Gezintiyi Atla

Müşteri 360

Müşteri vade farkı ve satın alım düzenleri arasındaki derin anlayış, her perakendeci akıllı işleminin kritik bir bileşenidir. Bu çözüm, sanal müşteriler hakkında tahmini öngörüler sağlamak amacıyla, müşteri verilerini bir “360 derece” profiline toplama işlemi uygular ve Azure’un güvenilirliği ve işleme gücü tarafından desteklenen gelişmiş makine öğrenme modelleri kullanır.

Açıklama

Not: Bu çözümü zaten dağıttıysanız dağıtımınızı görüntülemek için buraya tıklayın.

Bu çözümün nasıl oluşturulduğu hakkında daha fazla bilgi edinmek için, GitHub’daki çözüm kılavuzunu ziyaret edin.

Tahmini Sağlama Süresi: 20 Dakika

Tipik bir perakendeci, web tarama düzenleri, satın alma davranışları, demografi bilgileri ve diğer oturum tabanlı web verilerini içeren çeşitli kanallar aracılığıyla müşteri verileri toplar. Verilerin bazıları, çekirdek iş işlemleri sonucu oluşur, ancak diğer veriler iş ortakları, üreticiler, ortak etki alanı vb. gibi dış kaynaklardan çekilmiş ve katılmış olmalıdır.

Birçok işletme, kullanılabilir verilerin yalnızca küçük bir kısmından faydalanır, ancak ROI’yi en yüksek seviyeye çıkarmak için bir işletme ilgili verileri tüm kaynaklardan tümleştirmelidir. Genellikle, dış heterojen veri kaynaklarının, paylaşılan veri işleme altyapısına tümleştirilmesi, kurulum için önemli miktarda çaba ve kaynak gerektirir. Bu çözüm, müşterilerin satın alma etkinliklerini tahmin etmek için analiz tümleştirme ve makine öğrenmeye basit ve ölçeklenebilir bir yaklaşım açıklıyor.

Müşteri 360 Profili çözümü, yukarıdaki sorunları şu yollarla giderir:

  • Veri taşımasını ve sistem karmaşıklığını en aza indirirken, verilere birçok veri kaynağından eşit oranda erişmek, performansı artırabilir.
  • Tahmini bir Makine Öğrenme modelini kullanmak için ETL gerçekleştirme ve özellik mühendisliği gerekir.
  • Microsoft R Server ve Azure HDInsight tarafından desteklenen bir dağıtılmış sistemde çalıştırılan tahmini analizler ile zenginleştirilmiş kapsamlı bir müşteri 360 profili oluşturma.

Bildirim

© 2017 Microsoft Corporation. Tüm hakları saklıdır. Buradaki bilgiler “olduğu gibi” sağlanmıştır ve bildirim yapılmaksızın değiştirilebilir. Microsoft, işbu bilgilerle ilgili açık veya zımni herhangi bir garanti vermez. Çözüm oluşturulurken üçüncü taraf verileri kullanılmıştır. Benzer veri kümeleri oluşturmak için ilgili lisansları edinmek ve bunlara uymak dahil olmak üzere başkalarının haklarına saygılı olma sorumluluğu sizindir.

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

Veri Oluşturucu, sanal müşteri etkinlikleri ve bir Olay Hub’ı arasında bir kanal oluşturur.

Bir Stream Analytics işi, Olay Hub’ından okuyup toplamaları gerçekleştirir

Stream Analytics, zaman gruplu verilerin Azure Depolama Blobu’na gönderilmesini sürdürür

HDInsight’ta çalıştırılan bir Spark işi, birleştirilmiş bir kullanıcı profili oluşturmak için en son müşteri tarama verilerini, geçmiş satın alım ve demografi verileriyle birleştirir

İkinci bir Spark işi, ileride yapılacak olan satın alım düzenlerini tahmin etmek için her müşteri profilini bir makine öğrenme modeline karşı puanlar (örneğin, sonraki 30 gün içinde belirli bir müşteri satın alım işlemi yapacak mı, yapacaksa hangi ürün kategorisinde?)

Tahminler ve diğer profil verileri, Power BI Online’da grafik ve tablo olarak görselleştirilir ve paylaşılır

  1. 1 Veri Oluşturucu, sanal müşteri etkinlikleri ve bir Olay Hub’ı arasında bir kanal oluşturur.
  2. 2 Bir Stream Analytics işi, Olay Hub’ından okuyup toplamaları gerçekleştirir
  3. 3 Stream Analytics, zaman gruplu verilerin Azure Depolama Blobu’na gönderilmesini sürdürür
  1. 4 HDInsight’ta çalıştırılan bir Spark işi, birleştirilmiş bir kullanıcı profili oluşturmak için en son müşteri tarama verilerini, geçmiş satın alım ve demografi verileriyle birleştirir
  2. 5 İkinci bir Spark işi, ileride yapılacak olan satın alım düzenlerini tahmin etmek için her müşteri profilini bir makine öğrenme modeline karşı puanlar (örneğin, sonraki 30 gün içinde belirli bir müşteri satın alım işlemi yapacak mı, yapacaksa hangi ürün kategorisinde?)
  3. 6 Tahminler ve diğer profil verileri, Power BI Online’da grafik ve tablo olarak görselleştirilir ve paylaşılır