Skapa anpassade marknadsföringslösningar i nära realtid

Den här arkitekturen visar hur du kan skapa en lösning som anpassar erbjudanden med Azure Functions, Azure Machine Learning och Azure Stream Analytics.

Arkitektur

Ladda ned en Visio-fil med den här arkitekturen.

Dataflöde

• Event Hubs matar in rådata från Azure Functions och skickar dem vidare till Stream Analytics.
• Azure Stream Analytics aggregerar klick i nära realtid efter produkt, erbjudande och användare. Skriver till Azure Cosmos DB och arkiverar även råa klickströmsdata till Azure Storage.
• Azure Cosmos DB lagrar aggregerade klickdata efter användare, produkt och erbjuder information om användarprofiler.
• Azure Storage lagrar arkiverade rådata från Stream Analytics.
• Azure Functions tar in användarklickströmsdata från webbplatser och läser befintlig användarhistorik från Azure Cosmos DB. Dessa data körs sedan genom Machine Learning-webbtjänsten eller så används de tillsammans med kallstartsdata i Azure Cache for Redis till att ta fram graderingar av produkttillhörighet. Graderingar av produkttillhörigheter används tillsammans med logiken för personliga erbjudanden så att du kan visa det mest relevanta erbjudandet för användaren.
• Azure Machine Learning hjälper dig att utforma, testa, operationalisera och hantera lösningar för förutsägelseanalys i molnet.
• Azure Cache for Redis lagrar förberäknade tillhörighetspoäng för kallstartsprodukten för användare utan historik.
• Power BI möjliggör visualisering av användaraktivitetsdata och erbjudanden som visas genom att läsa in data från Azure Cosmos DB.

Komponenter

• Event Hubs
• Azure Stream Analytics
• Azure Cosmos DB
• Azure Storage
• Azure Functions
• Azure Machine Learning
• Azure Cache for Redis
• Power BI

Information om scenario

Personanpassad marknadsföring är viktigt när det gäller att bygga upp kundernas lojalitet och behålla vinstmarginalen. Det är svårare än någonsin att nå ut till kunder och få dem engagerade, och det är alltför enkelt att missa eller strunta i generiska erbjudanden. Dagens marknadsföringssystem tar inte hänsyn till data som kan hjälpa dig att lösa det här problemet.

Marknadsföringspersonal som använder intelligenta system och analyserar enorma mängder data kan ta fram relevanta och anpassade erbjudanden till varje kund, vilket gör att du sticker ut från mängden och kan engagera dina kunder. Återförsäljare kan till exempel tillhandahålla erbjudanden och innehåll baserat på varje kunds unika intressen, preferenser och produkttillhörighet, vilket placerar produkter framför de personer som mest sannolikt kommer att köpa dem.

Den här arkitekturen visar hur du kan skapa en lösning som anpassar erbjudanden med Azure Functions, Azure Machine Learning och Azure Stream Analytics.

Potentiella användningsfall

Genom att anpassa dina erbjudanden får du en individualiserad upplevelse för nuvarande och potentiella kunder, vilket ökar engagemanget och förbättrar kundkonverteringen, livslängdsvärdet och kvarhållningen.

Den här lösningen är perfekt för detaljhandels- och marknadsföringsindustrin.

Nästa steg

Se produktdokumentationen:

• Läs mer om Event Hubs
• Läs mer om Stream Analytics
• Lär dig hur du använder Azure Cosmos DB
• Läs mer om Azure Storage
• Lär dig hur du skapar funktioner
• Läs mer om maskininlärning
• Lär dig hur du använder Azure Cache for Redis
• Läs mer om Power BI

Prova en utbildningsväg:

• Implementera en dataströmningslösning med Azure Streaming Analytics
• Skapa en Machine Learning-modell
• Skapa serverlösa appar med Azure Functions

Relaterade resurser

Läs andra artiklar om Azure Architecture Center:

• Arkitekturformat för stordata
• Skalbar anpassning i Azure