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.

Kişiselleştirilmiş TekliflerGünümüzün 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.User ActionSimulationPersonalized OfferLogicSystem ResponseQueueUser ActionQueueEvent HubStream AnalyticsPower BIMachine LearningCold StartProduct AffinityUserDocument DBProductOffersReferenceProduct ViewsOffer ViewsCache Update LogicAzure ServicesRaw Stream Data12354

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.

Kişiselleştirilmiş TekliflerGünümüzün 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.User ActionSimulationPersonalized OfferLogicSystem ResponseQueueUser ActionQueueEvent HubStream AnalyticsPower BIMachine LearningCold StartProduct AffinityUserDocument DBProductOffersReferenceProduct ViewsOffer ViewsCache Update LogicAzure ServicesRaw Stream Data12354

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. Redis için Azure Cache ve Azure DocumentDb’den veriler okunur, Azure Machine Learning’den ürün benzeşim puanları alınır. (Kullanıcı için geçmiş yoksa Redis için Azure 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. Redis için Azure Cache ve Azure DocumentDb’den veriler okunur, Azure Machine Learning’den ürün benzeşim puanları alınır. (Kullanıcı için geçmiş yoksa Redis için Azure 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 TahminleriÜrün ve hizmetlere olan talepte ani artışları gerçekçi bir şekilde tahmin etmek şirketlere rekabet avantajı sağlayabilir. Bu çözümde enerji sektöründe talep tahminlerine odaklanılmıştır.

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 OptimizasyonuFiyatlandırma, 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.

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.