Rekomendacje produktów dla handlu detalicznego z użyciem platformy Azure

Blob Storage
Event Hubs
HDInsight
Stream Analytics
Power BI

Pomysł rozwiązania Solution Idea

Jeśli chcesz się dowiedzieć, Rozszerz ten artykuł, aby uzyskać więcej informacji, szczegóły dotyczące implementacji, wskazówki dotyczące cen lub przykłady kodu, powiadom nas o opinii usługi GitHub.If you'd like to see us expand this article with more information, implementation details, pricing guidance, or code examples, let us know with GitHub Feedback!

Dokładne zrozumienie między zainteresowaniami klientów i wzorcami zakupów jest krytycznym składnikiem każdej operacji analizy biznesowej w ramach sprzedaży detalicznej.A deep understanding between customer interests and purchasing patterns is a critical component of any retail business intelligence operation. To rozwiązanie implementuje proces agregowania danych klienta w pełny profil i korzysta z zaawansowanych modeli uczenia maszynowego wspieranych przez niezawodność i moc obliczeniową platformy Azure, aby zapewnić predykcyjne analizy dotyczące symulowanych klientów.This solution implements a process of aggregating customer data into a complete profile, and uses advanced machine learning models backed by the reliability and processing power of Azure to provide predictive insights on simulated customers.

ArchitekturaArchitecture

Diagram architektury Pobiera plik SVG z tej architektury.Architecture diagram Download an SVG of this architecture.

OpisDescription

Aby uzyskać więcej informacji o tym, jak to rozwiązanie zostało skompilowane, odwiedź Przewodnik po rozwiązaniu w witrynie GitHub.For more details on how this solution is built, visit the solution guide in GitHub.

Typowa firma detaliczna zbiera dane klientów za pośrednictwem różnych kanałów, w tym wzorców przeglądania sieci Web, zachowań zakupu, demograficznych i innych danych sieci Web opartych na sesji.A typical retail business collects customer data through a variety of channels, including web-browsing patterns, purchase behaviors, demographics, and other session-based web data. Niektóre dane pochodzą z podstawowych operacji roboczych, ale inne dane muszą zostać pobrane i połączone ze źródłami zewnętrznymi, takimi jak partnerzy, producenci, domena publiczna itp.Some of the data originates from core business operations, but other data must be pulled and joined from external sources like partners, manufacturers, public domain, etc.

Wiele firm wykorzystuje tylko niewielką część dostępnych danych, ale w celu zmaksymalizowania zwrotu z inwestycji firma musi zintegrować odpowiednie dane ze wszystkich źródeł.Many businesses leverage only a small portion of the available data, but in order to maximize ROI, a business must integrate relevant data from all sources. Tradycyjnie, integracja zewnętrznych, heterogenicznych źródeł danych z udostępnionym aparatem przetwarzania danych wymagała znacznego wysiłku i zasobów do skonfigurowania.Traditionally, the integration of external, heterogeneous data sources into a shared data processing engine has required significant effort and resources to set up. To rozwiązanie opisuje proste i skalowalne podejście do integracji analiz i uczenia maszynowego w celu przewidywania działań związanych z zakupem klientów.This solution describes a simple, scalable approach to integrating analytics and machine learning to predict customer purchasing activity.

To rozwiązanie rozwiązuje powyższe problemy w następujący sposób:This solution addresses the above problems by:

  • Jednakowe uzyskiwanie dostępu do danych z wielu źródeł danych przy jednoczesnym zminimalizowaniu przenoszenia danych i złożoności systemu w celu zwiększenia wydajności.Uniformly accessing data from multiple data sources while minimizing data movement and system complexity in order to boost performance.
  • Wykonywanie operacji ETL i inżynieria funkcji wymagało zastosowania modelu Machine Learning predykcyjnego.Performing ETL and feature engineering needed to use a predictive Machine Learning model.
  • Tworzenie kompleksowego profilu klienta 360 wzbogaconego o analizę predykcyjną działającą w systemie rozproszonym za pomocą Microsoft R Server i usługi Azure HDInsight.Creating a comprehensive customer 360 profile enriched by predictive analytics running across a distributed system backed by Microsoft R Server and Azure HDInsight.

Przepływ danychData Flow

  1. Wytwornice generatora danych symulują zdarzenia klientów do centrum zdarzeńA Data Generator pipes simulated customer events to an Event Hub
  2. Zadanie Stream Analytics odczytuje z centrum EventHub, wykonuje agregacjeA Stream Analytics job reads from the EventHub, performs aggregations
  3. Stream Analytics utrzymuje Dane pogrupowane w czasie do Azure Storage BlobStream Analytics persists time-grouped data to an Azure Storage Blob
  4. Zadanie Spark uruchomione w usłudze HDInsight Scala najnowsze dane przeglądania klienta z historycznymi danymi zakupu i demograficznymi w celu utworzenia skonsolidowanego profilu użytkownikaA Spark job running in HDInsight merges the latest customer browsing data with historical purchase and demographic data to build a consolidated user profile
  5. Drugie zadanie platformy Spark ocenia każdy profil klienta w odniesieniu do modelu uczenia maszynowego, aby przewidzieć przyszłe wzorce zakupów (innymi słowy, czy klient może dokonać zakupu w ciągu następnych 30 dni, a jeśli tak, w której kategorii produktów?)A second Spark job scores each customer profile against a machine learning model to predict future purchasing patterns (in other words, is a given customer likely to make a purchase in the next 30 days, and if so, in which product category?)
  6. Prognozy i inne dane profilowe są wizualizowane i udostępniane jako wykresy i tabele w Power BI onlinePredictions and other profile data are visualized and shared as charts and tables in Power BI Online