Vytváření přizpůsobených marketingových řešení v reálném čase

Cache for Redis
Cosmos DB
Event Hubs
Functions
Machine Learning
Účty úložiště
Stream Analytics
Power BI

Idea řešení

Pokud se chcete podívat, jak tento článek rozšíříme o další informace, jako jsou potenciální případy použití, alternativní služby, aspekty implementace nebo pokyny k cenám, dejte nám vědět pomocí GitHub Feedback!

Přizpůsobený marketing je nezbytný pro vybudování loajalality zákazníků a jeho zbývajícího zisku. Oslovení zákazníků a jejich zapojení je těžší než kdy dřív a obecné nabídky se snadno vynechají nebo ignorují. Aktuálním marketingovým systémům se nedaří využít data, která můžou pomoct tento problém vyřešit.

Marketingaři, kteří používají inteligentní systémy a analyzují obrovské objemy dat, mohou každému uživateli poskytovat vysoce relevantní a přizpůsobené nabídky, které prochýlí nepotřbyty a podnítou zapojení. Maloobchodní prodejci mohou například poskytovat nabídky a obsah na základě jedinečných zájmů, preferencí a spřažení produktů jednotlivých zákazníků a dát produkty před lidi, kteří si je nejpravděpodobněji koupí.

Přizpůsobením nabídek dodáte individuální prostředí pro aktuální a potenciální zákazníky, zvýšíte zapojení a zlepšíte konverzi zákazníků, hodnotu životnosti a míru uchování. Toto řešení ukazuje, jak můžete vytvořit řešení pro přizpůsobení nabídek pomocí Azure Functions, Azure Machine Learninga Azure Stream Analytics.

Architektura

Diagram architektury: Přizpůsobení nabídek pomocí strojového učení a analýzy v reálném čase Stáhněte si SVG této architektury.

Komponenty

  • Event Hubs ingestuje nezpracovaná data click-stream z Azure Functions a předá je do Stream Analytics.
  • Azure Stream Analytics agreguje kliknutí v reálném čase podle produktu, nabídky a uživatele. Zápisy do Azure Cosmos DB a také archivují nezpracovaná data click-stream pro Azure Storage.
  • Azure Cosmos DB ukládá agregovaná data kliknutí podle uživatele, produktu a nabízí informace o profilu uživatele.
  • Azure Storage ukládá archivovaná nezpracovaná data click-stream z Stream Analytics.
  • Azure Functions přijímá data kliknutí uživatelů z webů a čte existující historii uživatelů z Azure Cosmos DB. Tato data se pak prochnou Machine Learning službou nebo se společně s daty studeného startu v Azure Cache for Redis k získání skóre spřažení produktů. Skóre spřažení produktu se používá s logikou přizpůsobené nabídky k určení nejvhodnější nabídky, která se má uživateli prezentovat.
  • Azure Machine Learning vám pomůže navrhovat, testovat, zprovoznit a spravovat řešení prediktivní analýzy v cloudu.
  • Azure Cache for Redis ukládá předem vypočítané skóre spřažení produktů se studeným startem pro uživatele bez historie.
  • Power BI umožňuje vizualizaci dat aktivit uživatelů a nabídek prezentovaných čtením dat z Cosmos DB.

Další kroky

Přečtěte si další Cetrum architektury Azure článcích:

Viz produktová dokumentace:

Zkuste Microsoft Learn cestu: