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。
此解決方案會建置智慧型行銷系統,流量分析來自多個來來源資料的機器學習模型,提供客戶量身訂做的內容。 所使用的關鍵技術包括 Intelligent 建議 和 Azure 個人化工具。
架構
資料流程
- Azure 函式應用程式會擷取原始使用者活動(例如產品與供應專案點擊專案),以及網站上對使用者所做的供應專案。 活動會傳送至Azure 事件中樞。 在無法使用使用者活動的區域,模擬的使用者活動會儲存在 Azure Cache for Redis 中。
- Azure 串流分析會分析資料,以針對來自Azure 事件中樞實例的輸入資料流程提供近乎即時的分析。
- 匯總的資料會傳送至適用于 NoSQL 的 Azure Cosmos DB。
- Power BI 可用來尋找匯總資料的深入解析。
- 未經處理資料會傳送到 Azure Data Lake 儲存體。
- 智慧型建議會使用來自 Azure Data Lake 儲存體的原始資料,並提供 Azure 個人化工具的建議。
- 個人化工具服務提供最上層的內容型與個人化產品與供應專案。
- 模擬的使用者活動資料會提供給個人化工具服務,以提供個人化產品和供應專案。
- 結果會在使用者存取的 Web 應用程式上提供。
- 根據使用者對所顯示供應專案和產品的反應,擷取使用者意見反應。 獎勵分數會提供給個人化工具服務,使其在一段時間內執行得更好
- 重新定型智慧型建議可能會導致更好的建議。 您也可以使用來自 Azure Data Lake 儲存體的重新整理資料來完成此程式。
元件
- 事件中 樞是完全受控的串流平臺。 在此解決方案中,事件中樞會收集即時耗用量資料。
- 串流分析 提供即時無伺服器串流處理。 此服務提供在雲端和邊緣裝置上執行查詢的方式。 在此解決方案中,串流分析會匯總串流資料,並使其可供視覺效果和更新使用。
- Azure Cosmos DB 是全域散發的多模型資料庫。 透過 Azure Cosmos DB,您的解決方案可以在任意數目的地理區域彈性調整輸送量和儲存體。 適用于 NoSQL 的 Azure Cosmos DB 會以檔案格式儲存資料,而且是 Azure Cosmos DB 所提供的數個資料庫 API 之一。 在此解決方案的 GitHub 實作中,DocumentDB 用來儲存客戶、產品和供應專案資訊,但您也可以使用適用于 NoSQL 的 Azure Cosmos DB。 如需詳細資訊,請參閱 親愛的 DocumentDB 客戶,歡迎使用 Azure Cosmos DB! 。
- 儲存體是雲端儲存體解決方案,其中包含物件、檔案、磁片、佇列和資料表儲存體。 服務包括混合式儲存體解決方案和工具,可用於傳輸、共用和備份資料。 此解決方案會使用儲存體來管理模擬使用者互動的佇列。
- Functions 是無伺服器計算平臺,可用來建置應用程式。 透過 Functions,您可以使用觸發程式和系結來整合服務。 此解決方案會使用 Functions 來協調使用者模擬。 函式也是產生個人化供應專案的核心元件。
- 機器學習是雲端式環境,可用來定型、部署、自動化、管理及追蹤機器學習模型。 在這裡,機器學習會使用每個使用者的喜好設定和產品歷程記錄來提供使用者對產品親和性評分。
- Azure Cache for Redis 提供以 Redis 軟體為基礎的記憶體內部資料存放區。 Azure Cache for Redis 提供開放原始碼 Redis 功能作為完全受控供應專案。 在此解決方案中,Azure Cache for Redis 可為沒有可用使用者歷程記錄的客戶提供預先計算的產品親和性。
- Power BI 是一項商務分析服務,可提供互動式視覺效果和商業智慧功能。 其便於使用的介面可讓您建立自己的報表和儀表板。 此解決方案會使用 Power BI 在系統中顯示即時活動。 例如,Power BI 會使用適用于 NoSQL 的 Azure Cosmos DB 資料來顯示客戶對各種供應專案的回應。
- Data Lake 儲存體 是可調整的儲存體存放庫,可保存資料原生原始格式的大量資料。
解決方案詳細資料
在現今競爭激烈且連線的環境中,現代企業在一般、靜態的線上內容上無法再生存。 此外,使用傳統工具的行銷策略可能昂貴且難以實作。 因此,它們不會產生所需的投資報酬率。 這些系統在為使用者建立更個人化的體驗時,通常無法充分利用收集的資料。
呈現針對每個使用者自訂的供應專案,對於建立客戶忠誠度和剩餘利潤至關重要。 在零售網站上,客戶希望智慧型系統根據其獨特興趣和喜好,提供供應專案和內容。 現今的數位行銷小組可以使用所有類型的使用者互動所產生的資料來建置此智慧。
行銷人員現在有機會藉由分析大量資料,向每個使用者提供高度相關的個人化供應專案。 但是,建置可靠且可調整的巨量資料基礎結構並不簡單。 開發針對每個使用者個人化的複雜機器學習模型也是一項複雜的工作。
智慧型建議提供可驅動所需結果的功能,例如以使用者互動和中繼資料為基礎的專案建議。 它可以用來宣傳和個人化任何內容類型,例如可銷售的產品、媒體、檔、供應專案等等。
Azure 個人化工具是 Azure 認知服務的一部分服務。 它可以用來判斷向購物者建議的產品,或找出廣告的最佳位置。 個人化工具可作為其他最後步驟排名器。 向使用者顯示建議之後,使用者的反應會受到監視,並回報為獎勵分數回到個人化工具服務。 此程式可確保服務會持續學習,並增強個人化工具根據收到的內容資訊選取最佳專案的能力。
Microsoft Azure 提供資料擷取、資料儲存、資料處理和進階分析元件領域的進階分析工具,這些是建置個人化供應專案解決方案的所有基本元素。
系統整合者
您可以藉由雇用訓練的系統整合器(SI)來實作此解決方案時節省時間。 SI 可協助您開發概念證明,並有助於部署和整合解決方案。
潛在的使用案例
此解決方案適用于根據客戶資料(已檢視和/或購買的產品)來行銷產品和服務。 這可能適用于下列領域:
電子商務 - 這是個人化廣泛用於客戶行為和產品建議的領域。
零售 - 根據先前的購買資料,可以在產品上提供建議和供應專案。
電信 - 根據此領域的使用者互動,可以提供建議。 與其他產業相比,產品和供應專案範圍可能有限。
參與者
本文由 Microsoft 維護。 原始投稿人如下。
主體作者:
- Mahi Sundararajan |資深客戶工程師
若要查看非公用LinkedIn設定檔,請登入 LinkedIn。
下一步
- MLOps:使用 Azure 機器學習進行模型管理、部署、譜系和監視
- 在 Azure 上建置即時建議 API
- Microsoft 認證:資料科學家關聯認證
- 使用 Azure 機器學習 設計工具建立分類模型,不需要撰寫程式碼
- 在 Azure 機器學習中使用自動化機器學習,並瞭解如何建立拖放機器學習模型
- Azure 事件中樞— 巨量資料串流平臺和事件擷取服務
- 歡迎使用 Azure 串流分析
- 歡迎使用 Azure Cosmos DB
- Azure 儲存體簡介
- Azure Functions 簡介
- 什麼是 Azure 機器學習?
- 關於 Azure Cache for Redis
- 在 Power BI 中建立報表和儀表板 - 文件
- Azure Data Lake Storage Gen2 簡介