Gepersonaliseerde aanbiedingen

Event Hubs
Functions
Machine Learning
Storage
Stream Analytics

Oplossingsidee

Als u graag 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!

In de huidige zeer concurrerende en verbonden omgeving kunnen moderne bedrijven niet langer overleven met algemene, statische online inhoud. Bovendien zijn marketingstrategieën die traditionele hulpprogramma's gebruiken vaak duur, moeilijk te implementeren en produceren ze niet het gewenste rendement op investeringen. Deze systemen profiteren vaak niet optimaal van de verzamelde gegevens om een meer persoonlijke ervaring voor de gebruiker te creëren.

Het maken van aanbiedingen die voor de gebruiker zijn aangepast, is essentieel geworden voor het opbouwen van klantloyaliteit en het resterende rendement. Op een retailwebsite willen klanten intelligente systemen die aanbiedingen en inhoud bieden, op basis van hun unieke interesses en voorkeuren. De digitale marketingteams van tegenwoordig kunnen deze intelligentie bouwen met behulp van de gegevens die zijn gegenereerd op basis van alle soorten gebruikersinteracties.

Door enorme hoeveelheden gegevens te analyseren, hebben marketeers de unieke mogelijkheid om zeer relevante en gepersonaliseerde aanbiedingen aan elke gebruiker te leveren. Het bouwen van een betrouwbare en schaalbare big data infrastructuur en het ontwikkelen van geavanceerde machine learning modellen die aan elke gebruiker worden personaliseren, is echter niet eenvoudig.

Architectuur

ArchitectuurdiagramDownload een SVG van deze architectuur.

Gegevensstroom

  1. Gebruikersactiviteit op de website wordt gesimuleerd met een Azure-functie en een paar Azure Storage wachtrijen.
  2. De functionaliteit van gepersonaliseerde aanbiedingen wordt geïmplementeerd als een Azure-functie.
    • Dit is de belangrijkste functie die alles met elkaar verbindt om een aanbieding te produceren en activiteiten vast te registreren.
    • Gegevens worden ingelezen uit Azure Cache voor Redis Azure CosmosDB SQL-API, scores voor product-affiniteit worden berekend op Azure Machine Learning
    • Als er geen geschiedenis voor de gebruiker bestaat, worden vooraf berekende affiniteiten uit de Azure Cache voor Redis.
  3. Onbewerkte gebruikersactiviteitsgegevens (klikken op producten en aanbiedingen), aanbiedingen die aan gebruikers worden gedaan en prestatiegegevens (voor Azure Functions en Azure Machine Learning) worden verzonden naar Azure Event Hub.
  4. De aanbieding wordt geretourneerd naar de gebruiker.
    • In onze simulatie wordt dit proces uitgevoerd door te schrijven naar een Azure Storage-wachtrij, die wordt opgehaald door een Azure-functie om de volgende gebruikersactie te produceren.
  5. Azure Stream Analytics analyseert de gegevens om bijna realtime analyses te bieden voor de invoerstroom van de Azure Event Hub.
    • De geaggregeerde gegevens worden verzonden naar azure CosmosDB SQL API.
    • De onbewerkte gegevens worden verzonden naar Azure Data Lake Storage.

Onderdelen

Deze oplossing combineert verschillende Azure-services om krachtige voordelen te bieden:

  • Azure Event Hubs verzamelt realtime verbruiksgegevens.
  • Azure Stream Analytics worden de streaminggegevens geaggregeerd en beschikbaar gemaakt voor visualisatie en updates van de gegevens die worden gebruikt bij het maken van persoonlijke aanbiedingen aan de klant.
  • Azure CosmosDB SQL API slaat de klant-, product- en aanbiedingsinformatie op. In de GitHub is Azure Document DB gebruikt, maar deze opslag kan ook worden bereikt met behulp van Azure Cosmos DB SQL API.
  • Azure Storage wordt gebruikt voor het beheren van de wachtrijen die gebruikersinteractie simuleren.
  • Azure Functions wordt gebruikt als coördinator voor de gebruikerssimulatie en als het centrale gedeelte van de oplossing voor het genereren van persoonlijke aanbiedingen.
  • Azure Machine Learning implementeert en voert de gebruiker uit op het scoren van product affiniteit, door rekening te houden met gebruikersvoorkeur en productgeschiedenis
  • Wanneer er geen gebruikersgeschiedenis beschikbaar is. Azure Cache voor Redis wordt gebruikt om vooraf berekende productgegevens voor de klant te bieden.
  • Power BI Dashboard visualiseert de realtime activiteit voor het systeem en met de gegevens van CosmosDB SQL API het gedrag van de verschillende aanbiedingen.

Oplossingsdetails

Bespaar tijd en laat een getrainde SI-partner u helpen met een proof of concept, implementatie en integratie van deze oplossing.

Microsoft Azure biedt geavanceerde analysehulpprogramma's , gegevensingestie, gegevensopslag, gegevensverwerking en geavanceerde analyseonderdelen, alle essentiële elementen voor het bouwen van een gepersonaliseerde aanbiedingsoplossing.

Volgende stappen