거의 실시간으로 맞춤형 마케팅 솔루션 만들기

Cosmos DB
Event Hubs
Functions
Machine Learning
Stream Analytics

솔루션 아이디어

잠재적 사용 사례, 대체 서비스, 구현 고려 사항 또는 가격 책정 지침과 같은 추가 정보로 이 문서를 확장하려는 경우 GitHub 피드백을 통해 알려주세요!

맞춤형 마케팅은 고객 충성도를 구축하고 수익성을 유지하는 데 필수적입니다. 고객에게 도달하고 참여를 유도하는 것은 그 어느 때보다 어렵고 일반 제품은 쉽게 놓치거나 무시됩니다. 현재 마케팅 시스템은 이 문제를 해결하는 데 도움이 되는 데이터를 활용하지 못합니다.

지능형 시스템을 사용하고 대량의 데이터를 분석하는 마케터는 각 사용자에게 관련성이 높고 개인화된 제품을 제공하여 혼란을 극복하고 참여를 유도할 수 있습니다. 예를 들어 소매업체는 각 고객의 고유한 관심사, 선호도 및 제품 선호도에 따라 제품과 콘텐츠를 제공하여 제품을 구매할 가능성이 가장 높은 사람들 앞에 놓을 수 있습니다.

이 아키텍처는 Azure Functions, Azure Machine LearningAzure Stream Analytics를 사용하여 제품을 개인화하는 솔루션을 만드는 방법을 보여 줍니다.

잠재적인 사용 사례

제품을 개인 설정하면 현재 및 잠재 고객을 위한 개별화된 환경을 제공하여 참여를 높이고 고객 전환, 수명 가치 및 보존을 개선합니다.

아키텍처

Architecture diagram: personalizing offers with machine learning and near real time analytics.이 아키텍처의 SVG 를 다운로드합니다.

데이터 흐름

  • Event Hubs는 Azure Functions 원시 클릭 스트림 데이터를 수집하고 Stream Analytics에 전달합니다.
  • Azure Stream Analytics는 제품, 제품 및 사용자별로 거의 실시간으로 클릭을 집계합니다. Azure Cosmos DB에 쓰고 원시 클릭 스트림 데이터를 보관하여 Azure Storage.
  • Azure Cosmos DB는 사용자, 제품별로 집계된 클릭 데이터를 저장하고 사용자 프로필 정보를 제공합니다.
  • Azure Storage Stream Analytics에서 보관된 원시 클릭 스트림 데이터를 저장합니다.
  • Azure Functions 웹 사이트에서 사용자 클릭 스트림 데이터를 가져와서 Azure Cosmos DB에서 기존 사용자 기록을 읽습니다. 그런 다음 이러한 데이터는 Machine Learning 웹 서비스를 통해 실행되거나 Azure Cache for Redis 콜드 시작 데이터와 함께 사용하여 제품 선호도 점수를 얻습니다. 제품 선호도 점수는 개인 설정된 제품 논리와 함께 사용되어 사용자에게 제공할 가장 관련성이 높은 제품을 결정합니다.
  • Azure Machine Learning 클라우드에서 예측 분석 솔루션을 디자인, 테스트, 운영 및 관리하는 데 도움이 됩니다.
  • Azure Cache for Redis 기록 없는 사용자의 미리 계산된 콜드 스타트 제품 선호도 점수를 저장합니다.
  • Power BI Cosmos DB의 데이터를 읽어 사용자 활동 데이터 및 제품을 시각화할 수 있습니다.

구성 요소

다음 단계

제품 설명서를 참조하세요.

Microsoft Learn 경로를 사용해 보세요.

다른 Azure 아키텍처 센터 문서를 읽어보세요.