Personliga erbjudanden

Event Hubs
Functions
Machine Learning
Storage
Stream Analytics

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!

I dagens mycket konkurrenskraftiga och anslutna miljö kan moderna företag inte längre överleva med allmänt, statiskt onlineinnehåll. Dessutom är marknadsföringsstrategier som använder traditionella verktyg ofta dyra, svåra att implementera och ger inte önskad avkastning på investeringen. Dessa system kan ofta inte dra full nytta av de data som samlas in för att skapa en mer anpassad upplevelse för användaren.

Att ta fram erbjudanden som är anpassade för användaren har blivit avgörande för att skapa kundsenyshet och förbli lönsamma. På en detaljhandelswebbplats vill kunderna ha intelligenta system som erbjuder erbjudanden och innehåll baserat på deras unika intressen och preferenser. Dagens digitala marknadsföringsteam kan skapa den här intelligensen med hjälp av data som genereras från alla typer av användarinteraktioner.

Genom att analysera enorma mängder data har marknadsförare en unik möjlighet att leverera mycket relevanta och anpassade erbjudanden till varje användare. Det är dock inte helt enkelt att skapa en tillförlitlig och skalbar infrastruktur för stordata och utveckla avancerade maskininlärningsmodeller som anpassar sig efter varje användare.

Arkitektur

Arkitekturdiagram – Ladda ned en SVG för den här arkitekturen.

Description

Spara tid och låt en tränad SI-partner hjälpa dig med ett konceptbevis, & integrering av den här lösningen.

I Cortana Intelligence Suite finns avancerade analysverktyg via Microsoft Azure – datainmatning, datalagring, databehandling och avancerade analyskomponenter – alla viktiga element för att skapa en anpassad erbjudandelösning.

Komponenter

Den här lösningen kombinerar flera Azure-tjänster för att ge kraftfulla fördelar:

  • Azure Event Hubs samlar in förbrukningsdata i realtid.
  • Azure Stream Analytics sammanställer strömmande data och gör dem tillgängliga för visualisering och uppdateringar av de data som används för att göra anpassade erbjudanden till kunden.
  • Azure CosmosDB SQL API lagrar kund-, produkt- och erbjudandeinformation. I GitHub-implementeringen användes Azure Document DB, men detta kan uppnås med hjälp av Azure Cosmos DB SQL API.
  • Azure Storage används för att hantera köer som simulerar användarinteraktion.
  • Azure Functions används som koordinator för användarsimuleringen och som den centrala delen av lösningen för att generera anpassade erbjudanden.
  • Azure Machine Learning implementerar och kör bedömning av mappning mellan användare och produkt, genom att ta hänsyn till användarpreferenser och produkthistorik
  • När ingen användarhistorik är tillgänglig. Azure Cache for Redis används för att tillhandahålla förberäknade produkt affiniteter för kunden.
  • Power BI Instrumentpanel visualiserar realtidsaktiviteten för systemet och med data från CosmosDB SQL API beteendet för de olika erbjudandena.

Dataflöde

  1. Användaraktiviteten på webbplatsen simuleras med en Azure-funktion och ett par Azure Storage köer.
  2. Anpassade erbjudandefunktioner implementeras som en Azure-funktion.
    • Det här är nyckelfunktionen som kopplar samman allt för att skapa ett erbjudande och en postaktivitet.
    • Data läses in från Azure Cache for Redis och Azure CosmosDB SQL API beräknas produkttillhörighetspoängen från Azure Machine Learning
    • Om det inte finns någon historik för användaren läses förberäknade affiniteter in från Azure Cache for Redis.
  3. Rådata för användaraktivitet (produkt- och erbjudandeklick), erbjudanden som görs för användare och prestandadata (för Azure Functions och Azure Machine Learning) skickas till Azure Event Hub.
  4. Erbjudandet returneras till användaren.
    • I vår simulering görs detta genom att skriva till en Azure Storage Queue som hämtas av en Azure-funktion för att skapa nästa användaråtgärd.
  5. Azure Stream Analytics analyserar data för att tillhandahålla analys i nära realtid på indataströmmen från Azure Event Hub.
    • Aggregerade data skickas till Azure CosmosDB SQL API.
    • Rådata skickas till Azure Data Lake Storage.

Nästa steg