Productaanbevelingen voor Retail met Azure

Blob Storage
Event Hubs
HDInsight
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!

Een diepgaand begrip tussen de interesses van klanten en aankooppatronen is een essentieel onderdeel van elke retailbewerking business intelligence bedrijf. Met deze oplossing wordt een proces geïmplementeerd waarbij klantgegevens worden samengevoegd in een volledig profiel en waarbij gebruik wordt gemaakt van geavanceerde machine learning-modellen die worden ondersteund door de betrouwbaarheid en verwerkingskracht van Azure om voorspellende inzichten te bieden over gesimuleerde klanten.

Architectuur

Architectuurdiagram Download een SVG van deze architectuur.

Description

Voor meer informatie over hoe deze oplossing wordt gebouwd, gaat u naar de oplossingshandleiding in GitHub.

Een typisch retailbedrijf verzamelt klantgegevens via diverse kanalen, waaronder patronen voor surfen op internet, aankoopgedrag, demografische gegevens en andere sessiegebaseerde webgegevens. Sommige van de gegevens zijn afkomstig van de belangrijkste bedrijfsactiviteiten, maar andere gegevens moeten worden binnengehaald en samengevoegd uit externe bronnen, zoals partners, fabrikanten, openbare domeinen, enzovoort.

Veel bedrijven maken gebruik van slechts een klein deel van de beschikbare gegevens, maar om het rendement te maximaliseren, moet een bedrijf relevante gegevens uit alle bronnen integreren. Traditioneel vereist de integratie van externe, heterogene gegevensbronnen in een engine voor gedeelde gegevensverwerking aanzienlijke inspanningen en resources om in te stellen. Deze oplossing beschrijft een eenvoudige, schaalbare benadering voor het integreren van analyses en machine learning het voorspellen van de aankoopactiviteit van klanten.

Met deze oplossing worden de bovenstaande problemen opgelost door:

  • Uniforme toegang tot gegevens uit meerdere gegevensbronnen, terwijl de verplaatsing van gegevens en de complexiteit van het systeem worden geminimaliteit om de prestaties te verbeteren.
  • ETL en feature engineering die nodig zijn om een voorspellend Machine Learning gebruiken.
  • Het maken van een uitgebreid klantprofiel 360 verrijkt door predictive analytics uitgevoerd in een gedistribueerd systeem dat wordt Microsoft R Server en Azure HDInsight.

Gegevensstroom

  1. Een gegevensgenerator pijpt gesimuleerde klantgebeurtenissen naar een Event Hub
  2. Een Stream Analytics taak leest uit de EventHub, voert aggregaties uit
  3. Stream Analytics worden tijdsgegroepeerde gegevens opgeslagen in Azure Storage blob
  4. Een Spark-taak die wordt uitgevoerd in HDInsight voegt de meest recente browsegegevens van klanten samen met historische aankoop- en demografische gegevens om een geconsolideerd gebruikersprofiel te maken
  5. Een tweede Spark-taak scores elk klantprofiel op een machine learning-model om toekomstige aankooppatronen te voorspellen (met andere woorden, is een bepaalde klant waarschijnlijk een aankoop te doen in de komende 30 dagen, en zo ja, in welke productcategorie?)
  6. Voorspellingen en andere profielgegevens worden gevisualiseerd en gedeeld als grafieken en tabellen in Power BI Online

Onderdelen

Volgende stappen