Személyre szabott marketingmegoldások létrehozása közel valós időben

Cache for Redis
Cosmos DB
Event Hubs
Functions
Machine Learning
Storage-fiókok
Stream Analytics
Power BI

Solution Idea

Ha szeretné látni, hogyan bővítjük ki ezt a cikket olyan további információkkal, mint a lehetséges esetek, az alternatív szolgáltatások, az implementációval kapcsolatos megfontolások vagy a díjszabási útmutató, GitHub visszajelzéssel!

A személyre szabott marketing elengedhetetlen az ügyfelek hűségének és nyereségének építéséhez. Az ügyfelek elérése és elérése nehezebb, mint valaha, és az általános ajánlatok könnyen figyelmen kívül hagyhatók vagy figyelmen kívül hagyhatók. A jelenlegi marketingrendszerek nem tudnak olyan adatokat használni, amelyek segíthetnek a probléma megoldásában.

Az intelligens rendszereket használó és nagy mennyiségű adat elemzésével a marketingesek rendkívül releváns és személyre szabott ajánlatokat kínálnak minden felhasználónak, így átveszik a zsúfoltságot és a részvételt. A kereskedők például az egyes ügyfelek egyedi érdeklődési körök, preferenciák és termékkapcsolatok alapján kínálnak ajánlatokat és tartalmakat, így a termékeket a legnagyobb valószínűséggel azok elé emlik, akik megvásárolják őket.

Az ajánlatok személyre szabása személyre szabott élményt nyújt a jelenlegi és a jövőbeli ügyfeleknek, így növeli a részvételt, és javítja az ügyfelek konverzióját, élettartam-értékét és megtartását. Ez a megoldás bemutatja, hogyan hozhat létre személyre szabó ajánlatokat a Azure Functions , Azure Machine Learningés Azure Stream Analytics.

Architektúra

Architektúradiagram: Ajánlatok személyre szabása gépi tanulással és közel valós idejű elemzéssel. Töltse le az architektúra SVG-ját.

Összetevők

  • Event Hubs nyers kattintással streamel adatokat a Azure Functions, és továbbítja a Stream Analytics.
  • Azure Stream Analytics összesítő kattintások közel valós időben, termék, ajánlat és felhasználó szerint. A fájlokba Azure Cosmos DB és nyers kattintással streamelési adatokat archivel az Azure-Storage.
  • Azure Cosmos DB felhasználó, termék szerint tárolja a kattintások összesített adatait, és felhasználói profiladatokat is kínál.
  • Az Azure Storage nyers, nyers kattintással streamelt adatokat tárol a Stream Analytics.
  • Azure Functions beolvassa a webhelyekről származó felhasználói kattintásfolyam-adatokat, és beolvassa a meglévő felhasználói Azure Cosmos DB. Ezek az adatok ezután a Machine Learning webszolgáltatáson keresztül futnak, vagy a Azure Cache for Redis-ban található hideg indítási adatokkal együtt használják a termékaffini-pontszámok beszerzéséhez. A termék-affinitás pontszámai a személyre szabott ajánlat logikájának használatával határozzák meg a felhasználó számára legfontosabb ajánlatokat.
  • Azure Machine Learning segítségével prediktív elemzési megoldásokat tervezhet, tesztelhet, működőképesíthet és kezelhet a felhőben.
  • Azure Cache for Redis előre kiszámított hideg indítású termékaffiniási pontszámokat tárolja az előzmények nélküli felhasználók számára.
  • Power BI lehetővé teszi a felhasználói tevékenység adatainak és ajánlatának vizualizációját az adatok beolvasásával a Cosmos DB.

Következő lépések

Olvassa el a Azure Architecture Center cikkeket:

Lásd a termékdokumentációt:

Próbáljon ki egy Microsoft Learn elérési utat: