Individuální nabídky

Event Hubs
Functions
Machine Learning
Storage
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.

V dnešním vysoce konkurenčním a připojeném prostředí už moderní firmy nezůstanou s obecným a statickým online obsahem. Marketingové strategie využívající tradiční nástroje jsou navíc často nákladné, těžko se implementují a neposkytují požadovanou návratnost investic. Tyto systémy často neumožňují plně využít shromážděná data k vytvoření přizpůsobeného prostředí pro uživatele.

Zpřístupnění nabídky, které jsou přizpůsobené pro uživatele, se staly základem pro sestavování věrnostních zákazníků a zbývajících zisků. Na maloobchodním webu zákazníci chtějí inteligentní systémy, které poskytují nabídky a obsah, na základě jejich jedinečných zájmů a preferencí. Dnešní digitální marketingové týmy můžou tyto inteligentní informace vytvořit pomocí dat vygenerovaných ze všech typů interakcí uživatelů.

Díky analýze velkých objemů dat pracovníky marketingu mají jedinečnou příležitost poskytovat vysoce relevantní a individuální nabídky každému uživateli. Sestavování spolehlivé a škálovatelné infrastruktury pro velké objemy dat a vývoj propracovaných modelů strojového učení, které přizpůsobují každému uživateli, není jednoduché.

Architektura

Diagram architekturyStáhnout SVG této architektury.

Tok dat

  1. aktivita uživatelů na webu je simulovaná pomocí funkce Azure a páru Azure Storagech front.
  2. Přizpůsobená funkce nabídky je implementována jako funkce Azure Functions.
    • Toto je klíčová funkce, která spojuje všechno dohromady a vytváří nabídku a záznam aktivity.
    • Data se čtou z mezipaměti azure Cache pro Redis a Azure CosmosDB SQL API, hodnocení spřažení produktů se počítá z Azure Machine Learning
    • Pokud pro uživatele neexistuje žádná historie, předem vypočítaná spřažení jsou čtena z mezipaměti Azure pro Redis.
  3. nezpracovaná data aktivity uživatele (kliknutí na produkt a nabídky), nabídky pro uživatele a data o výkonu (pro Azure Functions a Azure Machine Learning) se odesílají do centra událostí Azure.
  4. Nabídka se vrátí uživateli.
    • v naší simulaci se tento proces provádí zapsáním do fronty Azure Storage, kterou vybrala funkce Azure functions, aby se vytvořila akce dalšího uživatele.
  5. Azure Stream Analytics analyzuje data a poskytuje analýzy téměř v reálném čase pro vstupní datový proud z centra událostí Azure.
    • agregovaná data se odesílají do služby Azure CosmosDB SQL API.
    • Nezpracovaná data se odesílají do Azure Data Lake Storage.

Komponenty

Toto řešení kombinuje několik služeb Azure a poskytuje výkonné výhody:

  • Azure Event Hubs shromažďuje data o spotřebě v reálném čase.
  • Azure Stream Analytics agreguje streamovaná data a zpřístupňuje je pro vizualizaci a aktualizace dat používaných při poskytování individuálních nabídek zákazníkovi.
  • Azure CosmosDB SQL API ukládá informace o zákaznících, produktech a nabídkách. v GitHub implementaci se použila služba Azure Document DB, ale toto úložiště se dá také dosáhnout pomocí rozhraní API Azure Cosmos DB SQL.
  • Azure Storage se používá ke správě front, které simulují interakci uživatele.
  • Azure Functions slouží jako koordinátor pro simulaci uživatelů a jako centrální část řešení pro generování individuálních nabídek.
  • Azure Machine Learning implementuje a spustí hodnocení spřažení produktů pomocí úvahy o preferencích uživatelů a historii produktů.
  • Když není k dispozici žádná historie uživatelů. Azure cache pro Redis se používá k poskytování předem vypočítaných spřažení produktů pro zákazníka.
  • řídicí panel Power BI vizualizuje aktivitu v reálném čase pro systém a s daty z rozhraní API pro SQL CosmosDB chování různých nabídek.

Podrobnosti řešení

Ušetříte čas a pomůžete nám s tím, aby vám pomohli vyškolený partner, aby vám pomohli s řešením, nasazení a integrací

Microsoft Azure poskytuje pokročilé analytické nástroje – komponenty pro příjem dat, ukládání dat, zpracování dat a pokročilé analýzy – to znamená všechny základní prvky pro vytvoření přizpůsobeného řešení nabídky.

Další kroky