Doporučení produktů pro maloobchodní prodej s využitím Azure

Blob Storage
Event Hubs
HDInsight
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!

Hluboké porozumění zájmům zákazníků a nákupním vzorům je důležitou součástí každé maloobchodní business intelligence provozu. Toto řešení implementuje proces agregace zákaznických dat do kompletního profilu a využívá pokročilé modely strojového učení podpořené spolehlivostí a výpočetním výkonem Azure k zajištění prediktivních přehledů o simulovaných zákaznících.

Architektura

Diagram architektury Stáhněte si SVG této architektury.

Popis

Další podrobnosti o způsobu vytvoření tohoto řešení najdete v průvodci řešením v GitHub.

Typická maloobchodní firma shromažďuje zákaznická data prostřednictvím různých kanálů, včetně vzorců procházení webu, chování při nákupu, demografických údajů a dalších webových dat založených na relacích. Některá data pocházejí ze základních obchodních operací, ale jiná data je třeba natáhnout a spojit z externích zdrojů, jako jsou partneři, výrobci, veřejná doména atd.

Mnoho firem využívá jen malou část dostupných dat, ale aby se maximalizovala návratnost investic, musí firma integrovat relevantní data ze všech zdrojů. Integrace externích heterogenních zdrojů dat do sdíleného modulu pro zpracování dat tradičně vyžadovala značné úsilí a prostředky k nastavení. Toto řešení popisuje jednoduchý a škálovatelný přístup k integraci analýz a strojového učení, který předpovídá nákupní aktivity zákazníků.

Toto řešení řeší výše uvedené problémy:

  • Jednotný přístup k datům z více zdrojů dat a minimalizace přesunu dat a složitosti systému za účelem zvýšení výkonu.
  • K použití prediktivního modelu pro Machine Learning funkcí je potřeba ETL a Machine Learning funkcí.
  • Vytvoření komplexního profilu zákazníka 360 obohaceného prediktivní analýzou spuštěnou v distribuovaném systému s Microsoft R Server a Azure HDInsight.

Data Flow

  1. Generátor dat s kanálů simulovaných zákaznických událostí do centra událostí
  2. Úloha Stream Analytics načítá z Centra událostí a provádí agregace.
  3. Stream Analytics uchová data seskupená podle času do objektu blob Azure Storage.
  4. Úloha Sparku spuštěná v HDInsight sloučí nejnovější údaje o procházení zákazníků s historickými daty o nákupu a demografickými daty a vytvoří konsolidovaný profil uživatele.
  5. Druhá úloha Sparku vy skóre jednotlivých profilů zákazníků s modelem strojového učení předpoví budoucí nákupní vzory (jinými slovy, je daný zákazník pravděpodobně v následujících 30 dnech nákup, a pokud ano, ve které kategorii produktů?)
  6. Predikce a další profilová data se vizualizovat a sdílet jako grafy a tabulky v Power BI Online

Komponenty

Další kroky