Создавайте персонализированные маркетинговые решения практически в реальном времени

Кэш для Redis
Cosmos DB
Центры событий
Функции
Машинное обучение
Учетные записи хранения
Stream Analytics
Power BI

Концепция решения

если вы хотите узнать больше о том, как получить дополнительные сведения о возможных вариантах использования, альтернативных службах, рекомендациях по реализации или ценах, сообщите нам о GitHub.

Персонализированные маркетинговые материалы необходимы для создания постоянных клиентов и оставшегося прибыльности. Достижение клиентов и их привлечение к работе сложнее, а универсальные предложения легко пропускают или игнорируются. Текущие маркетинговые системы не используют преимущества данных, которые могут помочь решить эту проблему.

С помощью интеллектуальных систем и анализа огромных объемов данных можно предоставить высокорелевантные и персонализированные предложения каждому пользователю. Например, розничные продавцы могут предоставлять предложения и содержимое на основе уникальных интересов каждого клиента, предпочтений и сходства продуктов, помещая продукты перед пользователями, которые, скорее всего, будут покупать их.

Назначая собственные предложения, вы предоставляете индивидуальный опыт для текущих и потенциальных клиентов, повышая перспективу и повышая преобразование клиентов, время существования и срок хранения. в этом решении показано, как можно создать настраиваемые предложения для решения задач Azure, Машинное обучение Azureи Azure Stream Analytics.

Architecture

Схема архитектуры. Персонализация предложений с помощью машинного обучения и аналитики практически в реальном времени. Скачайте SVG этой архитектуры.

Компоненты

  • Концентраторы событий принимают необработанные данные щелчков из функций Azure и передают их в Stream Analytics.
  • Azure Stream Analytics выполняет вычисления почти в реальном времени по продуктам, предложениям и пользователям. выполняет запись в Azure Cosmos DB, а также архивирует необработанные данные щелчка по потоку для служба хранилища Azure.
  • Azure Cosmos DB хранит агрегированные данные щелчков по пользователю, продукту и предоставляет сведения о профиле пользователя.
  • служба хранилища Azure сохраняет архивные данные необработанного щелчка из Stream Analytics.
  • функции Azure принимают данные пользователя навигации с веб-сайтов и считывают существующий журнал пользователей из Azure Cosmos DB. затем эти данные выполняются через веб-службу Машинное обучение или используются вместе с данными холодного запуска в кэше Azure для Redis для получения оценок соответствия продуктов. Оценки сходства продуктов используются с логикой персонализированного предложения для определения наиболее подходящего предложения для пользователя.
  • Машинное обучение Azure помогает проектировать, тестировать, эксплуатацию и управлять решениями прогнозной аналитики в облаке.
  • Кэш Azure для Redis хранит предварительно вычисленные оценки соответствия для холодного запуска продукта для пользователей без ведения журнала.
  • Power BI позволяет визуализировать данные о действиях пользователей и предложения, представленные в статье чтение данных из Cosmos DB.

Дальнейшие действия

Прочитайте другие Центр архитектуры Azure статьи:

См. документацию по продукту:

Попробуйте Microsoft Learn путь: