Perakende için Azure'ın kullanıldığı ürün önerileri

Blob Depolama
Event Hubs
HDInsight
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' GitHub bize bildirin!

Müşteri ilgi alanları ve satın alma desenleri arasındaki derin anlayış, perakende iş zekası operasyonlarının kritik bir bileşenidir. Bu çözüm, müşteri verilerini eksiksiz bir profilde toplama işlemini gerçekleştirmektedir. Gelişmiş makine öğrenmesi modelleri, simülasyon müşterileri hakkında tahmine dayalı içgörüler sağlamak için Azure'ın güvenilirlik ve işleme gücüyle desteklenmektedir.

Mimari

Mimari diyagramıBu mimarinin SVG'lerini indirin.

Veri akışı

  1. Veri oluşturucu, müşteri olaylarının benzetimini olay hub'ı ile eşler.
  2. Bir Stream Analytics işi Olay Hub'ını okur ve toplamalar gerçekleştirir.
  3. Stream Analytics zaman grup verilerini Azure Depolama Blob'da kalıcı olarak sağlar
  4. HDInsight'ta çalışan bir Spark işi, birleşik bir kullanıcı profili oluşturmak için en son müşteri göz atma verilerini geçmiş satın alma ve demografik verilerle birleştirir.
  5. İkinci bir Spark işi, her müşteri profilini bir makine öğrenmesi modeline puanlar. Bu işlem, belirli bir müşterinin önümüzdeki 30 gün içinde satın alma olasılığı olup olmadığını belirleyen gelecekteki satın alma düzenlerini tahmin ediyor. Öyleyse, satın almanın hangi ürün kategorisinde olacağını belirler.
  6. Tahminler ve diğer profil verileri, Power BI Online'da grafik ve tablo olarak Power BI paylaşılır.

Bileşenler

Bu senaryoyu dağıtın

Bu çözümün nasıl inşa edildikleri hakkında daha fazla bilgi için GitHub.

Tipik bir perakende işletmesi, müşteri verilerini çeşitli kanallar üzerinden toplar. Bu kanallar arasında web'e göz atma desenleri, satın alma davranışları, demografik bilgiler ve diğer oturum tabanlı web verileri yer almaktadır. Verilerin bazıları temel iş operasyonlarından kaynaklandığı için. Ancak iş ortakları, üreticiler, genel etki alanı gibi dış kaynaklardan diğer verilerin çekilerek birleştirilesi gerekir.

Birçok işletme, kullanılabilir verilerin yalnızca küçük bir kısmını kullansa da yatırım getirilerini en üst düzeye çıkarmak için işletmenin tüm kaynaklardan gelen ilgili verileri tümleştir olması gerekir. Geleneksel olarak, dış, heterojen veri kaynaklarının paylaşılan bir veri işleme altyapısıyla tümleşmesi için gerekli önemli çaba ve kaynaklar gereklidir. Bu çözüm, müşteri satın alma etkinliğini tahmin etmek için analiz ve makine öğrenmesi tümleştirmeye basit, ölçeklenebilir bir yaklaşımı açıklar.

Çözüm özellikleri

Bu çözüm, aşağıdakiler ile yukarıdaki sorunları çözmektedir:

  • Birden çok veri kaynağından verilere tek tek erişirken veri taşıma ve sistem karmaşıklığı en aza indirilir ve bu da performansı artırır.
  • Tahmine dayalı bir model kullanmak için ETL ve özellik mühendisliği Machine Learning gerekir.
  • Dağıtılmış bir sistemde çalışan tahmine dayalı analizle zenginleştirilmiş kapsamlı bir müşteri 360 profili oluşturma. Bu analiz, Microsoft R Server ve Azure HDInsight.

Sonraki adımlar