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!
En djup förståelse mellan kundernas intressen och inköpsmönster är en viktig del av business intelligence detaljhandelsdrift. Den här lösningen implementerar en process för att aggregera kunddata till en fullständig profil. Avancerade maskininlärningsmodeller backas upp av tillförlitlighets- och bearbetningskraften i Azure för att ge förutsägelseinsikter om simulerade kunder.
Arkitektur
Ladda ned en SVG för den här arkitekturen.
Dataflöde
- En datagenerator rör simulerade kundhändelser till en händelsehubb.
- Ett Stream Analytics jobb läser från händelsehubben och utför sammansättningar.
- Stream Analytics bevarar tidsgruppsbaserade data till en Azure Storage blob
- Ett Spark-jobb som körs i HDInsight sammanfogar de senaste kundsurfningsdata med historiska köp och demografiska data för att skapa en kombinerad användarprofil.
- Ett andra Spark-jobb bedömer varje kundprofil mot en maskininlärningsmodell. Den här processen förutsäger framtida köpmönster, som avgör om en viss kund sannolikt kommer att göra ett köp under de kommande 30 dagarna. I så fall kan den avgöra i vilken produktkategori köpet skulle göras.
- Förutsägelser och andra profildata visualiseras och delas som diagram och tabeller i Power BI Online.
Komponenter
- Azure Blob Storage
- Azure Event Hub
- Azure Machine Learning
- Azure SQL Database
- Azure Stream Analytics
- Power BI instrumentpanel
Distribuera det här scenariot
Mer information om hur den här lösningen är byggd finns i lösningsguiden i GitHub.
Ett typiskt detaljhandelsföretag samlar in kunddata via en mängd olika kanaler. Dessa kanaler omfattar webbsurfningsmönster, köpbeteenden, demografi och andra sessionsbaserade webbdata. En del data kommer från kärnverksamhet. Andra data måste dock hämtas och sammanfogas från externa källor, till exempel partner, tillverkare, offentlig domän och så vidare.
Många företag använder bara en liten del av tillgängliga data, men för att maximera ROI måste ett företag integrera relevanta data från alla källor. Traditionellt har integreringen av externa, heterogena datakällor i en delad databehandlingsmotor krävt betydande arbete och resurser för att konfigureras. Den här lösningen beskriver en enkel, skalbar metod för att integrera analyser och maskininlärning för att förutsäga kundernas köpaktivitet.
Lösningsfunktioner
Den här lösningen åtgärdar ovanstående problem genom att:
- Enhetlig åtkomst till data från flera datakällor, samtidigt som dataförflyttning och systemkomplexitet minimeras, vilket ökar prestandan.
- Att utföra ETL och funktionskonstruktion krävs för att använda en Machine Learning modell.
- Skapa en omfattande kund 360-profil, som berikas med förutsägelseanalys som körs i ett distribuerat system. Den här analysen backas upp av Microsoft R Server och Azure HDInsight.