Рекомендации по продуктам Azure для использования в розничной торговле

Хранилище BLOB-объектов
Центры событий
HDInsight
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.

Глубокое понимание интересов клиентов и шаблонов закупок является важнейшим компонентом любой операции бизнес-аналитики в розничной торговле. Это решение реализует процесс агрегирования данных клиента в полный профиль. Расширенные модели машинного обучения поддерживаются надежностью и вычислительной мощностью Azure для предоставления прогнозной аналитики для имитации клиентов.

Architecture

Схема архитектуры. Скачайте SVG этой архитектуры.

Поток данных

  1. Генератор данных моделирует события клиента в концентраторе событий.
  2. Stream Analytics задание считывает данные из концентратора событий и выполняет статистические вычисления.
  3. Stream Analytics сохраняет данные, сгруппированные по времени, в Blob-объект служба хранилища Azure
  4. Задание Spark, выполняемое в HDInsight, объединяет последние данные обзора клиентов с историческими данными о покупках и демографических данных для создания комбинированного профиля пользователя.
  5. Второе задание Spark оценивает каждый профиль клиента по модели машинного обучения. Этот процесс прогнозирует будущие шаблоны покупки, которые определяют, может ли данный клиент выполнить покупку в течение следующих 30 дней. В этом случае можно определить, в какой категории продукта будет производиться покупка.
  6. прогнозы и другие данные профиля отображаются и совместно используются в виде диаграмм и таблиц в Power BI в сети.

Components

Развертывание этого сценария

Дополнительные сведения о построении этого решения см. в GitHub.

Типичная розничная бизнес-деятельность собирает данные клиентов через различные каналы. К этим каналам относятся шаблоны веб-обзора, поведения при покупке, демографические данные и другие веб-сведения, основанные на сеансах. Некоторые данные поступают от основных бизнес-операций. Однако другие данные должны быть извлечены и присоединены из внешних источников, таких как партнеры, производители, общедоступные домены и т. д.

Многие компании используют только небольшую часть доступных данных, но для повышения рентабельности инвестиций компания должна интегрировать соответствующие данные из всех источников. Традиционно интеграция внешних разнородных источников данных в общий механизм обработки данных требует значительных усилий и ресурсов для настройки. Это решение описывает простой и масштабируемый подход к интеграции аналитики и машинного обучения для прогнозирования действий по приобретению клиентов.

Компоненты решения

Это решение устраняет указанные выше проблемы, выполнив следующие действия.

  • Единообразный доступ к данным из нескольких источников, одновременно с минимизацией перемещения данных и сложности системы, что повышает производительность.
  • выполнение ETL и проектирование признаков, необходимое для использования прогнозной Машинное обучение модели.
  • Создание комплексного профиля клиента 360, который дополняется прогнозной аналитикой, выполняемой в распределенной системе. этот анализ поддерживается Microsoft R Server и Azure HDInsight.

Дальнейшие действия