Ofertas personalizadas

Event Hubs
Functions
Machine Learning
Storage
Stream Analytics

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.

En el entorno tan conectado y competitivo de hoy en día, las empresas modernas ya no pueden sobrevivir con contenido en línea genérico y estático. Además, las estrategias de marketing que usan herramientas tradicionales suelen ser costosas, difíciles de implementar y no consiguen la rentabilidad de la inversión deseada. Estos sistemas suelen ser incapaces de sacar el máximo partido de los datos recopilados para crear una experiencia más personalizada para el usuario.

Las ofertas personalizadas dirigidas al usuario se han convertido en una herramienta esencial para fidelizar a los clientes y mantener la rentabilidad. En el sitio web de un comercio minorista, los clientes desean utilizar sistemas inteligentes que proporcionen ofertas y contenido en función de sus intereses y preferencias particulares. Hoy en día, los equipos de marketing digital pueden desarrollar esta inteligencia mediante los datos generados a partir de todo tipo de interacciones del usuario.

Al analizar cantidades masivas de datos, los profesionales de marketing tienen una oportunidad única de elaborar ofertas atractivas y personalizadas para cada usuario. Sin embargo, desarrollar una infraestructura de macrodatos confiable y escalable, junto con sofisticados modelos de aprendizaje automático personalizados para cada usuario, no es algo trivial.

Architecture

Diagrama de la arquitectura Descargue un archivo SVG de esta arquitectura.

Descripción

Ahorre tiempo y permita que un asociado cualificado de integración de sistemas le ayude con una prueba de concepto, la implementación y la integración de esta solución.

Cortana Intelligence Suite proporciona herramientas avanzadas de análisis mediante Microsoft Azure (ingesta, almacenamiento y procesamiento de datos) y componentes avanzados de análisis, es decir, todos los elementos esenciales para crear una solución de oferta personalizada.

Componentes

Esta solución combina varios servicios de Azure para proporcionar ventajas muy eficaces:

  • Azure Event Hubs recopila datos de consumo en tiempo real.
  • Azure Stream Analytics añade datos de transmisión y permite su visualización, y actualiza los datos utilizados en la elaboración de ofertas personalizadas para el cliente.
  • La API Azure DocumentDB SQL almacena la información sobre clientes, productos y ofertas. En la implementación de GitHub se usó Azure Document DB, pero esto se puede lograr mediante la API de Azure Cosmos DB SQL.
  • Azure Storage se utiliza para administrar las colas que simulan interacciones del usuario.
  • Azure Functions se usa como un elemento de coordinación de la simulación del usuario y como componente central de la solución para generar ofertas personalizadas.
  • Azure Machine Learning implementa y ejecuta el usuario para puntuar la afinidad de productos, teniendo en cuenta las preferencias del usuario y el historial del producto
  • Cuando no hay ningún historial de usuario disponible. Azure Cache for Redis se utiliza para proporcionar afinidades de producto precalculadas para el cliente.
  • El panel Power BI muestra la actividad en tiempo real para el sistema y, junto con los datos de la API CosmosDB SQL, el comportamiento de las distintas ofertas.

Data Flow

  1. La actividad de los usuarios en el sitio web se simula mediante una función de Azure y dos colas de Azure Storage.
  2. La funcionalidad de oferta personalizada se implementa como una función de Azure.
    • Esta es la función clave que lo relaciona todo para generar una oferta y registrar la actividad.
    • Los datos se leen desde Azure Cache for Redis y desde la API de Azure CosmosDB SQL, las puntuaciones de afinidad del producto se calculan desde Azure Machine Learning
    • Si no existe ningún historial para el usuario, las afinidades precalculadas se leen desde Azure Cache for Redis.
  3. Los datos sin procesar de la actividad de usuarios (clics en productos y ofertas), las ofertas presentadas a los usuarios y los datos de rendimiento (para Azure Functions y Azure Machine Learning) se envían al centro de eventos de Azure.
  4. La oferta se devuelve al usuario.
    • En nuestra simulación, esto se hace escribiendo en una cola de Azure Storage, y una función de Azure recoge la oferta para generar la siguiente acción del usuario.
  5. Azure Stream Analytics analiza los datos para ofrecer un análisis casi en tiempo real del flujo de entrada desde el centro de eventos de Azure.
    • Los datos agregados se envían a la API de Azure CosmosDB SQL.
    • Los datos sin procesar se envían a Azure Data Lake Storage.

Pasos siguientes