Creación de soluciones de marketing personalizadas casi en tiempo real

Cache for Redis
Cosmos DB
Event Hubs
Functions
Machine Learning
Cuentas de almacenamiento
Stream Analytics
Power BI

Idea de solución

Si le gustaría que expandamos este artículo con más información, como posibles casos de uso, servicios alternativos, consideraciones de implementación o una guía de precios, comuníquese a través de los Comentarios de GitHub.

El marketing personalizado es esencial para generar fidelidad entre clientes y asegurar la rentabilidad. Ahora es más difícil que nunca llegar a los clientes y conseguir atraerlos, de modo que las ofertas genéricas suelen pasarse por alto. Los actuales sistemas de marketing no aprovechan los datos que pueden ayudar a resolver este problema.

Los vendedores que usan sistemas inteligentes y analizan grandes cantidades de datos pueden hacer ofertas muy pertinentes y personalizadas para cada usuario, con soluciones que van al grano y consiguen atraer a los clientes. Por ejemplo, los minoristas pueden realizar ofertas y proporcionar contenido basados en los intereses, preferencias y afinidad de productos exclusivos de cada cliente, para presentar así sus productos a las personas que más posibilidades tienen de comprarlos.

Al personalizar las ofertas, ofrecerá una experiencia individualizada para los clientes actuales o potenciales, lo que redundará en una mayor atracción de clientes y mejorará la conversión, la relación a largo plazo y la retención de clientes. Esta solución muestra cómo puede crear una solución que personalice las ofertas con Azure Functions, Azure Machine Learning y Azure Stream Analytics.

Architecture

Diagrama de arquitectura: personalización de ofertas con aprendizaje automático y análisis casi en tiempo real. Descargue un SVG de esta arquitectura.

Componentes

  • Event Hubs ingiere datos sin procesar de secuencias de clics de Azure Functions y los pasa a Stream Analytics.
  • Azure Stream Analytics agrega clics casi en tiempo real por producto, oferta y usuario. Escribe en Azure Cosmos DB y también archiva los datos sin procesar de la secuencia de clics en Azure Storage.
  • Azure Cosmos DB almacena datos agregados de clics por usuario y producto y ofrece información del perfil de usuario.
  • Azure Storage almacena datos sin procesar de secuencias de clics archivados de Stream Analytics.
  • Azure Functions toma la información de la secuencia de clic del usuario de sitios web y lee el historial del usuario actual de Azure Cosmos DB. Estos datos se ejecutan mediante el servicio web de Machine Learning o se usan junto con los datos de inicio en frío de Azure Cache for Redis para obtener puntuaciones de afinidad de productos. Las puntuaciones de afinidad de los productos se usan con la lógica de oferta personalizada para determinar la oferta más pertinente que presentar al usuario.
  • Azure Machine Learning le ayuda a diseñar, probar, poner en funcionamiento y administrar soluciones de análisis predictivo en la nube.
  • Azure Cache for Redis almacena puntuaciones de afinidad de productos de inicio en frío precalculadas para los usuarios sin historial.
  • Power BI permite la visualización de los datos de actividad del usuario y las ofertas presentadas mediante la lectura de datos de Cosmos DB.

Pasos siguientes

Consulte otros artículos del Centro de arquitectura de Azure:

Consulte la documentación del producto:

Pruebe una ruta de aprendizaje de Microsoft Learn: