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.

+ Daha fazla göster – Daha az göster

Açıklama

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

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.

Customer 360深入了解客戶興趣與購買模式對於任何零售商業智慧營運而言都很重要。此解決方案實作將客戶資料彙總成「全方位」設定檔的程序,並使用具備 Azure 可靠性和處理能力的進階機器學習服務模型,來提供有關模擬客戶的預測性深入解析。Python Web JobEvent HubETL (Python)Machine LearningTrained modelStream AnalyticsAzure StorageBrowsing DataBatch ETL and Predictive Pipeline12SQL DWDemographics, products, purchasesMerged customer profilew/ engineered featuresEnriched customer profile with predictionsHD Insight(Spark R Server)Enriched customer profilesPower BI Dashboard3456

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