Cliente 360

Um profundo entendimento entre os interesses e os padrões de compra do cliente é um elemento essencial de qualquer operação de business intelligence do setor de retalho. Esta solução implementa um processo de agregação de dados do cliente num perfil “360 graus” e utiliza modelos avançados de aprendizagem automática, apoiados pela fiabilidade e potência de processamento do Azure, para fornecer informações preditivas sobre clientes simulados.

Descrição

Nota: se já tiver implementado esta solução, clique aqui para ver a sua implementação.

Para obter mais informações sobre como esta solução é criada, visite o guia de soluções no GitHub.

Tempo de Aprovisionamento Estimado: 20 minutos

Um negócio de retalho comum recolhe 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 provêm de operações da atividade principal, mas outros dados têm de ser extraídos e unidos de origens externas como parceiros, fabricantes, domínio público, etc.

Muitas empresas tiram partido apenas de uma pequena porção dos dados disponíveis, mas para maximizar o ROI, uma empresa tem de integrar dados relevantes de todas as origens. Tradicionalmente, a integração de origens de dados externas heterogéneas num motor de processamento de dados partilhados tem exigido recursos e um esforço significativo de configuração. Esta solução descreve uma abordagem simples e dimensionável à integração de análise e aprendizagem automática para prever a atividade de compra dos clientes.

A solução de Perfil do Cliente 360 endereça os problemas acima ao:

  • Aceder de forma uniforme a dados de várias origens de dados, minimizando, simultaneamente, o movimento de dados e a complexidade do sistema com vista a aumentar o desempenho.
  • Executar o ETL e a engenharia de funcionalidades necessários para utilizar um modelo de Machine Learning preditivo.
  • Criar um perfil 360 do cliente completo, enriquecido pela análise preditiva em execução num sistema distribuído apoiado pelo Microsoft R Server e o Azure HDInsight.

Exclusão de Responsabilidade

©2017 Microsoft Corporation. Todos os direitos reservados. A informação é fornecida "tal como está" e pode ser alterada sem aviso prévia. A Microsoft não faz garantias, de forma expressa ou implícita, em relação à informação aqui fornecida. Foram utilizados dados de terceiros para gerar a Solução. É responsável por respeitar os direitos de outros, incluindo a aquisição e conformidade com as licenças relevantes para criar conjuntos de dados semelhantes.

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 encaminha os eventos de cliente simulados para um Hub de Eventos

Uma tarefa do Stream Analytics lê a partir do Hub de Eventos, executa agregações

O Stream Analytics mantém os dados agrupados por tempo num Azure Storage Blob

Uma tarefa Spark em execução no HDInsight intercala os dados de navegação de cliente mais recentes com os dados históricos de compra e demográficos para criar um perfil de utilizador consolidado

Uma segunda tarefa Spark pontua cada perfil de utilizador em comparação com um modelo de aprendizagem automática para prever padrões de compra futuros (ou seja, se é provável que um determinado cliente faça uma compra nos próximos 30 dias e, se for, em que categoria de produto?)

As predições e outros dados de perfil são visualizados e partilhados como gráficos e tabelas no Power BI Online

  1. 1 Um Gerador de Dados encaminha os eventos de cliente simulados para um Hub de Eventos
  2. 2 Uma tarefa do Stream Analytics lê a partir do Hub de Eventos, executa agregações
  3. 3 O Stream Analytics mantém os dados agrupados por tempo num Azure Storage Blob
  1. 4 Uma tarefa Spark em execução no HDInsight intercala os dados de navegação de cliente mais recentes com os dados históricos de compra e demográficos para criar um perfil de utilizador consolidado
  2. 5 Uma segunda tarefa Spark pontua cada perfil de utilizador em comparação com um modelo de aprendizagem automática para prever padrões de compra futuros (ou seja, se é provável que um determinado cliente faça uma compra nos próximos 30 dias e, se for, em que categoria de produto?)
  3. 6 As predições e outros dados de perfil são visualizados e partilhados como gráficos e tabelas no Power BI Online