Creare soluzioni di marketing personalizzate quasi in tempo reale

Cache per Redis
Cosmos DB
Hub eventi
Funzioni
Machine Learning
Account di archiviazione
Analisi di flusso
Power BI

Idea della soluzione

Se si desidera vedere questo articolo con altre informazioni, ad esempio potenziali casi d'uso, servizi alternativi, considerazioni sull'implementazione o linee guida sui prezzi, è possibile inviare commenti e suggerimenti GitHub!

Il marketing personalizzato è essenziale per creare la fedeltà dei clienti e rimanere profittevole. Raggiungere i clienti e coinvolgerli è più difficile che mai e le offerte generiche vengono facilmente perse o ignorate. Gli attuali sistemi di marketing non riescono a sfruttare i dati che possono aiutare a risolvere questo problema.

I marketer che usano sistemi intelligenti e analizzano enormi quantità di dati possono offrire offerte altamente pertinenti e personalizzate a ogni utente, riducendo il disordine e guidando l'engagement. Ad esempio, i rivenditori possono offrire offerte e contenuti in base agli interessi, alle preferenze e all'affinità di prodotto univoci di ogni cliente, mettendo i prodotti davanti alle persone con maggiore probabilità di acquistarli.

Personalizzando le offerte, si offrirà un'esperienza personalizzata per i clienti attuali e potenziali, aumentando l'engagement e migliorando la conversione dei clienti, il valore di durata e la fidelizzazione. Questa soluzione illustra come creare una soluzione personalizzando le offerte con Funzioni di Azure , Azure Machine Learninge Analisi di flusso di Azure.

Architettura

Diagramma dell'architettura: personalizzazione delle offerte con Machine Learning e analisi quasi in tempo reale. Scaricare un SVG di questa architettura.

Componenti

  • Hub eventi inserisce i dati non elaborati del flusso di clic Funzioni di Azure e li passa ad Analisi di flusso.
  • Analisi di flusso di Azure aggrega i clic quasi in tempo reale per prodotto, offerta e utente. Scrive nel database Cosmos Azure e archivia anche i dati non elaborati del flusso di clic Archiviazione di Azure.
  • Azure Cosmos database archivia i dati aggregati dei clic in base all'utente, al prodotto e offre informazioni sul profilo utente.
  • Archiviazione di Azure archivia i dati di flusso click non elaborati archiviati da Analisi di flusso.
  • Funzioni di Azure dati clickstream utente dai siti Web e legge la cronologia utente esistente da Azure Cosmos DATABASE. Questi dati vengono quindi eseguiti tramite il servizio Web Machine Learning o usati insieme ai dati di avvio a freddo in cache di Azure per Redis per ottenere punteggi di affinità di prodotto. I punteggi di affinità del prodotto vengono usati con la logica dell'offerta personalizzata per determinare l'offerta più pertinente da presentare all'utente.
  • Azure Machine Learning consente di progettare, testare, operazionare e gestire soluzioni di analisi predittiva nel cloud.
  • cache di Azure per Redis archivia i punteggi di affinità dei prodotti pre-calcolati ad avvio a freddo per gli utenti senza cronologia.
  • Power BI consente la visualizzazione dei dati delle attività utente e delle offerte presentate leggendo i dati Cosmos DATABASE.

Passaggi successivi

Leggere altri Centro architetture di Azure articoli:

Vedere la documentazione del prodotto:

Provare un Microsoft Learn percorso: