Идеи решения
Эта статья является идеей решения. Если вы хотите расширить содержимое с дополнительными сведениями, такими как потенциальные варианты использования, альтернативные службы, рекомендации по реализации или рекомендации по ценам, сообщите нам, предоставив отзыв GitHub.
В этой архитектуре показано, как создать предложения персонализации решения с помощью Функции Azure, Машинное обучение Azure и Azure Stream Analytics.
Архитектура
Скачайте файл Visio для этой архитектуры.
Поток данных
- Центры событий принимает необработанные данные потока щелчка из Функции Azure и передает их в Stream Analytics.
- Azure Stream Analytics агрегирует щелчки в режиме реального времени по продуктам, предложениям и пользователям. Записывает данные в Azure Cosmos DB, а также архивирует необработанные данные потока щелчка в служба хранилища Azure.
- Azure Cosmos DB хранит агрегированные данные о щелчках по пользователю, продукту и предлагает сведения о профиле пользователя.
- служба хранилища Azure хранит архивированные необработанные данные потока щелчка из Stream Analytics.
- Функции Azure принимает данные из веб-сайтов и считывает существующий журнал пользователей из Azure Cosmos DB. Затем эти данные проходят через веб-службу машинного обучения или используются вместе с данными холодного запуска в кэше Azure для Redis, чтобы получить соответствующие оценки сходства продуктов. Эти оценки используются с персонализированной логикой предложений для определения наиболее подходящего предложения для пользователя.
- Машинное обучение Azure помогает разрабатывать, тестировать, работать и управлять решениями прогнозной аналитики в облаке.
- Кэш Azure для Redis хранит предварительно вычисляемые оценки сопоставления продуктов холодного запуска для пользователей без истории.
- Power BI позволяет визуализировать данные о действиях пользователей и предложения, представленные считывание данных из Azure Cosmos DB.
Компоненты
- Центры событий
- Azure Stream Analytics
- Azure Cosmos DB
- Хранилище Azure
- Функции Azure
- Машинное обучение Azure
- Кэш Azure для Redis
- Power BI
Подробности сценария
Персонализированный маркетинг важен для повышения лояльности клиентов и сохранения рентабельности. Привлечь и заинтересовать клиентов тяжело как никогда. Общие предложения весьма незаметны и их легко проигнорировать. Текущие маркетинговые системы не используют возможности, которые могли бы помочь решить эту проблему.
Если продавцы будут использовать интеллектуальные системы и анализировать большие объемы данных, каждому пользователю можно будет без проблем предоставить персонализированные предложения, имеющие высокую степень релевантности. Например, розничные торговцы могут предоставлять предложения и контент на основе уникальных интересов каждого клиента, предпочтений и сходства продуктов, поставляя продукты перед людьми, скорее всего, купить их.
В этой архитектуре показано, как создать предложения персонализации решения с помощью Функции Azure, Машинное обучение Azure и Azure Stream Analytics.
Потенциальные варианты использования
Персонализируя предложения, вы получите индивидуальный интерфейс для текущих и потенциальных клиентов, повышая вовлеченность и повышая конверсию клиентов, значение времени существования и хранение.
Это решение идеально подходит для розничных и маркетинговых отраслей.
Следующие шаги
См. документацию по продукту:
- Дополнительные сведения о концентраторах событий
- Дополнительные сведения о Stream Analytics
- Узнайте, как использовать Azure Cosmos DB
- Дополнительные сведения о служба хранилища Azure
- Узнайте, как создавать функции
- Дополнительные сведения об машинном обучении
- Узнайте, как использовать Кэш Azure для Redis
- Сведения о Power BI
Попробуйте использовать схему обучения:
- Реализация решения потоковой передачи данных с помощью Аналитики потоковой передачи Azure
- Создание модели Машинное обучение
- Создание бессерверных приложений с помощью Функции Azure
Связанные ресурсы
Ознакомьтесь с другими статьями Центра архитектуры Azure: