以近乎即時的方式建立個人化行銷解決方案

Cache for Redis
Cosmos DB
事件中樞
函式
Machine Learning
儲存體帳戶
串流分析
Power BI

解決方案構想

如果您想要瞭解如何使用詳細資訊來擴充本文,例如可能的使用案例、替代服務、實行考慮或定價指引,請讓我們知道 GitHub 的意見反應!

個人化行銷對於打造客戶忠誠度和剩餘利潤是不可或缺的。 觸及客戶並讓他們參與,比以往更難,而且可以輕鬆地遺漏或忽略一般供應專案。 目前的行銷系統無法利用有助於解決此問題的資料。

使用智慧型系統的行銷人員以及分析大量資料,可以為每位使用者提供高度相關且個人化的供應專案,並讓您的工作變得更整齊。 例如,零售商可以根據每個客戶的獨特興趣、喜好設定和產品親和性來提供供應專案和內容,將產品放在最有可能購買的人面前。

藉由個人化您的供應專案,您將為目前和潛在客戶提供個人化的體驗、提升參與度,以及改善客戶轉換、存留期值和保留期。 此解決方案說明如何使用Azure FunctionsAzure Machine LearningAzure 串流分析來建立解決方案個人化供應專案。

架構

架構圖:使用機器學習和近乎即時的分析來個人化供應專案。 下載此架構的 SVG

單元

  • 事件中樞 會從 Azure Functions 內嵌原始的 click 串流資料,並將其傳遞至串流分析。
  • Azure 串流分析 會以近乎即時的方式,依產品、供應專案和使用者來匯總點擊時間。 寫入至 Azure Cosmos DB,也會將原始的 click 資料流程資料封存到 Azure 儲存體。
  • Azure Cosmos DB會儲存使用者、產品的點擊次數匯總資料,並提供使用者設定檔資訊。
  • Azure 儲存體儲存來自串流分析的已封存原始按一下資料流程資料。
  • Azure Functions會從網站取得使用者點選流資料,並從 Azure Cosmos DB 讀取現有的使用者歷程記錄。 這些資料接著會透過機器學習 web 服務執行,或與 Azure Cache for Redis 中的冷啟動資料一起使用,以取得產品親和性分數。 產品親和性分數適用于個人化供應專案邏輯,以判斷要向使用者呈現的最相關供應專案。
  • Azure Machine Learning可協助您設計、測試、讓及管理雲端中的預測性分析解決方案。
  • Azure Cache for Redis 針對沒有歷程記錄的使用者儲存預先計算的冷啟動產品親和性分數。
  • Power BI可從 Cosmos DB 讀取資料,以提供使用者活動資料和提供的視覺效果。

下一步

閱讀其他 Azure 架構中心文章:

請參閱產品檔:

嘗試 Microsoft Learn 路徑: