Tworzenie spersonalizowanych rozwiązań marketingowych w czasie niemal rzeczywistym

Cache for Redis
Cosmos DB
Event Hubs
Funkcje
Usługa Machine Learning
Konta magazynu
Stream Analytics
Power BI

Pomysł na rozwiązanie

Jeśli chcesz, abyśmy rozszerzyli ten artykuł o więcej informacji, takich jak potencjalne przypadki użycia, alternatywne usługi, zagadnienia dotyczące implementacji lub wskazówki dotyczące cen, daj nam znać, GitHub opinie!

Spersonalizowany marketing jest niezbędny do budowania lojalności klientów i zyskownych klientów. Dotarcie do klientów i zaangażowanie ich jest trudniejsze niż kiedykolwiek wcześniej, a oferty ogólne można łatwo pominąć lub zignorować. Bieżące systemy marketingowe nie mogą wykorzystać danych, które mogą pomóc w rozwiązaniu tego problemu.

Marketerzy korzystający z inteligentnych systemów i analizowania ogromnych ilości danych mogą dostarczać wysoce istotne i spersonalizowane oferty dla każdego użytkownika, aby zaciekły i napędzać zaangażowanie. Na przykład sprzedawcy detaliczni mogą dostarczać oferty i zawartość na podstawie unikatowych zainteresowań, preferencji i koligacji produktów poszczególnych klientów, umieszczając produkty przed osobami, które najprawdopodobniej je kupią.

Personalizując oferty, dostarczasz indywidualne środowisko dla obecnych i potencjalnych klientów, zwiększając zaangażowanie i poprawiając konwersję klientów, wartość okresu istnienia i przechowywanie. To rozwiązanie pokazuje, jak można utworzyć oferty personalizacji rozwiązań za pomocą Azure Functions, Azure Machine Learningi Azure Stream Analytics.

Architektura

Diagram architektury: personalizowanie ofert za pomocą uczenia maszynowego i analizy niemal w czasie rzeczywistym. Pobierz format SVG tej architektury.

Składniki

  • Event Hubs pozyska nieprzetworzone dane strumienia kliknięcia z Azure Functions i przekazuje je do Stream Analytics.
  • Azure Stream Analytics agreguje kliknięcia niemal w czasie rzeczywistym według produktu, oferty i użytkownika. Zapisuje dane w usłudze Azure Cosmos DB, a także archiwiuje nieprzetworzone dane strumienia kliknięcia do usługi Azure Storage.
  • Usługa Azure Cosmos DB przechowuje zagregowane dane kliknięć według użytkownika, produktu i oferuje informacje o profilu użytkownika.
  • Usługa Azure Storage przechowuje zarchiwizowane nieprzetworzone dane strumienia kliknięcia z Stream Analytics.
  • Azure Functions pobiera dane strumienia kliknij użytkownika z witryn internetowych i odczytuje istniejącą historię użytkownika z usługi Azure Cosmos DB. Te dane są następnie uruchamiane za pośrednictwem Machine Learning sieci Web lub używane razem z danymi zimnego startu w usłudze Azure Cache for Redis w celu uzyskania wyników koligacji produktu. Wyniki koligacji produktu są używane z logiką spersonalizowanej oferty w celu określenia najbardziej odpowiedniej oferty do przedstawienia użytkownikowi.
  • Azure Machine Learning pomaga projektować, testować, zoperacyjnie i zarządzać rozwiązaniami analizy predykcyjnej w chmurze.
  • Azure Cache for Redis przechowuje wstępnie obliczone wyniki koligacji produktu z zimnym startem dla użytkowników bez historii.
  • Power BI wizualizację danych aktywności użytkownika i ofert prezentowanych przez odczytywanie danych z Cosmos DB.

Następne kroki

Przeczytaj inne Centrum architektury platformy Azure artykułów:

Zobacz dokumentację produktu:

Wypróbuj ścieżkę Microsoft Learn: