略過導覽

個人化的供應項目

在現今極為競爭又彼此相連的環境中,現代企業若只有一般、靜態的線上內容,是無法存活的。而且,使用工具的行銷策略往往昂貴、難以實行,又無法產出預期的投資報酬率。這些系統大多無法完整利用收集到的資料,為使用者建立個人化程度更高的體驗。

呈現專為使用者打造的優惠,變成建立客戶忠誠度及維持獲利的基本條件。在零售網站上,客戶想要的是能依據他們獨特興趣及喜好而提供優惠和內容的智慧系統。當代的數位行銷團隊可以使用產生自多種使用者介面的資料,建立這種介面。行銷人員藉由分析大量資料,從而獲得獨家商機,能傳遞相關度及個人化程度極高的優惠給各個使用者。不過,建置可靠又可調整的巨量資料基礎結構,及開發能為每個使用者量身打造的複雜機器學習模型,過程相當瑣碎。

Ofertas personalizadasEn el entorno de hoy en día tan competitivo y conectado, las empresas modernas ya no pueden sobrevivir con contenido en línea genérico y estático. Además, las estrategias de marketing que usan herramientas tradicionales suelen ser caras, difíciles de implementar y no generan la rentabilidad de la inversión deseada. Estos sistemas no suelen sacar el máximo provecho a los datos recopilados para crear una experiencia de usuario más personalizada.User ActionSimulationPersonalized OfferLogicSystem ResponseQueueUser ActionQueueEvent HubStream AnalyticsPower BIMachine LearningCold StartProduct AffinityUserDocument DBProductOffersReferenceProduct ViewsOffer ViewsCache Update LogicAzure ServicesRaw Stream Data12354

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。

Ofertas personalizadasEn el entorno de hoy en día tan competitivo y conectado, las empresas modernas ya no pueden sobrevivir con contenido en línea genérico y estático. Además, las estrategias de marketing que usan herramientas tradicionales suelen ser caras, difíciles de implementar y no generan la rentabilidad de la inversión deseada. Estos sistemas no suelen sacar el máximo provecho a los datos recopilados para crear una experiencia de usuario más personalizada.User ActionSimulationPersonalized OfferLogicSystem ResponseQueueUser ActionQueueEvent HubStream AnalyticsPower BIMachine LearningCold StartProduct AffinityUserDocument DBProductOffersReferenceProduct ViewsOffer ViewsCache Update LogicAzure ServicesRaw Stream Data12354

網站上的使用者活動可透過 Azure Function 及一對 Azure 儲存體佇列來模擬。

個人化優惠功能會以 Azure Function 的形式實做。這項重要功能將一切緊密結合在一起,以產生供應項目及記錄活動。資料從 Azure Redis Cache 及 Azure DocumentDb 中讀取,產品相似性分數則從 Azure Machine Learning 計算 (如果沒有使用者的記錄,則會從 Azure Redis Cache 中讀取預先計算的相似性)。

未經處理的使用者活動資料 (產品與優惠點選次數)、為使用者打造的優惠,及效能資料 (用於 Azure Functions 和 Azure Machine Learning) 傳送到 Azure 事件中樞。

供應項目傳回給使用者。在我們的模擬中,這會寫入 Azure 儲存體佇列,然後由 Azure Function 揀選,以產生下一個使用者動作,進而完成。

Azure 串流分析會分析資料,為來自 Azure 事件中樞的輸入資料流提供近乎即時的分析。彙總的資料會傳送到 Azure DocumentDB。未經處理資料會傳送到 Azure Data Lake 儲存體。

  1. 1 網站上的使用者活動可透過 Azure Function 及一對 Azure 儲存體佇列來模擬。
  2. 2 個人化優惠功能會以 Azure Function 的形式實做。這項重要功能將一切緊密結合在一起,以產生供應項目及記錄活動。資料從 Azure Redis Cache 及 Azure DocumentDb 中讀取,產品相似性分數則從 Azure Machine Learning 計算 (如果沒有使用者的記錄,則會從 Azure Redis Cache 中讀取預先計算的相似性)。
  3. 3 未經處理的使用者活動資料 (產品與優惠點選次數)、為使用者打造的優惠,及效能資料 (用於 Azure Functions 和 Azure Machine Learning) 傳送到 Azure 事件中樞。
  1. 4 供應項目傳回給使用者。在我們的模擬中,這會寫入 Azure 儲存體佇列,然後由 Azure Function 揀選,以產生下一個使用者動作,進而完成。
  2. 5 Azure 串流分析會分析資料,為來自 Azure 事件中樞的輸入資料流提供近乎即時的分析。彙總的資料會傳送到 Azure DocumentDB。未經處理資料會傳送到 Azure Data Lake 儲存體。

相關解決方案架構