Recommandations de produit pour la vente au détail à l’aide d’Azure

Stockage Blob
Event Hubs
HDInsight
Stream Analytics
Power BI

Idée de solution Solution Idea

Si vous souhaitez nous voir développer cet article avec d’autres informations, les détails de l’implémentation, le guide de tarification ou des exemples de code, faites-le-nous savoir avec les Commentaires de GitHub !If you'd like to see us expand this article with more information, implementation details, pricing guidance, or code examples, let us know with GitHub Feedback!

Une compréhension approfondie des intérêts des clients et des modèles d’achat est un composant essentiel de toute opération décisionnelle de vente.A deep understanding between customer interests and purchasing patterns is a critical component of any retail business intelligence operation. Cette solution implémente un processus d’agrégation de données client dans un profil complet, et utilise des modèles Machine Learning avancés bénéficiant de la fiabilité et de la puissance de traitement d’Azure pour fournir des insights prédictifs sur les clients simulés.This solution implements a process of aggregating customer data into a complete profile, and uses advanced machine learning models backed by the reliability and processing power of Azure to provide predictive insights on simulated customers.

ArchitectureArchitecture

Diagramme d’architecture Télécharger unSVGde cette architecture.Architecture diagram Download an SVG of this architecture.

DescriptionDescription

Pour en savoir plus sur la création de cette solution, consultez le Guide de solution dans GitHub.For more details on how this solution is built, visit the solution guide in GitHub.

Une entreprise classique de vente au détail recueille des données client par le biais de différents canaux, notamment des modèles de navigation web, des comportements d’achat, des données démographiques et d’autres données web basées sur une session.A typical retail business collects customer data through a variety of channels, including web-browsing patterns, purchase behaviors, demographics, and other session-based web data. Certaines des données proviennent d’opérations métier de base, mais d’autres données doivent être extraites et jointes à partir de sources externes telles que des partenaires, des fabricants, un domaine public, etc.Some of the data originates from core business operations, but other data must be pulled and joined from external sources like partners, manufacturers, public domain, etc.

De nombreuses entreprises tirent uniquement parti d’une petite partie des données disponibles, mais afin d’optimiser le retour sur investissement, une entreprise doit intégrer les données pertinentes issues de toutes les sources.Many businesses leverage only a small portion of the available data, but in order to maximize ROI, a business must integrate relevant data from all sources. Traditionnellement, l’intégration de sources de données externes et hétérogènes dans un moteur de traitement de données partagé nécessite un effort et des ressources considérables à configurer.Traditionally, the integration of external, heterogeneous data sources into a shared data processing engine has required significant effort and resources to set up. Cette solution décrit une approche simple et évolutive pour l’intégration des analyses et des Machine Learning afin de prédire l’activité d’achat des clients.This solution describes a simple, scalable approach to integrating analytics and machine learning to predict customer purchasing activity.

Cette solution résout les problèmes ci-dessus par :This solution addresses the above problems by:

  • Un accès uniforme aux données issues de plusieurs sources de données tout en réduisant le déplacement des données et la complexité du système, afin d’améliorer les performances.Uniformly accessing data from multiple data sources while minimizing data movement and system complexity in order to boost performance.
  • L’exécution d’ETL et de l’ingénierie des caractéristiques nécessaires à l’utilisation d’un modèle de Machine Learning prédictif.Performing ETL and feature engineering needed to use a predictive Machine Learning model.
  • La création d’un profil client 360 complet enrichi par des analyses prédictives exécutées sur un système distribué, sauvegardé par Microsoft R Server et Azure HDInsight.Creating a comprehensive customer 360 profile enriched by predictive analytics running across a distributed system backed by Microsoft R Server and Azure HDInsight.

Data FlowData Flow

  1. Un générateur de données canalise les événements clients simulés vers un Event HubA Data Generator pipes simulated customer events to an Event Hub
  2. Un travail de Stream Analytics lit à partir du EventHub, effectue des agrégationsA Stream Analytics job reads from the EventHub, performs aggregations
  3. Stream Analytics conserve les données regroupées dans un Azure Storage BlobStream Analytics persists time-grouped data to an Azure Storage Blob
  4. Un travail Spark en cours d’exécution dans HDInsight fusionne les données de navigation client les plus récentes avec des données d’historique et des données démographiques pour créer un profil utilisateur consolidéA Spark job running in HDInsight merges the latest customer browsing data with historical purchase and demographic data to build a consolidated user profile
  5. Un deuxième travail Spark évalue chaque profil client par rapport à un modèle de Machine Learning pour prédire les modèles d’achat futurs (en d’autres termes, est-ce qu’un client donné est susceptible d’effectuer un achat dans les 30 jours suivants, et dans quelle catégorie de produit ?)A second Spark job scores each customer profile against a machine learning model to predict future purchasing patterns (in other words, is a given customer likely to make a purchase in the next 30 days, and if so, in which product category?)
  6. Les prédictions et les autres données de profil sont visualisées et partagées sous forme de graphiques et de tableaux dans Power BI en lignePredictions and other profile data are visualized and shared as charts and tables in Power BI Online