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.

+ Meer weergeven – Minder tonen

Beschrijving

Bespaar tijd en laat één van deze getrainde SI-partners u helpen met een bewijs van concept, implementatie en integratie van deze oplossing.

De Cortana Intelligence Suite voorziet in geavanceerde analysehulpprogramma's via Microsoft Azure: gegevensopname, gegevensopslag, gegevensverwerking en geavanceerde analyse-onderdelen. Alle essentiële onderdelen voor het bouwen van een persoonlijke aanbiedingsoplossing.

Voor deze oplossing worden meerdere Azure-services gecombineerd om krachtige voordelen te bieden. Event Hubs verzamelt realtime verbruiksgegevens. Stream Analytics verzamelt de streaminggegevens en stelt deze beschikbaar voor visualisatie, evenals het bijwerken van de gegevens die zijn gebruikt voor het maken van persoonlijke aanbiedingen aan de klant. Azure DocumentDB slaat klant, product en aanbieding op. Azure Storage wordt gebruikt voor het beheer van wachtrijen die gebruikersinteractie simuleren. Azure-functies worden gebruikt als coördinator voor de gebruikerssimulatie en als centraal onderdeel van de oplossing voor het genereren van gepersonaliseerde aanbiedingen. Azure Machine Learning implementeert de gebruiker-naar-product affiniteitsscore en voert deze uit. Wanneer er geen gebruikersgeschiedenis beschikbaar is, wordt Azure Cache voor Redis gebruikt om vooraf berekende productaffiniteiten voor de klant te leveren. PowerBI visualiseert de realtime activiteit voor het systeem en met de gegevens van DocumentDB het gedrag van de verschillende aanbiedingen.

Met de knop Implementeren wordt een werkstroom gestart waarmee een instantie van de oplossing wordt geïmplementeerd binnen een resourcegroep in het Azure-abonnement dat u opgeeft. De oplossing omvat meerdere Azure-services (hierboven beschreven) en biedt uiteindelijk enkele korte instructies voor een goed werkende end-to-end oplossing met gesimuleerd gebruikersgedrag.

Zie de instructies hier voor instructies na de implementatie en meer details over de technische implementatie.

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.

個々に応じたオファー競争の激しい現代のオンライン環境では、汎用的な静的オンライン コンテンツで新しい企業が生き残ることは、もはや不可能です。さらに、従来のツールを使用したマーケティング戦略はコストが高く、実装しにくいことが多いため、必要な投資収益率を実現できません。多くの場合、これらのシステムでは、パーソナライズされたユーザー体験を生み出すために収集されたデータを十分に活用できていません。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 Cache voor Redis 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 Cache voor Redis).

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 Cache voor Redis 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 Cache voor Redis).
  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

需要予測製品やサービスの需要の急増を正確に予測すると、企業は競争上の優位性を確保できます。このソリューションは、エネルギー分野のオンデマンド予測に重点を置いています。

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.