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。

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。

讓其中一個受過訓練的 SI 合作夥伴協助您進行此解決方案的概念證明、部署與整合,以節省時間。

預估佈建時間:45 分鐘

Cortana Intelligence Suite 透過 Microsoft Azure 提供了多項進階分析工具,包含資料擷取、資料儲存、資料處理及進階分析元件等等,這些都是建置個人化優惠解決方案的必要元素。

這項解決方案結合了多個 Azure 服務以提供強大的優勢。事件中樞會收集即時消耗資料。串流分析會彙總串流資料,並讓資料可進行視覺化,也會更新在為客戶打造個人化優惠時使用的資料。Azure DocumentDB 會儲存客戶、產品及優惠資訊。Azure 儲存體會用來管理模擬使用者互動的佇列。Azure Functions 會用來當成使用者模擬的協調者,以及在用於產生個人化優惠的解決方案中擔任主要部份。Azure Machine Learning 會實作及執行使用者對產品的相似性評分,在沒有使用者記錄可用時,則會使用 Azure Redis Cache 來提供對客戶預先計算的產品相似性。Power BI 會將系統的即時活動視覺化,並運用 DocumentDB 中不同優惠的行為相關資料。

[部署] 按鈕會啟動工作流程,在您指定的 Azure 訂用帳戶資源群組中,部署解決方案的執行個體。解決方案包括多項 Azure 服務 (如上所述),並在最後提供數段簡短指示,具有使用模擬使用者行為的端對端解決方案。

如需部署後的指示及技術實作的詳細資料,請參閱這裡的指示

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。

User ActionSimulation Personalized OfferLogic System ResponseQueue User ActionQueue Event Hub Stream Analytics Power BI Machine Learning Cold StartProduct Affinity User Document DB Product Offers Reference Product Views Offer Views Cache Update Logic Azure Services Raw Stream Data 1 2 3 5 4

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,以產生優惠及記錄活動。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。

優惠傳回給使用者。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,以產生優惠及記錄活動。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 優惠傳回給使用者。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

需求預測

精準預測產品及服務需求的峰值,可為公司帶來競爭優勢。這項解決方案的焦點在於能源部門中的需求預測。

需求預測和價格最佳化

價格在許多行業中視為成功的重要決定因素,而且是最具挑戰性的工作之一。業者經常面臨數個價格流程方面的困難,它們包括精準預測可能手段的財務影響、合理考量核心業務的約制,以及公平驗證已執行的價格決議。擴大產品種類會進一步增加實時報價決策的運算需求,使這項本就困難的工作更加複雜。