Ignorar navegação

Cliente 360

Uma compreensão profunda entre os interesses do cliente e os padrões de compra é um componente fundamental de qualquer operação de business intelligence de varejo. Esta solução implementa um processo de agregação de dados de cliente em um perfil de "360 graus" e usa modelos avançados de aprendizado de máquina com suporte da confiabilidade e capacidade de processamento do Azure para fornecer insights preditivos em clientes simulados.

Descrição

Observação: se você já tiver implantado esta solução, clique aqui para exibir sua implantação.

Para obter mais detalhes de como essa solução é criada, visite o guia da solução no GitHub.

Tempo de provisionamento estimado: 20 minutos

Uma empresa típica de varejo coleta dados de clientes através de diversos canais, incluindo padrões de navegação na Web, comportamentos de compra, dados demográficos e outros dados da Web baseados em sessão. Alguns dos dados têm sua origem nas principais operações de negócios, mas deve-se efetuar pull de outros dados de fontes externas como parceiros, fabricantes, domínio público, etc. e adicioná-los.

Muitas empresas aproveitam somente uma pequena parte dos dados disponíveis, mas para maximizar o ROI, a empresa deve integrar dados relevantes de todas as fontes. Tradicionalmente, a integração de fontes de dados heterogêneas externas em um mecanismo de processamento de dados compartilhados exige um esforço e recursos significativos para ser configurada. Esta solução descreve uma abordagem simples e escalonável para integrar análise e aprendizado de máquina para prever atividades de compra de clientes.

A solução do Perfil do Cliente 360 aborda os problemas acima ao:

  • Acesso a dados de diversas fontes de maneira uniforme, minimizando a movimentação de dados e a complexidade do sistema para acelerar o desempenho.
  • Realização de ETL e engenharia de recursos necessários para o uso de um modelo de Machine Learning preditivo.
  • Criação de um perfil de cliente abrangente de 360 graus, enriquecido por análise preditiva em execução em um sistema distribuído, com suporte do Microsoft R Server e do Azure HDInsight.

Aviso de isenção de responsabilidade

© 2017 Microsoft Corporation. Todos os direitos reservados. Estas informações são fornecidas “no estado em que se encontram” e poderão ser alteradas sem aviso. A Microsoft não oferece garantias, expressas ou implícitas, com relação às informações aqui fornecidas. Dados de terceiros foram utilizados para gerar esta Solução. Você é responsável por respeitar os direitos de terceiros, incluindo a obtenção e o cumprimento de licenças relevantes com o intuito de criar conjuntos de dados similares.

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

Um Gerador de dados envia eventos de cliente simulados para um Hub de eventos

Um trabalho do Stream Analytics lê no Hub de Eventos e realiza agregações

O Stream Analytics mantém dados agrupados por tempo em um Azure Storage Blob

Um trabalho do Spark, em execução no HDInsight, mescla os dados de navegação mais recentes do cliente com os dados demográficos e de histórico de compras para criar um perfil do usuário consolidado

Um segundo trabalho do Spark classifica cada perfil de cliente de acordo com um modelo de aprendizado de máquina para prever padrões de compra futuros (ou seja, é uma probabilidade determinada de um cliente realizar uma compra nos próximos 30 dias e, se o fizer, em qual categoria de produtos?)

As previsões e outros dados de perfil são visualizados e compartilhados como gráficos e tabelas no Power BI Online

  1. 1 Um Gerador de dados envia eventos de cliente simulados para um Hub de eventos
  2. 2 Um trabalho do Stream Analytics lê no Hub de Eventos e realiza agregações
  3. 3 O Stream Analytics mantém dados agrupados por tempo em um Azure Storage Blob
  1. 4 Um trabalho do Spark, em execução no HDInsight, mescla os dados de navegação mais recentes do cliente com os dados demográficos e de histórico de compras para criar um perfil do usuário consolidado
  2. 5 Um segundo trabalho do Spark classifica cada perfil de cliente de acordo com um modelo de aprendizado de máquina para prever padrões de compra futuros (ou seja, é uma probabilidade determinada de um cliente realizar uma compra nos próximos 30 dias e, se o fizer, em qual categoria de produtos?)
  3. 6 As previsões e outros dados de perfil são visualizados e compartilhados como gráficos e tabelas no Power BI Online