Gezintiyi Atla

Kişiselleştirilmiş Teklifler

Günümüzün son derece rekabetçi ve bağlı ortamında, modern işletmeler artık genel, statik çevrimiçi içerikle hayatta kalamaz. Üstelik, geleneksel araçları kullanan pazarlama stratejileri genellikle pahalıdır, zor uygulanır ve istenen yatırım getirisini sağlamaz. Bu sistemler genellikle kullanıcı için daha kişiselleştirilmiş bir deneyim oluşturmak amacıyla toplanan verilerden en iyi şekilde yararlanamaz.

Müşterilerin sadakatini kazanma veya karlı kalma açısından kullanıcı için özelleştirilmiş teklifler sunmak bir şart haline geldi. Bir perakende web sitesinde, müşteriler benzersiz ilgi alanlarını ve tercihlerini temel alarak teklif sunan akıllı sistemler ister. Günümüzün dijital pazarlama takımları, her tür kullanıcı etkileşimi sonucu oluşan verileri kullanarak bu zekayı geliştirebilir. Devasa miktarda veriyi analiz eden pazarlamacılar, her kullanıcıya ilgi düzeyi yüksek ve kişiselleştirilmiş teklifler sunma gibi benzersiz bir avantaja sahip olur. Bununla birlikte, güvenilir ve ölçeklenebilir büyük veri altyapısı oluşturmak ve her kullanıcıya göre özelleştirilen karmaşık makine öğrenimi modelleri geliştirmek kolay değildir.

Açıklama

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

Bu eğitimli SI iş ortaklarından birinin, bu çözümün kavram kanıtı, dağıtımı ve tümleştirmesinde size yardımcı olmasına izin vererek zamandan kazanın.

Tahmini Sağlama Süresi: 45 Dakika

Cortana Intelligence Suite, Microsoft Azure aracılığıyla gelişmiş analiz araçları sağlar. Veri alımı, veri depolama, veri işleme ve gelişmiş analiz bileşenleriyle kişiselleştirilmiş bir teklif çözümü oluşturmak için gerekli tüm öğelere sahiptir.

Bu çözüm, güçlü avantajlar sağlamak için birden fazla Azure hizmetini bir araya getirir. Event Hubs, gerçek zamanlı tüketim verilerini toplar. Stream Analytics, akış verilerini toplar ve görselleştirme için görselleştirme için kullanılabilir hale getirir. Ayrıca, müşteriye kişiselleştirilmiş teklifler yapılması için kullanılan verileri güncelleştirir. Müşteri, ürün ve teklif bilgileri Azure DocumentDB’de depolanır. Kullanıcı etkileşiminin benzetimini yapan kuyrukların yönetilmesi için Azure Depolama kullanılır. Azure İşlevleri kullanıcı simülasyonu için bir düzenleyici olarak ve kişiselleştirilmiş teklifler oluşturma çözümünün merkezi kısmı olarak kullanılır. Azure Machine Learning tarafından kullanıcı-ürün benzeşim puanı uygulanıp yürütülür ve kullanıcı geçmişi olmadığında Azure Redis Cache kullanılarak müşteri için önceden hesaplanmış ürün benzeşimleri sağlanır. PowerBI, sistem için gerçek zamanlı etkinliği ve DocumentDB’den alınan verilerle çeşitli tekliflerin davranışını görselleştirir.

“Dağıt” düğmesi, belirttiğiniz Azure aboneliğindeki bir kaynak grubunda, çözümün bir örneğini dağıtan bir iş akışı başlatır. Çözüm birden çok Azure hizmeti (yukarıda açıklanmıştır) içerir ve sonuç olarak benzetimi yapılmış kullanıcı davranışıyla çalışan bir uçtan uca çözüme sahip olmak için gerekli birkaç kısa yönerge sağlar.

Dağıtım sonrası yönergeler ve teknik uygulama hakkında daha ayrıntılı bilgi için lütfen buradaki yönergelere bakın.

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.

