解決方案構想
本文是解決方案概念。 如果您想要使用詳細資訊來擴充內容，例如潛在的使用案例、替代服務、實作考慮或定價指引，請提供 GitHub 意見反應 讓我們知道。
此架構示範如何使用 Azure Functions 、Azure 機器學習 和 Azure 串流分析來建立解決方案個人 化供應專案 。
架構
資料流程
- 事件中 樞會擷取來自 Azure Functions 的原始點擊串流資料，並將其傳遞至串流分析。
- Azure 串流分析 會依產品、供應專案和使用者，以近乎即時的方式匯總點擊次數。 寫入 Azure Cosmos DB，並將原始點擊串流資料封存至Azure 儲存體。
- Azure Cosmos DB 會依使用者、產品和提供使用者設定檔資訊來儲存點擊次數的匯總資料。
- Azure 儲存體儲存從串 流分析封存的原始點擊串流資料。
- Azure Functions 會從網站擷取使用者點選流資料，並從 Azure Cosmos DB 讀取現有的使用者歷程記錄。 這些資料接著會透過 Machine Learning Web 服務執行，或在 Azure Cache for Redis 中與冷啟動資料一併使用，以獲得產品同質分數。 產品同質分數會用在個人化供應項目邏輯，以判斷要呈現給使用者的最相關供應項目。
- Azure 機器學習 可協助您在雲端中設計、測試、運作及管理預測性分析解決方案。
- Azure Cache for Redis 會針對沒有歷程記錄的使用者儲存預先計算的冷啟動產品親和性分數。
- Power BI 可讓您透過從 Azure Cosmos DB 讀取資料來呈現的使用者活動資料和供應專案的視覺效果。
元件
- 事件中樞
- Azure 串流分析
- Azure Cosmos DB
- Azure 儲存體
- Azure Functions
- Azure Machine Learning
- Azure Cache for Redis
- Power BI
案例詳細資料
個人化行銷對於創造客戶忠誠度及持續獲利而言是不可或缺的。 觸及客戶並讓他們參與，變得比以往都難，一般優惠更是容易被錯過或忽略。 目前的行銷系統無法利用資料協助解決這個問題。
使用智慧系統及分析大量資料的行銷人員，能夠傳遞具有高相關性及個人化程度的優惠給各個使用者，進而突破僵局並驅動參與。 例如，零售商可以根據每位客戶的獨特興趣、喜好設定和產品親和性提供供應專案和內容，讓產品擺在最有可能購買產品的人面前。
此架構示範如何使用 Azure Functions 、Azure 機器學習 和 Azure 串流分析來建立解決方案個人 化供應專案 。
潛在的使用案例
透過個人化您的供應專案，您將為目前和潛在客戶提供個人化體驗，提升參與度並改善客戶轉換、存留期價值和保留期。
此解決方案適用于零售和行銷產業。
下一步
請參閱產品檔：
- 深入瞭解事件中樞
- 深入瞭解串流分析
- 瞭解如何使用 Azure Cosmos DB
- 深入瞭解Azure 儲存體
- 瞭解如何建立函式
- 深入瞭解機器學習
- 瞭解如何使用 Azure Cache for Redis
- 瞭解 Power BI
嘗試學習路徑：
相關資源
閱讀其他 Azure 架構中心文章：