffinityUserDocument DBProductOffersReferenceProduct ViewsOffer ViewsCache Update LogicAzure ServicesRaw Stream Data12354

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.

Ofertas personalizadasEn el entorno de hoy en día tan competitivo y conectado, las empresas modernas ya no pueden sobrevivir con contenido en línea genérico y estático. Además, las estrategias de marketing que usan herramientas tradicionales suelen ser caras, difíciles de implementar y no generan la rentabilidad de la inversión deseada. Estos sistemas no suelen sacar el máximo provecho a los datos recopilados para crear una experiencia de usuario más personalizada.User ActionSimulationPersonalized OfferLogicSystem ResponseQueueUser ActionQueueEvent HubStream AnalyticsPower BIMachine LearningCold StartProduct AffinityUserDocument DBProductOffersReferenceProduct ViewsOffer ViewsCache Update LogicAzure ServicesRaw Stream Data12354

De gebruikersactiviteit op de website wordt gesimuleerd met een Azure-functie en een paar Azure Storage-wachtrijen.

De functionaliteit van een persoonlijke aanbieding wordt geïmplementeerd als een Azure-functie. Dit is de belangrijkste functie die alles bij elkaar brengt om een aanbiedings- en recordactiviteit te produceren. Gegevens worden ingelezen vanuit Azure Redis Cache en Azure DocumentDb, productaffiniteitsscores worden berekend vanuit Azure Machine Learning (als er geen geschiedenis voor de gebruiker bestaat dan worden vooraf berekende affiniteiten ingelezen vanuit Azure Redis Cache).

Onbewerkte gegevens over gebruikersactiviteit (klikken op product en aanbieding), aanbiedingen aan gebruikers en prestatiegegevens (voor Azure Functions en Azure Machine Learning) worden naar de Azure Event Hub verzonden.

De aanbieding wordt teruggestuurd naar de gebruiker. In onze simulatie wordt dit gedaan door te schrijven naar een Azure Storage-wachtrij en opgepikt door een Azure-functie om de volgende gebruikersactie te produceren.

Via Azure Stream Analytics worden gegevens geanalyseerd en beschikt u over bijna realtime analyses over de invoerstroom vanuit de Azure Event Hub. De samengevoegde gegevens worden naar Azure DocumentDB verzonden. De onbewerkte gegevens worden naar Azure Data Lake Storage verzonden.

  1. 1 De gebruikersactiviteit op de website wordt gesimuleerd met een Azure-functie en een paar Azure Storage-wachtrijen.
  2. 2 De functionaliteit van een persoonlijke aanbieding wordt geïmplementeerd als een Azure-functie. Dit is de belangrijkste functie die alles bij elkaar brengt om een aanbiedings- en recordactiviteit te produceren. Gegevens worden ingelezen vanuit Azure Redis Cache en Azure DocumentDb, productaffiniteitsscores worden berekend vanuit Azure Machine Learning (als er geen geschiedenis voor de gebruiker bestaat dan worden vooraf berekende affiniteiten ingelezen vanuit Azure Redis Cache).
  3. 3 Onbewerkte gegevens over gebruikersactiviteit (klikken op product en aanbieding), aanbiedingen aan gebruikers en prestatiegegevens (voor Azure Functions en Azure Machine Learning) worden naar de Azure Event Hub verzonden.
  1. 4 De aanbieding wordt teruggestuurd naar de gebruiker. In onze simulatie wordt dit gedaan door te schrijven naar een Azure Storage-wachtrij en opgepikt door een Azure-functie om de volgende gebruikersactie te produceren.
  2. 5 Via Azure Stream Analytics worden gegevens geanalyseerd en beschikt u over bijna realtime analyses over de invoerstroom vanuit de Azure Event Hub. De samengevoegde gegevens worden naar Azure DocumentDB verzonden. De onbewerkte gegevens worden naar Azure Data Lake Storage verzonden.

Gerelateerde architecturen voor oplossingen

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.

Vraagprognose

Het nauwkeurig voorspellen van pieken in de vraag naar producten en services kan een bedrijf een concurrentievoordeel geven. Deze oplossing is gericht op prognoses op aanvraag binnen de energiesector.

需要予測と価格最適化価格設定は、多くの業界にとって成功を決める極めて重要な要素ですが、最も難しいタスクの 1 つでもあります。多くの企業が、価格設定プロセスのさまざまな側面、つまり今後の戦術が業績に及ぼす影響を正確に予測し、ビジネス上の主な制約について十分に検討し、いったん設定した価格を公正に検証することなどに困難を感じています。提供する製品が増え、リアルタイムでの価格決定に必要な計算要件が複雑化するにつれて、既に極めて困難なこのタスクがさらに難しくなります。

Vraagprognose en prijsoptimalisatie

Prijsstelling wordt in veel bedrijfstakken gezien als een belangrijke factor voor succes en kan een van de meest uitdagende taken zijn. Bedrijven hebben vaak moeite met verschillende aspecten van het prijsstellingsproces, zoals het nauwkeurig voorspellen van de financiële gevolgen van mogelijke tactieken, het op redelijker wijze aandacht schenken aan belangrijke zakelijke beperkingen en het op een eerlijke manier valideren van de uitgevoerde prijsbeslissingen. Een groter wordend productaanbod brengt verdere verwerkingsvereisten met zich meer om realtimeprijsbeslissingen te nemen, wat deze toch al enorme taak nog moeilijker maakt.