Ofertas personalizadas

Hubs de Eventos
Funções
Machine Learning
Armazenamento
Stream Analytics

Ideia da solução

se você quiser nos ver, expanda este artigo com mais informações, como casos de uso em potencial, serviços alternativos, considerações sobre implementação ou diretrizes de preços, fale conosco com GitHub comentários!

No ambiente altamente competitivo e conectado de hoje, as empresas modernas não podem mais sobreviver com conteúdo online estático e genérico. Além disso, as estratégias de marketing que usam ferramentas tradicionais geralmente são caras, difíceis de implementar e não produzem o retorno de investimento desejado. Normalmente, esses sistemas não aproveitam totalmente os dados coletados para criar uma experiência mais personalizada para o usuário.

As ofertas do identificando que são personalizadas para o usuário se tornaram essenciais para a criação de lealdade do cliente e para a lucratividade restante. Em um site de varejo, os clientes desejam sistemas inteligentes que fornecem ofertas e conteúdo com base em seus interesses e preferências exclusivos. As equipes de marketing digital de hoje podem criar essa inteligência usando os dados gerados de todos os tipos de interações do usuário.

Ao analisar grandes quantidades de dados, os comerciantes têm a oportunidade única de fornecer ofertas altamente relevantes e personalizadas para cada usuário. No entanto, criar uma infraestrutura de Big Data confiável e escalonável e desenvolver modelos sofisticados de aprendizado de máquina que se personalizam para cada usuário não é trivial.

Arquitetura

Diagrama de arquitetura Baixe um SVG dessa arquitetura.

Descrição

Economize tempo e permita que um parceiro de SI treinado o ajude com uma prova de conceito, implantação & integração dessa solução.

o Cortana Intelligence Suite fornece ferramentas de análise avançadas por meio de ingestão de dados Microsoft Azure, armazenamento de dados, processamento de dados e componentes de análise avançados – todos os elementos essenciais para a criação de uma solução de oferta personalizada.

Componentes

Essa solução combina vários serviços do Azure para fornecer vantagens poderosas:

  • Os hubs de eventos do Azure coletam dados de consumo em tempo real.
  • Azure Stream Analytics agrega os dados de streaming e os disponibiliza para visualização e atualizações para os dados usados na criação de ofertas personalizadas para o cliente.
  • a API de SQL do Azure CosmosDB armazena as informações de cliente, produto e oferta. na implementação de GitHub, o Azure Document DB foi usado, mas isso pode ser feito usando Azure Cosmos DB API SQL.
  • o Armazenamento do Azure é usado para gerenciar as filas que simulam a interação do usuário.
  • Azure Functions é usado como um coordenador para a simulação do usuário e como a parte central da solução para gerar ofertas personalizadas.
  • Azure Machine Learning implementa e executa o usuário para a pontuação de afinidade do produto, considerando a preferência do usuário e o histórico do produto
  • Quando nenhum histórico de usuário está disponível. O cache do Azure para Redis é usado para fornecer afinidades de produto previamente computadas para o cliente.
  • Power BI painel visualiza a atividade em tempo real para o sistema e com os dados do CosmosDB SQL API o comportamento das várias ofertas.

Fluxo de Dados

  1. a atividade do usuário no site é simulada com uma função do azure e um par de filas de Armazenamento do azure.
  2. A funcionalidade de oferta personalizada é implementada como uma função do Azure.
    • Essa é a função fundamental que une tudo para produzir uma atividade de registro e oferta.
    • os dados são lidos no Cache do azure para Redis e Azure CosmosDB SQL API, as pontuações de afinidade de produto são computadas de Azure Machine Learning
    • Se não existir nenhum histórico para o usuário, as afinidades previamente calculadas serão lidas no cache do Azure para Redis.
  3. dados brutos de atividade do usuário (cliques do produto e da oferta), ofertas feitas aos usuários e dados de desempenho (para Azure Functions e Azure Machine Learning) são enviados para o Hub de eventos do Azure.
  4. A oferta é retornada ao usuário.
    • em nossa simulação, isso é feito por meio da gravação em uma fila de Armazenamento do azure, que é selecionada por uma função do azure para produzir a próxima ação do usuário.
  5. Azure Stream Analytics analisa os dados para fornecer análise quase em tempo real sobre o fluxo de entrada do hub de eventos do Azure.
    • os dados agregados são enviados para a API de SQL do Azure CosmosDB.
    • os dados brutos são enviados para Azure Data Lake Storage.

Próximas etapas