Doporučení produktů pro maloobchodní prodej s využitím Azure

Blob Storage
Event Hubs
HDInsight
Stream Analytics
Power BI

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.

Obsáhlý přehled zájmů zákazníků a způsobů nákupu je důležitou součástí jakékoli maloobchodní business intelligence operace. Toto řešení implementuje proces agregace zákaznických dat do kompletního profilu. Pokročilé modely strojového učení jsou zajištěny spolehlivostí a výpočetním výkonem Azure a poskytují prediktivní přehledy pro simulované zákazníky.

Architektura

Diagram architekturyStáhnout SVG této architektury.

Tok dat

  1. Data generátoru dat simulují simulované události zákazníků do centra událostí.
  2. Stream Analytics úloha načte z centra událostí a provede agregace.
  3. Stream Analytics přetrvává časově seskupená data do objektu Blob Azure Storage
  4. Úloha Spark běžící ve službě HDInsight sloučí nejnovější data o procházení zákazníků s historickými zakoupenými a demografickými daty a vytvoří tak kombinovaný profil uživatele.
  5. Druhá úloha Sparku vyhodnotí každý profil zákazníka podle modelu strojového učení. Tento proces předpovídá budoucí vzory nákupů, které určují, jestli daný zákazník bude během následujících 30 dnů chtít koupit. Pokud ano, je možné určit, ve které kategorii produktů se má nákup provést.
  6. předpovědi a další data profilu se vizuálně znázorňují a sdílí jako grafy a tabulky v Power BI Online.

Komponenty

Nasazení tohoto scénáře

Další podrobnosti o tom, jak je toto řešení sestavené, najdete v Průvodci řešením v GitHub.

Typický maloobchodní obchod shromažďuje zákaznická data prostřednictvím nejrůznějších kanálů. Mezi tyto kanály patří vzory procházení webu, chování při nákupu, demografické údaje a další webová data založená na relacích. Některá data pocházejí z základních obchodních operací. Další data se ale musí načíst a spojit z externích zdrojů, jako jsou partneři, výrobci, veřejná doména a tak dále.

Mnohé firmy využívají jenom malou část dostupných dat, ale k maximalizaci návratnosti investic musí podnik integrovat relevantní data ze všech zdrojů. V tradičním případě integrace externích, heterogenních zdrojů dat do sdíleného modulu pro zpracování dat vyžaduje významné úsilí a prostředky k nastavení. Toto řešení popisuje jednoduchý a škálovatelný přístup k integraci analýz a strojového učení pro předpověď aktivity zákaznického nákupu.

Funkce řešení

Toto řešení řeší výše uvedené problémy:

  • Jednotného přístupu k datům z více zdrojů dat a minimalizaci přesunu dat a složitosti systému, což zvyšuje výkon.
  • provádění ETL a inženýr funkcí nutných k použití prediktivního Machine Learningho modelu.
  • Vytvoření komplexního profilu zákazníka 360, který je obohacený prediktivní analýzou, která běží v distribuovaném systému. tato analýza je zajištěna Microsoft R Server a službou Azure HDInsight.

Další kroky