Recomendaciones de productos para el comercio minorista mediante Azure

Blob Storage
Event Hubs
HDInsight
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.

Un componente esencial de cualquier operación de inteligencia empresarial para el comercio es que exista una claro reconocimiento de los intereses de los clientes y los patrones de compra. Esta solución implementa un proceso de agregación de datos de clientes a un perfil completo y usa modelos avanzados de aprendizaje automático que se benefician de la confiabilidad y potencia de procesamiento de Azure para proporcionar información predictiva sobre clientes simulados.

Architecture

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

Descripción

Para más información sobre cómo se crea esta solución, visite la guía de la solución en GitHub.

Un negocio minorista típico recopila datos de clientes a través de diversos canales, incluidos patrones de exploración web, comportamientos de compra, datos demográficos y otros datos web basados en sesiones. Algunos de los datos proceden de las operaciones empresariales principales, pero otros se deben extraer y combinar desde orígenes externos como asociados, fabricantes, dominios públicos, etc.

Muchas empresas aprovechan solo una pequeña parte de los datos disponibles, pero para maximizar la rentabilidad de la inversión, una empresa debe integrar los datos pertinentes de todos los orígenes. Tradicionalmente, la integración de orígenes de datos externos y heterogéneos en un motor de procesamiento de datos compartido ha requerido un esfuerzo significativo y la configuración de recursos. Esta solución describe un enfoque sencillo y escalable para integrar análisis y aprendizaje automático para predecir la actividad de compra de los clientes.

Esta solución afronta los problemas anteriores:

  • Mediante el acceso uniforme a los datos de varios orígenes de datos a la vez que se minimiza el movimiento de datos y la complejidad del sistema para mejorar el rendimiento.
  • Mediante ETL y la ingeniería de características necesarias para utilizar un modelo de Machine Learning predictivo.
  • Mediante la creación de un perfil global del cliente enriquecido por el análisis predictivo que se ejecuta en un sistema distribuido respaldado por Microsoft R Server y Azure HDInsight.

Data Flow

  1. Un generador de datos canaliza los eventos de clientes simulados a un centro de eventos
  2. Un trabajo de Stream Analytics lee del EventHub y realiza agregaciones.
  3. Stream Analytics conserva los datos agrupados por hora en Azure Storage Blob.
  4. Un trabajo de Spark que se ejecuta en HDInsight combina los datos de exploración del cliente más recientes con el historial de compras y datos demográficos para crear un perfil de usuario consolidado.
  5. Un segundo trabajo de Spark puntúa cada perfil de cliente según un modelo de aprendizaje automático para predecir patrones de compra futuros (por ejemplo, ¿es probable que un cliente determinado realice una compra en los próximos 30 días? Y, si es así, ¿en qué categoría de productos?)
  6. Las predicciones y otros datos de perfil se visualizan y comparten como gráficos y tablas en Power BI en línea.

Componentes

Pasos siguientes