Skapa anpassade marknadsföringslösningar nästan i realtid

Cache for Redis
Cosmos DB
Event Hubs
Functions
Machine Learning
Lagringskonton
Stream Analytics
Power BI

Lösningsidé

Om du vill att vi utökar den här artikeln med mer information, till exempel potentiella användningsfall, alternativa tjänster, implementeringsöverväganden eller prisvägledning, kan du berätta för GitHub Feedback!

Personlig marknadsföring är viktigt för att skapa kundlojalitet och återstående lönsamhet. Det är svårare än någonsin att nå kunder och engagera dem, och allmänna erbjudanden missas eller ignoreras enkelt. Nuvarande marknadsföringssystem kan inte dra nytta av data som kan hjälpa dig att lösa det här problemet.

Marknadsförare som använder intelligenta system och analyserar stora mängder data kan leverera mycket relevanta och anpassade erbjudanden till varje användare, vilket gör att de inte behöver röra till sig och engagera sig. Återförsäljare kan till exempel tillhandahålla erbjudanden och innehåll baserat på varje kunds unika intressen, preferenser och produkttillhörighet, vilket gör att produkter visas för de personer som mest sannolikt köper dem.

Genom att anpassa dina erbjudanden får du en individualiserad upplevelse för aktuella och potentiella kunder, vilket ökar engagemanget och förbättrar kundkonverteringen, livslängdsvärdet och kvarhållningen. Den här lösningen visar hur du kan skapa en lösning som personiserar erbjudanden med Azure Functions, Azure Machine Learningoch Azure Stream Analytics.

Arkitektur

Arkitekturdiagram: Anpassa erbjudanden med maskininlärning och analys i nära realtid. Ladda ned en SVG för den här arkitekturen.

Komponenter

  • Event Hubs matar in råa klickströmdata från Azure Functions och skickar dem vidare till Stream Analytics.
  • Azure Stream Analytics klickar i nära realtid efter produkt, erbjudande och användare. Skriver till Azure Cosmos DB och arkiverar även råa klickströmsdata för att Azure Storage.
  • Azure Cosmos DB lagrar aggregerade klickdata efter användare, produkt och erbjuder användarprofilinformation.
  • Azure Storage lagrar arkiverade råa klickströmdata från Stream Analytics.
  • Azure Functions tar in klickströmsdata från webbplatser och läser befintlig användarhistorik från Azure Cosmos DB. Dessa data körs sedan Machine Learning webbtjänsten eller används tillsammans med kallstartsdata i Azure Cache for Redis för att hämta produkttillhörighetspoäng. Produkttillhörighetspoäng används med logiken för anpassade erbjudanden för att fastställa det mest relevanta erbjudandet att presentera för användaren.
  • Azure Machine Learning hjälper dig att utforma, testa, operationalisera och hantera prediktiva analyslösningar i molnet.
  • Azure Cache for Redis lagrar förberäknade poäng för kallstartsprodukttillhörighet för användare utan historik.
  • Power BI möjliggör visualisering av användaraktivitetsdata och erbjudanden som presenteras genom att läsa in data från Cosmos DB.

Nästa steg

Läs andra Azure Architecture Center artiklar:

Se produktdokumentationen:

Prova en Microsoft Learn sökväg: