Creare soluzioni di marketing personalizzate quasi in tempo reale

Cosmos DB
Hub eventi
Funzioni
Machine Learning
Analisi di flusso

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, inviare un feedback GitHub!

Il marketing personalizzato è essenziale per creare la fedeltà dei clienti e rimanere produttivi. 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.

Gli esperti di mercato che usano sistemi intelligenti e analizzano grandi quantità di dati possono offrire offerte altamente pertinenti e personalizzate a ogni utente, riducendo la confusione e guidando l'engagement. Ad esempio, i rivenditori possono offrire offerte e contenuti in base agli interessi, alle preferenze e all'affinità dei prodotti univoci di ogni cliente, inserendo i prodotti davanti alle persone che con maggiore probabilità li acquistano.

Questa architettura illustra come creare una soluzione per personalizzare le offerte con Funzioni di Azure, Azure Machine Learninge Analisi di flusso di Azure.

Potenziali casi d'uso

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.

Architettura

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

Componenti

  • Hub eventi inserisce dati click-stream non elaborati da 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 in Azure Cosmos DB e archivia anche i dati non elaborati del flusso clic Archiviazione di Azure.
  • Azure Cosmos DB archivia i dati aggregati dei clic per utente, prodotto e offre informazioni sul profilo utente.
  • Archiviazione di Azure archivia i dati di click stream non elaborati archiviati da Analisi di flusso.
  • Funzioni di Azure i dati clickstream degli utenti dai siti Web e legge la cronologia utente esistente da Azure Cosmos DB. 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 i punteggi di affinità del prodotto. I punteggi di affinità del prodotto vengono usati con la logica dell'offerta personalizzata per determinare l'offerta più rilevante 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 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

Vedere la documentazione del prodotto:

Provare un percorso Microsoft Learn seguente:

Leggere altri Centro architetture di Azure seguenti: