Vytváření individuálních marketingových řešení téměř v reálném čase

Cosmos DB
Event Hubs
Functions
Machine Learning
Stream Analytics

Nápad řešení

pokud se chcete podívat, jak nás rozšířit tento článek o další informace, jako jsou potenciální případy použití, alternativní služby, předpoklady implementace nebo doprovodné materiály, dejte nám vědět s GitHub zpětnou vazbou.

Individuální marketing je nezbytný pro sestavování loajality zákazníků a zbývající ziskovost. Oslovení zákazníků a jejich zapojení je těžší než kdy dřív a obecné nabídky jsou snadno vynecháné nebo ignorované. Aktuálnímu marketingovému systému se nepodaří využít data, která mohou tento problém vyřešit.

Pracovníky marketingu s využitím inteligentních systémů a analýzou obrovských objemů dat může každý uživatel poskytovat vysoce relevantní a přizpůsobené nabídky, které vychází ze zbytečných a provozních potřeb. Maloobchodní prodejci můžou například poskytovat nabídky a obsah na základě jedinečných zájmů jednotlivých zákazníků, předvoleb a spřažení produktů, uvádění produktů před lidmi, kteří je nejpravděpodobněji kupují.

tato architektura ukazuje, jak můžete vytvořit nabídku přizpůsobení řešení pomocí Azure Functions, Azure Machine Learninga Azure Stream Analytics.

Potenciální případy použití

Přizpůsobením nabídek zajistíte individuální prostředí pro stávající a potenciální zákazníky, zvýšíte zapojení a zlepšíte konverzi zákazníků, hodnotu životnosti a dobu uchování.

Architektura

Diagram architektury: přizpůsobení nabídek pomocí strojového učení a analýz téměř v reálném čase.Stáhnout SVG této architektury.

Komponenty

  • Event Hubs ingestuje nezpracovaná data na streamování z Azure functions a předá je do Stream Analytics.
  • Azure Stream Analytics agreguje kliknutí téměř v reálném čase podle produktu, nabídky a uživatele. zapisuje do Azure Cosmos DB a také archivuje data nezpracovaných kliknutí na stream Azure Storage.
  • Azure Cosmos DB ukládá agregovaná data o kliknutích podle uživatele, produktu a nabízí informace o uživatelských profilech.
  • Azure Storage ukládá archivovaná nezpracované streamovaná data kliknutím z Stream Analytics.
  • Azure Functions přebírá data uživatelů navštívených z webů a čte existující historii uživatelů z Azure Cosmos DB. tato data se pak spouštějí prostřednictvím webové služby Machine Learning nebo se používají spolu s daty z chladírenského startu v mezipaměti Azure Cache pro Redis k získání skóre spřažení produktů. Skóre spřažení produktu se používají spolu s logikou přizpůsobené nabídky k určení nejužitečnější nabídky, která se má uživateli prezentovat.
  • Azure Machine Learning vám pomůže navrhovat, testovat, zprovoznění a spravovat prediktivní analytická řešení v cloudu.
  • Azure cache pro Redis ukládá předem vypočtené skóre spřažení produktů na studenou dobu pro uživatele bez historie.
  • Power BI umožňuje vizualizaci dat aktivit uživatelů a nabídek prezentovaných čtením dat z Cosmos DB.

Další kroky

Viz dokumentace k produktu:

Zkuste Microsoft Learn cestu:

Přečtěte si další články Cetrum architektury Azure: