Персонализированные решения для маркетингаPersonalized marketing solutions

Концепция решения Solution Idea

Если вы хотите ознакомиться с этой статьей, дополнительные сведения (сведения о реализации, рекомендации по ценам, примеры кода и т. д.), сообщите нам о отзывах в GitHub!If you'd like to see us expand this article with more information (implementation details, pricing guidance, code examples, etc), let us know with GitHub Feedback!

Персонализированные маркетинговые материалы необходимы для создания постоянных клиентов и оставшегося прибыльности.Personalized marketing is essential for building customer loyalty and remaining profitable. Достижение клиентов и их привлечение к работе сложнее, а универсальные предложения легко пропускают или игнорируются.Reaching customers and getting them to engage is harder than ever, and generic offers are easily missed or ignored. Текущие маркетинговые системы не используют преимущества данных, которые могут помочь решить эту проблему.Current marketing systems fail to take advantage of data that can help solve this problem.

С помощью интеллектуальных систем и анализа огромных объемов данных можно предоставить высокорелевантные и персонализированные предложения каждому пользователю.Marketers using intelligent systems and analyzing massive amounts of data can deliver highly relevant and personalized offers to each user, cutting through the clutter and driving engagement. Например, розничные продавцы могут предоставлять предложения и содержимое на основе уникальных интересов и предпочтений каждого клиента, помещая продукты перед пользователями, которые, скорее всего, будут покупать их.For example, retailers can provide offers and content based on each customer's unique interests and preferences, putting products in front of the people most likely to buy them.

Назначая собственные предложения, вы предоставляете индивидуальный опыт для каждого существующего или потенциального клиента, повышая перспективу и повышая преобразование клиентов, время существования и срок хранения.By personalizing your offers, you'll deliver an individualized experience for every current or prospective customer, boosting engagement and improving customer conversion, lifetime value, and retention.

ArchitectureArchitecture

Схема архитектуры . Скачайте SVG этой архитектуры.Architecture Diagram Download an SVG of this architecture.

КомпонентыComponents

  • Концентраторы событий принимают необработанные данные о щелчке в потоке из функций и передают их в Stream Analytics.Event Hubs ingests raw click-stream data from Functions and passes it on to Stream Analytics.
  • Azure Stream Analytics: Stream Analytics выполняет статистическую обработку щелчков практически в реальном времени по продуктам, предложениям и пользователям для записи в Azure Cosmos DB, а также архивирует необработанные данные по щелчку в службе хранилища Azure.Azure Stream Analytics: Stream Analytics aggregates clicks in near real-time by product, offer, and user to write to Azure Cosmos DB and also archives raw click-stream data to Azure Storage.
  • Azure Cosmos DB хранит агрегированные данные щелчков по пользователю, продукту и предложению, а также сведения о профиле пользователя.Azure Cosmos DB stores aggregated data of clicks by user, product, and offer as well as user-profile information.
  • Учетные записи хранения. хранилища Azure заархивированные необработанные данные щелчка в потоке Stream Analytics.Storage Accounts: Azure Storage stores archived raw click-stream data from Stream Analytics.
  • Функции Azure принимают данные пользователя навигации с веб-сайта и считывают существующий журнал пользователей из Azure Cosmos DB.Azure Functions takes in user clickstream data from website and reads existing user history from 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.These data are then run through the Machine Learning web service or used along with the cold-start data in Azure Cache for Redis to obtain product-affinity scores. Оценки сходства продуктов используются с логикой персонализированного предложения для определения наиболее подходящего предложения для пользователя.Product-affinity scores are used with the personalized-offer logic to determine the most relevant offer to present to the user.
  • Машинное обучение Studio: машинное обучение помогает легко проектировать, тестировать, эксплуатацию и управлять решениями прогнозной аналитики в облаке.Machine Learning Studio: Machine Learning helps you easily design, test, operationalize, and manage predictive analytics solutions in the cloud.
  • Кэш Azure для Redis хранит предварительно вычисленные оценки соответствия для холодного запуска продукта для пользователей без ведения журнала.Azure Cache for Redis stores pre-computed cold-start product affinity scores for users without history.
  • Power BI Визуализируются данные о действиях пользователей, а также предложения, представленные чтением данных из Cosmos DB.Power BI Visualizes user activity data as well as offers presented by reading in data from Cosmos DB.

Дальнейшие действияNext steps