No ambiente conectado e altamente competitivo de hoje, negócios modernos não podem mais sobreviver com conteúdo online estático e genérico. Além disso, estratégias de marketing que usam ferramentas tradicionais muitas vezes são caras, difíceis de implementar e não produzem o retorno sobre o investimento desejado. Esses sistemas muitas vezes falham em aproveitar totalmente os dados coletados para criar uma experiência mais personalizada para o usuário.
A apresentação de ofertas personalizadas para o usuário tornou-se essencial para solidificar a lealdade do cliente e manter o negócio lucrativo. Em um site de varejo, clientes desejam sistemas inteligentes que fornecem ofertas e conteúdo com base em seus interesses e preferências exclusivos. As equipes de marketing digital de hoje podem criar essa inteligência usando os dados gerados de todos os tipos de interações do usuário. Ao analisar quantidades massivas de dados, os comerciantes têm a oportunidade exclusiva de fazer ofertas altamente relevantes e personalizadas a cada usuário. No entanto, criar uma infraestrutura de Big Data confiável e escalonável e desenvolver modelos de aprendizado de máquina sofisticados que são personalizados para cada usuário não é algo trivial.
A atividade do usuário no site é simulada com uma Função do Azure e um par de Filas de Armazenamento do Azure.
A funcionalidade de oferta personalizada é implementada como uma Função do Azure. Essa é a função-chave que harmoniza todos os elementos para produzir e oferecer uma atividade recorde. Os dados são lidos do Cache Redis do Azure e do Azure DocumentDB, as pontuações de afinidade com o produto são computadas do Azure Machine Learning (se não existir nenhum histórico do usuário, as afinidades pré-computadas serão lidas do Cache Redis do Azure).
Dados brutos de atividade do usuário (cliques em produtos e ofertas), ofertas feitas ao usuário e dados de desempenho (para o Azure Functions e o Azure Machine Learning) são enviados para o Hub de Eventos.
A oferta é retornada para o usuário. Em nossa simulação, isso é feito gravando-se para uma fila do Armazenamento do Azure e coletado por uma Função do Azure para produzir a próxima ação do usuário.
O Azure Stream Analytics analisa os dados para fornecer uma análise praticamente em tempo real sobre o fluxo de entrada do Hub de Eventos do Azure. Os dados agregados são enviados para o Azure DocumentDB. Os dados brutos são enviados para o Armazenamento do Azure Data Lake.
1
A atividade do usuário no site é simulada com uma Função do Azure e um par de Filas de Armazenamento do Azure.
2
A funcionalidade de oferta personalizada é implementada como uma Função do Azure. Essa é a função-chave que harmoniza todos os elementos para produzir e oferecer uma atividade recorde. Os dados são lidos do Cache Redis do Azure e do Azure DocumentDB, as pontuações de afinidade com o produto são computadas do Azure Machine Learning (se não existir nenhum histórico do usuário, as afinidades pré-computadas serão lidas do Cache Redis do Azure).
3
Dados brutos de atividade do usuário (cliques em produtos e ofertas), ofertas feitas ao usuário e dados de desempenho (para o Azure Functions e o Azure Machine Learning) são enviados para o Hub de Eventos.
4
A oferta é retornada para o usuário. Em nossa simulação, isso é feito gravando-se para uma fila do Armazenamento do Azure e coletado por uma Função do Azure para produzir a próxima ação do usuário.
5
O Azure Stream Analytics analisa os dados para fornecer uma análise praticamente em tempo real sobre o fluxo de entrada do Hub de Eventos do Azure. Os dados agregados são enviados para o Azure DocumentDB. Os dados brutos são enviados para o Armazenamento do Azure Data Lake.
A previsão exata de picos na demanda por produtos e serviços pode oferecer uma vantagem competitiva a uma empresa. Esta solução se concentra na previsão da demanda dentro do setor de energia.
O preço é reconhecido como um determinante-chave do sucesso em diversos setores e pode ser uma das tarefas mais desafiadoras. As empresas geralmente têm dificuldade com diversos aspectos do processo de precificação, incluindo a previsão precisa do impacto financeiro de possíveis táticas, a consideração razoável das principais restrições de negócios e a validação justa das decisões de precificação executadas. Expandir as ofertas de produtos adiciona mais requisitos computacionais para se tomar decisões de precificação em tempo real, o que amplia a dificuldade dessa tarefa já esmagadora.