Gepersonaliseerde marketingoplossingen in bijna realtime maken

Cache voor Redis
Cosmos DB
Event Hubs
Functions
Machine Learning
Storage Accounts
Stream Analytics
Power BI

Oplossingsidee

Als u wilt dat we dit artikel uitbreiden met meer informatie, zoals mogelijke use cases, alternatieve services, implementatieoverwegingen of prijsinformatie, laat het ons dan weten met GitHub Feedback!

Persoonlijke marketing is essentieel voor het opbouwen van klantloyaliteit en het resterende rendement. Het is moeilijker dan ooit om klanten te bereiken en ze te laten deelnemen en algemene aanbiedingen kunnen eenvoudig worden gemist of genegeerd. De huidige marketingsystemen profiteren niet van gegevens die dit probleem kunnen oplossen.

Marketeers die intelligente systemen gebruiken en enorme hoeveelheden gegevens analyseren, kunnen zeer relevante en gepersonaliseerde aanbiedingen bieden aan elke gebruiker, zodat ze de onoverzichtelijk worden en de betrokkenheid stimuleren. Detailhandelaren kunnen bijvoorbeeld aanbiedingen en inhoud bieden op basis van de unieke interesses, voorkeuren en productinfiniteit van elke klant, waardoor producten voor de mensen staan die ze waarschijnlijk zullen kopen.

Door uw aanbiedingen te personaliseren, biedt u een afzonderlijke ervaring voor huidige en potentiƫle klanten, waardoor de betrokkenheid wordt versterkt en de klantconversie, levensduurwaarde en retentie worden verbeterd. Deze oplossing laat zien hoe u een oplossing kunt maken voor het personaliseren van aanbiedingen met Azure Functions, Azure Machine Learningen Azure Stream Analytics.

Architectuur

Architectuurdiagram: aanbiedingen personaliseren met machine learning en bijna realtime analyses. Download een SVG van deze architectuur.

Onderdelen

  • Event Hubs onbewerkte klikstroomgegevens op van Azure Functions en geeft deze door aan Stream Analytics.
  • Azure Stream Analytics klikt bijna in realtime op product, aanbieding en gebruiker. Schrijft naar Azure Cosmos DB en archiveren ook onbewerkte klikstroomgegevens naar Azure Storage.
  • Azure Cosmos DB opgeslagen geaggregeerde gegevens van klikken per gebruiker, product en biedt gebruikersprofielgegevens.
  • Azure Storage worden gearchiveerde onbewerkte klikstroomgegevens uit Stream Analytics.
  • Azure Functions haalt gebruikers clickstreamgegevens van websites op en leest de bestaande gebruikersgeschiedenis uit Azure Cosmos DB. Deze gegevens worden vervolgens uitgevoerd via de Machine Learning-webservice of worden samen met de koude-startgegevens in Azure Cache voor Redis om scores voor product-affiniteit te verkrijgen. Product-affiniteitsscores worden gebruikt met de logica voor gepersonaliseerde aanbiedingen om te bepalen welke aanbieding het meest relevant is voor de gebruiker.
  • Azure Machine Learning helpt u bij het ontwerpen, testen, operationeel maken en beheren van predictive analytics-oplossingen in de cloud.
  • Azure Cache voor Redis worden vooraf berekende cold-start product-affiniteitsscores opgeslagen voor gebruikers zonder geschiedenis.
  • Power BI maakt visualisatie mogelijk van gebruikersactiviteitgegevens en aanbiedingen die worden gepresenteerd door gegevens in te lezen uit Cosmos DB.

Volgende stappen

Lees andere Azure Architecture Center artikelen:

Zie productdocumentatie:

Probeer een Microsoft Learn pad: