Ignorar navegação

Ofertas personalizadas

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.

Personalized OffersIn today's highly competitive and connected environment, modern businesses can no longer survive with generic, static online content. Furthermore, marketing strategies using traditional tools are often expensive, hard to implement, and do not produce the desired return on investment. These systems often fail to take full advantage of the data collected to create a more personalized experience for the user.User ActionSimulationPersonalized OfferLogicSystem ResponseQueueUser ActionQueueEvent HubStream AnalyticsPower BIMachine LearningCold StartProduct AffinityUserDocument DBProductOffersReferenceProduct ViewsOffer ViewsCache Update LogicAzure ServicesRaw Stream Data12354

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.

Personalized OffersIn today's highly competitive and connected environment, modern businesses can no longer survive with generic, static online content. Furthermore, marketing strategies using traditional tools are often expensive, hard to implement, and do not produce the desired return on investment. These systems often fail to take full advantage of the data collected to create a more personalized experience for the user.User ActionSimulationPersonalized OfferLogicSystem ResponseQueueUser ActionQueueEvent HubStream AnalyticsPower BIMachine LearningCold StartProduct AffinityUserDocument DBProductOffersReferenceProduct ViewsOffer ViewsCache Update LogicAzure ServicesRaw Stream Data12354

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. 1 A atividade do usuário no site é simulada com uma Função do Azure e um par de Filas de Armazenamento do Azure.
  2. 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. 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.
  1. 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.
  2. 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.

Arquiteturas de solução relacionadas

Previsión de la demandaPrever con exactitud los picos de demanda de productos y servicios puede suponer una ventaja competitiva para una compañía. Esta solución se centra en la previsión de la demanda en el sector energético.

Previsão de Demanda

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.

Demand Forecasting and Price OptimizationPricing is recognized as a pivotal determinant of success in many industries and can be one of the most challenging tasks. Companies often struggle with several aspects of the pricing process, including accurately forecasting the financial impact of potential tactics, taking reasonable consideration of core business constraints, and fairly validating the executed pricing decisions. Expanding product offerings add further computational requirements to make real-time pricing decisions, compounding the difficulty of this already overwhelming task.

Previsão da demanda e otimização de preços

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.