Neredeyse gerçek zamanlı olarak kişiselleştirilmiş pazarlama çözümleri oluşturun

Redis için Cache
Cosmos DB
Event Hubs
İşlevler
Machine Learning
Depolama Hesapları
Stream Analytics
Power BI

Çözüm Fikri

Olası kullanım örnekleri, alternatif hizmetler, uygulama konuları veya fiyatlandırma kılavuzu gibi daha fazla bilgiyle bu makaleyi genişletmemizi görmek için Geri Bildirim ile GitHub!

Kişiselleştirilmiş pazarlama, müşteri bağlılığını ve kalan kârlılığını sağlamak için gereklidir. Müşterilere ulaşmak ve etkileşime girmelerini sağlamak her zamankinden daha zordur ve genel teklifler kolayca gözden kaçabilir veya yoksayılabilir. Geçerli pazarlama sistemleri bu sorunu çözmeye yardımcı olacak verilerden yararlanamamaktadır.

Akıllı sistemleri kullanan ve çok büyük miktarlardaki verileri çözümleten pazarlamacılar her kullanıcıya yüksek oranda ilgili ve kişiselleştirilmiş teklifler sunarak dağınıklığı ortadan kaldırır ve etkileşime itici bir yol sağlar. Örneğin perakendeciler, her müşterinin benzersiz ilgi alanlarına, tercihlerine ve ürün benzeşimlerine göre teklifler ve içerikler sarak ürünleri satın alma olasılığı en yüksek olan kişilerin önüne koymaktadır.

Tekliflerinizi kişiselleştirerek, mevcut ve olası müşteriler için bireyselleştirilmiş bir deneyim sunacak, etkileşimi artıracak ve müşteri dönüştürme, yaşam süresi değeri ve elde tutmayı geliştirin. Bu çözüm, Azure İşlevleri ,Azure Machine Learning ve Azure Stream Analytics ile teklifleri kişiselleştirmeyenasıl Azure Stream Analytics.

Mimari

Mimari diyagramı: Makine öğrenmesi ve gerçek zamanlıya yakın analiz ile teklifleri kişiselleştirme. Bu mimarinin SVG'lerini indirin.

Bileşenler

  • Event Hubs akış verilerini veri kaynağından Azure İşlevleri ve veri akışına Stream Analytics.
  • Azure Stream Analytics, ürüne, teklife ve kullanıcıya göre tıklamaları neredeyse gerçek zamanlı olarak toplar. Azure Cosmos DB'ye yazar ve ham tıklama akışı verilerini Azure veritabanına Depolama.
  • Azure Cosmos DB kullanıcı, ürün ve kullanıcı profili bilgilerine göre toplu tıklama verilerini depolar.
  • Azure Depolama, arşivlenmiş ham tıklama akışı verilerini Stream Analytics.
  • Azure İşlevleri web sitelerinden kullanıcı tıklama akışı verilerini alır ve mevcut kullanıcı geçmişini Azure Cosmos DB'den okur. Bu veriler daha sonra web Machine Learning üzerinden çalıştırılır veya ürün benzeşliği puanlarını almak için Redis için Azure Cache verilerle birlikte kullanılır. Ürün benzeşliği puanları, kullanıcıya sunmak üzere en uygun teklifi belirlemek için kişiselleştirilmiş-teklif mantığıyla kullanılır.
  • Azure Machine Learning, bulutta tahmine dayalı analiz çözümleri tasarlamanıza, test edin, operasyonelleştirin ve yönetmenize yardımcı olur.
  • Redis için Azure Cache, geçmişi olmayan kullanıcılar için önceden hesaplanan soğuk başlangıç ürün benzeşim puanlarını depolar.
  • Power BI veritabanı verileri okunarak sunulan kullanıcı etkinliği verileri ve tekliflerinin görselleştirmesini Cosmos sağlar.

Sonraki adımlar

Diğer makale Azure Mimari Merkezi okuyun:

Ürün belgelerine bakın:

Aşağıdaki yolu Microsoft Learn deneyin: