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。

說明

注意:若您已部署了此解決方案,按一下這裡即可檢視部署。

如需如何建置此解決方案的詳細資訊,請瀏覽 GitHub 中的解決方案指南。

預估佈建時間:20 分鐘

典型零售業會透過各種管道來收集客戶資料,包括網頁瀏覽模式、購買行為、人口統計及其他工作階段型 Web 資料。其中一些資料來自核心商業運作,另外一些資料則必須從合作夥伴、製造商、公用網域等外部來源提取和加入。

許多企業只會用到一小部分的可用資料,但若要將 ROI 提高到最大,企業必須整合所有來源的相關資料。一般而言,將外部異質資料來源整合為一個共用資料處理引擎需要花費許多心力並設定大量資源。此解決方案描述一個簡單的可調式方法,來整合分析與機器學習服務以預測客戶購買活動。

Customer 360 設定檔解決方案透過以下方式解決上述問題:

  • 從多個資料來源一致地存取資料,同時降低資料移動和系統複雜度以提高效能。
  • 執行使用預測性機器學習服務模型所需的 ETL 和特徵工程。
  • 建立全方位的 Customer 360 設定檔,並提供在 Microsoft R Server 和 Azure HDInsight 支援的分散式系統中執行預測性分析的增強功能。

免責聲明

© 2017 Microsoft Corporation.著作權所有,並保留一切權利。這項資訊依照「現況」提供,且可能變更而不另行通知。Microsoft 對於此處提供的資訊不提供任何明示或默示的擔保。產生此解決方案的過程中使用了協力廠商的資料。您必須尊重他人的權利,包括取得及遵從相關授權以建立相似的資料集。

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

資料產生器將模擬客戶事件傳送到事件中樞

串流分析工作從事件中樞讀取並執行彙總

串流分析將依時間分組的資料保存到 Azure 儲存體 Blob

HDInsight 中執行的 Spark 工作將最新的客戶瀏覽資料與過去的購買和人口統計資料合併,以建立合併的使用者設定檔

第二個 Spark 工作根據機器學習服務模型評分每個客戶設定檔,以預測未來購買模式 (例如某個客戶是否可能在未來 30 天內購買,如果可能,會購買哪個產品類別?)

預測及其他設定檔資料會以 Power BI Online 中的圖表和資料表形式視覺化並共用

  1. 1 資料產生器將模擬客戶事件傳送到事件中樞
  2. 2 串流分析工作從事件中樞讀取並執行彙總
  3. 3 串流分析將依時間分組的資料保存到 Azure 儲存體 Blob
  1. 4 HDInsight 中執行的 Spark 工作將最新的客戶瀏覽資料與過去的購買和人口統計資料合併,以建立合併的使用者設定檔
  2. 5 第二個 Spark 工作根據機器學習服務模型評分每個客戶設定檔,以預測未來購買模式 (例如某個客戶是否可能在未來 30 天內購買,如果可能,會購買哪個產品類別?)
  3. 6 預測及其他設定檔資料會以 Power BI Online 中的圖表和資料表形式視覺化並共用