Персонализированные предложения

Центры событий
Функции
Машинное обучение
Служба хранилища
Stream Analytics

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.

В современных высокопроизводительных и подключенных средах современные компании больше не могут содержаться в виде обобщенного статического Интернет-содержимого. Кроме того, маркетинговые стратегии, использующие традиционные средства, часто являются дорогостоящими, сложными для реализации и не создают желаемых результатов инвестиций. Эти системы часто не используют все преимущества собираемых данных для создания более персонализированного интерфейса пользователя.

Отображая предложения, настроенные для пользователя, стали очень важными для создания постоянных клиентов и рентабельности. Пользователям веб-сайта розничной торговли необходимы Интеллектуальные системы, предоставляющие предложения и содержимое на основе их уникальных интересов и предпочтений. Современные группы Digital Marketing могут создать эту аналитику с помощью данных, созданных во всех типах взаимодействий пользователей.

Анализируя огромные объемы данных, маркетинговые продавцы имеют уникальную возможность предоставления высоко релевантных и персонализированных предложений каждому пользователю. Однако создание надежной и масштабируемой инфраструктуры больших данных и разработка сложных моделей машинного обучения, которые персонализированы для каждого пользователя, не являются тривиальными.

Architecture

Схема архитектуры . Скачайте SVG этой архитектуры.

Описание

Сэкономьте время и разрешите обученному партнеру удостоверения, что вы сможете проверить концепцию, развертывание & интеграции этого решения.

Cortana Intelligence Suite предоставляет средства расширенной аналитики с помощью компонентов Microsoft Azure приема данных, хранения данных, обработки данных и расширенной аналитики. все эти элементы являются важными элементами для создания персонализированного решения предложения.

Компоненты

Это решение сочетает несколько служб Azure для предоставления мощных преимуществ.

  • Концентраторы событий Azure собирают данные о потреблении в реальном времени.
  • Azure Stream Analytics выполняет статистическую обработку данных потоковой передачи и делает их доступными для визуализации и обновления данных, используемых для предоставления персонализированных предложений клиенту.
  • Azure CosmosDB SQL API хранит сведения о клиенте, продукте и предложении. в реализации GitHub использовалась база данных Azure, но это можно сделать с помощью API Azure Cosmos DB SQL.
  • служба хранилища Azure используется для управления очередями, имитирующих взаимодействие с пользователем.
  • Функции Azure используются в качестве координатора для моделирования пользователей и в качестве центральной части решения для создания персонализированных предложений.
  • Машинное обучение Azure реализует и выполняет оценку соответствия продукта пользователю, учитывая предпочтения пользователя и журнал продукта.
  • Если журнал пользователя недоступен. Кэш Azure для Redis используется для предоставления сопоставления предварительно вычисленных продуктов для клиента.
  • Power BI панель мониторинга визуализирует активность в реальном времени для системы и с данными из CosmosDB SQL API поведением различных предложений.

Поток данных

  1. действия пользователей на веб-сайте моделируются с помощью функции Azure и пары служба хранилища Azure очередей.
  2. Персонализированная функциональность предложения реализована как функция Azure.
    • Это ключевая функция, связывающая все вместе, чтобы создать предложение и записать действия.
    • данные считываются из кэша Azure для Redis и azure CosmosDB SQL API, оценки соответствия продуктов вычисляются из Машинное обучение Azure
    • Если журнал для пользователя не существует, предварительно вычисленные сопоставления будут считываться из кэша Azure для Redis.
  3. данные о действиях необработанных пользователей (щелчки продукта и предложения), предложения для пользователей и данные о производительности (для функций Azure и Машинное обучение Azure) отправляются в концентратор событий azure.
  4. Предложение возвращается пользователю.
    • в нашем случае это делается путем записи в очередь служба хранилища Azure, которая выбирается функцией Azure для создания следующего действия пользователя.
  5. Azure Stream Analytics анализирует данные, чтобы обеспечить аналитику практически в реальном времени во входном потоке из концентратора событий Azure.
    • агрегированные данные отправляются в API Azure CosmosDB SQL.
    • необработанные данные отправляются в Azure Data Lake Storage.

Дальнейшие действия