Créez des solutions marketing personnalisées en quasi-temps réel

Cache pour Redis
Cosmos DB
Event Hubs
Fonctions
Machine Learning
Comptes de stockage
Stream Analytics
Power BI

Idée de solution

Si vous souhaitez nous voir développer cet article avec d’autres informations, telles que des cas d’usage potentiels, d’autres services, des considérations d’implémentation ou un guide des prix, faites-le nous savoir avec les Commentaires de GitHub.

Le marketing personnalisé est essentiel pour la fidélisation des clients et la rentabilité. Satisfaire les clients pour les fidéliser est plus difficile que jamais, et les offres qui ne se démarquent pas sont facilement ignorées. Les systèmes marketing actuels ne peuvent pas tirer parti des données qui peuvent aider à résoudre ce problème.

Les spécialistes du marketing utilisant des systèmes intelligents et analysant des quantités importantes de données peuvent fournir des offres personnalisées et hautement pertinentes à chaque utilisateur, en allant à l’essentiel pour stimuler l’engagement. Par exemple, des revendeurs peuvent se baser sur les intérêts, les préférences de chacun de leurs clients et l’affinité des produits pour placer leurs offres et leurs contenus. Ils renforcent ainsi leurs chances de proposer leurs produits aux personnes les plus susceptibles de les acheter.

En personnalisant vos offres, vous offrez une expérience individualisée aux clients actuels ou potentiels afin de dynamiser leur engagement et d’améliorer votre taux de conversion, la valeur de la durée de vie de vos produits et la rétention de vos clients. Cette solution vous montre comment créer une solution de personnalisation des offres avec Azure Functions, Azure Machine Learning et Azure Stream Analytics.

Architecture

Diagramme d’architecture : personnalisation des offres avec Machine Learning et analytique en quasi-temps réel. Téléchargez un fichier SVG de cette architecture.

Composants

  • Event Hubs ingère les données de clic brutes à partir d’Azure Functions et les transmet à Stream Analytics.
  • Azure Stream Analytics agrège les clics en quasi-temps réel par produit, offre et utilisateur. Écrit dans Azure Cosmos DB et archive également les données de clic brutes dans Stockage Azure.
  • Azure Cosmos DB stocke des données agrégées de clics par utilisateur, produit et offre, ainsi que des informations de profil utilisateur.
  • Le service Stockage Azure stocke les données de clic brut archivées à partir de Stream Analytics.
  • Azure Functions récupère les données de parcours d’un utilisateur sur des sites web et lit l’historique utilisateur existant à partir d’Azure Cosmos DB. Ces données sont ensuite exécutées par le biais du service web Machine Learning ou utilisées avec les données de démarrage à froid dans Azure Cache pour Redis afin d’obtenir des scores d’affinité de produit. Les scores d’affinité de produit sont utilisés avec la logique d’offre personnalisée pour déterminer l’offre la plus pertinente à présenter à l’utilisateur.
  • Azure Machine Learning vous aide à concevoir, tester, utiliser et gérer des solutions d’analyse prédictive dans le cloud.
  • Azure Cache pour Redis stocke les scores d’affinité du produit de démarrage à froid précalculés pour les utilisateurs sans historique.
  • Power BI permet de visualiser les données d’activité des utilisateurs et les offres présentées en lisant les données de Cosmos DB.

Étapes suivantes

Consultez d’autres articles sur le Centre des architectures Azure :

Consultez la documentation du produit :

Essayez un parcours d’apprentissage Microsoft :