跳过导航

个性化服务

在竞争激烈而又互联互通的今天,现代企业无法再依靠通用的静态在线内容存活下来。此外,使用传统工具的市场营销策略通常面临着成本高昂、难以实现的问题,同时也无法产生期望的投资回报率。这些系统通常未能充分利用收集的数据,进而无法为用户创造更加个性化的体验。

推出针对用户定制的产品/服务已成为构建客户忠诚度和保持盈利的关键。在零售网站上,客户希望智能系统能根据其独特的兴趣和偏好提供产品/服务和内容。如今,数字营销团队可利用生成自所有用户交互类型的数据来构建这种智能。通过分析大量数据,市场营销人员可向每位用户提供高度相关的个性化产品/服务。但是,构建可靠且可缩放的大数据基础结构,以及开发针对每位用户进行个性化的先进机器学习模型也十分重要。

Personalized OffersIn today's highly competitive and connected environment, modern businesses can no longer survive with generic, static online content. Furthermore, marketing strategies using traditional tools are often expensive, hard to implement, and do not produce the desired return on investment. These systems often fail to take full advantage of the data collected to create a more personalized experience for the user.User ActionSimulationPersonalized OfferLogicSystem ResponseQueueUser ActionQueueEvent HubStream AnalyticsPower BIMachine LearningCold StartProduct AffinityUserDocument DBProductOffersReferenceProduct ViewsOffer ViewsCache Update LogicAzure ServicesRaw Stream Data12354

免责声明

©2017 Microsoft Corporation。保留所有权利。此信息按“原样”提供且可能更改,恕不另行通知。Microsoft 不就此处提供的信息做任何明示和默示的担保。第三方数据用于生成解决方案。你必须尊重他人的权利,包括在创建类似数据集之前获得相关许可并遵循此等许可。

Personalized OffersIn today's highly competitive and connected environment, modern businesses can no longer survive with generic, static online content. Furthermore, marketing strategies using traditional tools are often expensive, hard to implement, and do not produce the desired return on investment. These systems often fail to take full advantage of the data collected to create a more personalized experience for the user.User ActionSimulationPersonalized OfferLogicSystem ResponseQueueUser ActionQueueEvent HubStream AnalyticsPower BIMachine LearningCold StartProduct AffinityUserDocument DBProductOffersReferenceProduct ViewsOffer ViewsCache Update LogicAzure ServicesRaw Stream Data12354

利用一个 Azure Function 和一对 Azure 存储队列模拟网站上的用户活动。

个性化产品/服务功能作为 Azure Function 而实现。这个重要函数会将一切连接起来,以生成套餐和记录活动。通过用于 Redis 的 Azure 缓存和 Azure DocumentDB 读入数据,并通过 Azure 机器学习计算产品吸引度评分(如果不存在用户历史记录,则通过用于 Redis 的 Azure 缓存读入预计算的吸引度)。

原始用户活动数据(产品和产品/服务点击数)、向用户提供的产品/服务及性能数据(用于 Azure Functions 和 Azure 机器学习)将发送至 Azure 事件中心。

套餐将返回至用户。在我们的模拟中,此过程的实现方式为先写入 Azure 存储队列,再由 Azure Function 进行选择,从而生成下一个用户操作。

Azure 流分析对数据进行分析,近乎实时地分析来自 Azure 事件中心的输入流。聚合数据将发送至 Azure DocumentDB。原始数据将发送至 Azure Data Lake 存储。

  1. 1 利用一个 Azure Function 和一对 Azure 存储队列模拟网站上的用户活动。
  2. 2 个性化产品/服务功能作为 Azure Function 而实现。这个重要函数会将一切连接起来,以生成套餐和记录活动。通过用于 Redis 的 Azure 缓存和 Azure DocumentDB 读入数据,并通过 Azure 机器学习计算产品吸引度评分(如果不存在用户历史记录,则通过用于 Redis 的 Azure 缓存读入预计算的吸引度)。
  3. 3 原始用户活动数据(产品和产品/服务点击数)、向用户提供的产品/服务及性能数据(用于 Azure Functions 和 Azure 机器学习)将发送至 Azure 事件中心。
  1. 4 套餐将返回至用户。在我们的模拟中,此过程的实现方式为先写入 Azure 存储队列,再由 Azure Function 进行选择,从而生成下一个用户操作。
  2. 5 Azure 流分析对数据进行分析,近乎实时地分析来自 Azure 事件中心的输入流。聚合数据将发送至 Azure DocumentDB。原始数据将发送至 Azure Data Lake 存储。

相关解决方案体系结构