Erstellen personalisierter Marketinglösungen nahezu in Echtzeit

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

Lösungsidee

Wenn Sie möchten, dass wir diesen Artikel um weitere Informationen ergänzen, z. B. potenzielle Anwendungsfälle, alternative Dienste, Überlegungen zur Implementierung oder Preisempfehlungen, lassen Sie es uns über Feedback auf GitHub wissen!

Ein personalisiertes Marketing ist unerlässlich für den Aufbau der Kundenloyalität und um rentabel zu bleiben. Kunden zu erreichen und sie einzubinden, ist schwieriger als je zuvor, und generische Angebote werden einfach übersehen oder ignoriert. Die aktuellen Marketingsysteme können die Daten, die zur Lösung dieses Problems beitragen, nicht nutzen.

Händler, die intelligente Systeme verwenden und große Datenmengen analysieren, können den Benutzern relevante und personalisierte Angebote machen, wodurch sie einfacher das passende Angebot aus einer großen Auswahl finden können und so schneller zum Kauf angeregt werden. Beispielsweise können Einzelhändler Angebote und Inhalte bereitstellen, die auf den individuellen Interessen, Vorlieben und Produktpräferenzen der einzelnen Kunden basieren, indem sie die jeweiligen Produkte den Personen anbieten, die sie am ehesten kaufen.

Durch eine Personalisierung Ihrer Angebote können Sie für gegenwärtige und potenzielle Kunden ein individualisiertes Angebot bereitstellen, sie zum Kauf anregen und die Konversion der Kunden, den Customer-Lifetime-Value und die Retention verbessern. Diese Lösung zeigt, wie Sie eine Lösung erstellen können, die Angebote mit Azure Functions, Azure Machine Learningund Azure Stream Analyticspersonalisiert.

Aufbau

Architekturdiagramm: Personalisieren von Angeboten mit Machine Learning und Analysen nahezu in Echtzeit. Laden Sie eine SVG dieser Architektur herunter.

Komponenten

  • Event Hubs erfasst die unformatierten Clickstreamdaten von Azure Functions und gibt sie an Stream Analytics weiter.
  • Azure Stream Analytics aggregiert Klicks nahezu in Echtzeit nach Produkt, Angebot und Benutzer. Schreibt in Azure Cosmos DB und archiviert auch unformatierte Klickstreamdaten in Azure Storage.
  • Azure Cosmos DB speichert aggregierte Daten von Klicks nach Benutzer und Produkt und bietet Benutzerprofilinformationen.
  • Azure Storage speichert archivierte unformatierte Clickstreamdaten aus Stream Analytics.
  • Azure Functions erfasst Clickstreamdaten von Benutzern von Websites und liest den vorhandenen Benutzerverlauf aus Azure Cosmos DB. Diese Daten werden dann über den Machine Learning-Webdienst ausgeführt oder zusammen mit den Kaltstartdaten in Azure Cache for Redis verwendet, um Produktaffinitätsergebnisse abzurufen. Ergebnisse zur Produktaffinität werden mit der Logik des personalisierten Angebots verwendet, um das relevanteste Angebot zu ermitteln, das dem Benutzer präsentiert wird.
  • Mit Azure Machine Learning können Sie Predictive-Analytics-Lösungen in der Cloud problemlos entwerfen, testen, operationalisieren und verwalten.
  • Azure Cache for Redis speichert vorberechnete Produktaffinitätsscores von Kaltstarts für Benutzer ohne Verlauf.
  • Power BI ermöglicht die Visualisierung von Benutzeraktivitätsdaten und Angeboten, die angezeigt werden, indem Daten aus Cosmos DB gelesen werden.

Nächste Schritte

Hier finden Sie weitere Azure Architecture Center-Artikel:

Weitere Informationen finden Sie in der Produktdokumentation:

Verwenden eines Microsoft Lernpfads: