Personalisierte Angebote

Event Hubs
Functions
Machine Learning
Storage
Stream Analytics

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!

Moderne Unternehmen können in der heutigen hochgradig konkurrenzbetonten und vernetzten Umgebung mit generischen, statischen Onlineinhalten nicht überleben. Zudem sind Marketingstrategien mit herkömmlichen Mitteln häufig teuer, schwierig zu implementieren und führen nicht zu der gewünschten Rendite. Diese Systeme können die gesammelten Daten häufig nicht optimal nutzen, um dem Benutzer ein stärker personalisiertes Erlebnis zu bieten.

Inzwischen sind für den Benutzer angepasste Angebote unverzichtbar, um Kundenbindung zu erzielen und rentabel zu bleiben. Die Kunden erwarten von einer Einzelhandelswebsite intelligente Systeme, die Angebote und Inhalte basierend auf ihren individuellen Interessen und Vorlieben bereitstellen. Die heutigen Teams für digitales Marketing können diese intelligenten Systeme mithilfe der Daten erstellen, die aus allen Typen von Benutzerinteraktionen generiert werden.

Durch die Analyse großer Datenmengen können Vermarkter für jeden Benutzer in hohem Maße relevante und personalisierte Angebote bereitstellen. Es ist jedoch keine triviale Aufgabe, eine zuverlässige und skalierbare Big Data-Infrastruktur zu erstellen und differenzierte Machine Learning-Modelle zu entwickeln, die für jeden Benutzer personalisiert werden.

Aufbau

Architekturdiagramm Laden Sie eine SVG-Datei für diese Architektur herunter.

BESCHREIBUNG

Sparen Sie Zeit, und überlassen Sie es einem qualifizierten SI-Partner, Ihnen beim Proof of Concept sowie der Bereitstellung und Integration dieser Lösung zu helfen.

Cortana Intelligence Suite bietet über Microsoft Azure modernste Tools für die Erfassung, Speicherung und Verarbeitung von Daten sowie fortschrittliche Analysekomponenten, die alle wesentlichen Elemente für den Aufbau einer personalisierten Angebotslösung darstellen.

Komponenten

Diese Lösung kombiniert mehrere Azure-Dienste, um überzeugende Vorteile zu bieten:

  • Azure Event Hubs erfasst Verbrauchsdaten in Echtzeit.
  • Azure Stream Analytics aggregiert die Streamingdaten, macht sie für die Visualisierung und Aktualisierung von Daten verfügbar, die zum Bereitstellen personalisierter Angebote für den Kunden verwendet werden.
  • Azure CosmosDB SQL-API speichert die Informationen zu Kunden, Produkten und Angeboten. In der GitHub-Implementierung wurde Azure Document DB verwendet, dies kann jedoch mithilfe von Azure Cosmos DB SQL-API erreicht werden.
  • Azure Storage wird verwendet, um die Warteschlangen zu verwalten, die Benutzerinteraktionen simulieren.
  • Azure Functions dient als Koordinator für die Benutzersimulation und als zentraler Bestandteil der Lösung zum Generieren personalisierter Angebote.
  • Azure Machine Learning implementiert und führt die Bewertung der Benutzer-Produkt-Affinität aus, indem Benutzerpräferenz und Produktverlauf berücksichtigt werden.
  • Wenn kein Benutzerverlauf verfügbar ist. Azure Cache for Redis wird verwendet, um vorab berechnete Produktaffinitäten für den Kunden bereitzustellen.
  • Das Power BI-Dashboard visualisiert die Echtzeitaktivität für das System und mit den Daten aus der CosmosDB SQL-API das Verhalten der verschiedenen Angebote.

Datenfluss

  1. Die Benutzeraktivität auf der Website wird mit einer Azure-Funktion und einem Paar von Azure Storage-Warteschlangen simuliert.
  2. Die Funktionalität „Personalisiertes Angebot“ wird als Azure-Funktion implementiert.
    • Dabei handelt es sich um die Hauptfunktion, die alle Elemente vereint, um eine Angebots- und Aufzeichnungsaktivität zu erzeugen.
    • Daten werden aus Azure Cache for Redis und der Azure CosmosDB SQL-API gelesen, Produktaffinitätsbewertungen werden von Azure Machine Learning berechnet.
    • Wenn für den Benutzer kein Verlauf vorhanden ist, werden vorab berechnete Affinitäten aus Azure Cache for Redis gelesen.
  3. Rohdaten zu Benutzeraktivitäten (Klicks auf Produkte und Angebote), Angebote an Benutzer und Leistungsdaten (für Azure Functions und Azure Machine Learning) werden an Azure Event Hub gesendet.
  4. Das Angebot wird an den Benutzer zurückgegeben.
    • In unserer Simulation erfolgt dies durch Schreiben in eine Azure Storage-Warteschlange, die von einer Azure-Funktion abgerufen wird, um die nächste Benutzeraktion zu erstellen.
  5. Azure Stream Analytics analysiert die Daten, um nahezu in Echtzeit verfügbare Analysen zum Eingabestream aus Azure Event Hub bereitzustellen.
    • Die aggregierten Daten werden an die Azure CosmosDB SQL-API gesendet.
    • Die Rohdaten werden an Azure Data Lake Storage gesendet.

Nächste Schritte