User ActionSimulation Personalized OfferLogic System ResponseQueue User ActionQueue Event Hub Stream Analytics Power BI Machine Learning Cold StartProduct Affinity User Document DB Product Offers Reference Product Views Offer Views Cache Update Logic Azure Services Raw Stream Data 1 2 3 5 4

Bir Azure İşlevi ve bir çift Azure Depolama Kuyruğu ile web sitesinde kullanıcı etkinliği benzetimi yapılır.

Kişiselleştirilmiş Teklif İşlevselliği bir Azure İşlevi olarak uygulanır. Bu, her şeyi birbirine bağlayarak bir teklif ve kayıt etkinliği oluşturan temel işlevdir. Azure Redis Cache ve Azure DocumentDb’den veriler okunur, Azure Machine Learning’den ürün benzeşim puanları alınır (kullanıcı için geçmiş yoksa Azure Redis Cache’ten önceden hesaplanmış benzeşimler okunur).

Ham kullanıcı etkinliği verileri (Ürün ve Teklif Tıklamaları), Kullanıcılara yapılan teklifler ve performans verileri (Azure İşlevleri ve Azure Machine Learning için) Azure Olay Hub’ına gönderilir.

Teklif Kullanıcıya döndürülür. Simülasyonumuzda bu bir Azure Depolama Kuyruğuna yazarak yapılıyor ve bir sonraki kullanıcı eyleminin oluşturulması için bir Azure İşlevi tarafından alınıyor.

Azure Stream Analytics, verileri analiz ederek Azure Olay Hub’ındaki giriş akışında gerçek zamanlıya yakın analizler sağlar. Toplanan veriler Azure DocumentDB’ye gönderilir. Ham veriler Azure Data Lake Depolamaya gönderilir.

  1. 1 Bir Azure İşlevi ve bir çift Azure Depolama Kuyruğu ile web sitesinde kullanıcı etkinliği benzetimi yapılır.
  2. 2 Kişiselleştirilmiş Teklif İşlevselliği bir Azure İşlevi olarak uygulanır. Bu, her şeyi birbirine bağlayarak bir teklif ve kayıt etkinliği oluşturan temel işlevdir. Azure Redis Cache ve Azure DocumentDb’den veriler okunur, Azure Machine Learning’den ürün benzeşim puanları alınır (kullanıcı için geçmiş yoksa Azure Redis Cache’ten önceden hesaplanmış benzeşimler okunur).
  3. 3 Ham kullanıcı etkinliği verileri (Ürün ve Teklif Tıklamaları), Kullanıcılara yapılan teklifler ve performans verileri (Azure İşlevleri ve Azure Machine Learning için) Azure Olay Hub’ına gönderilir.
  1. 4 Teklif Kullanıcıya döndürülür. Simülasyonumuzda bu bir Azure Depolama Kuyruğuna yazarak yapılıyor ve bir sonraki kullanıcı eyleminin oluşturulması için bir Azure İşlevi tarafından alınıyor.
  2. 5 Azure Stream Analytics, verileri analiz ederek Azure Olay Hub’ındaki giriş akışında gerçek zamanlıya yakın analizler sağlar. Toplanan veriler Azure DocumentDB’ye gönderilir. Ham veriler Azure Data Lake Depolamaya gönderilir.

İlgili çözüm mimarileri

Talep Tahminleri

Ürün ve hizmetlere olan talepte ani artışları gerçekçi bir şekilde tahmin etmek şirketlere rekabet avantajı sağlayabilir. Bu çözümde enerji sektöründe talep tahminlerine odaklanılmıştır.

Talep Tahmini ve Fiyat Optimizasyonu

Fiyatlandırma, çoğu sektörde başarı açısından önemli bir belirleyici olarak görülür ve en zorlu görevlerden biri olabilir. Şirketler genellikle fiyatlandırma sürecinin olası taktiklerin finansal etkisini doğru bir biçimde tahmin etme, merkezi iş kısıtlamalarını mantıklı bir şekilde dikkate alma ve yürütülen fiyatlandırma kararlarını adil bir biçimde doğrulama gibi çeşitli boyutlarıyla ilgili zorluk yaşıyor. Ürün yelpazesinin genişlemesi, gerçek zamanlı fiyatlandırma kararları almak için işlem gereksinimlerini daha da artırarak zaten zor olan bu görevin daha da çetrefilli olmasına yol açar.