個人化的供應項目

事件中樞
函式
Machine Learning
儲存體
串流分析

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!

在現今高度競爭和連線的環境中,現代化的企業無法再使用一般的靜態線上內容。 此外,使用傳統工具的行銷策略通常很昂貴、難以實行,且不會產生所需的投資報酬率。 這些系統通常無法充分利用所收集的資料,為使用者建立更個人化的體驗。

呈現為使用者自訂的供應專案已成為建立客戶忠誠度和剩餘利潤的必要專案。 在零售網站上,客戶希望有智慧型系統可根據其獨特的興趣和喜好來提供優惠和內容。 現今的數位行銷團隊可以使用從所有類型的使用者互動產生的資料來建立此智慧。

藉由分析大量資料,行銷人員有獨特的機會將高度相關且個人化的供應專案提供給每位使用者。 不過,建立可靠且可擴充的大型資料基礎結構,並開發可個人化給每位使用者的精密機器學習模型,並不是很簡單。

架構

架構圖表會 下載此架構的SVG

Description

節省時間並讓訓練的 SI 合作夥伴協助您進行概念證明、部署 & 此解決方案的整合。

Cortana Intelligence Suite 透過 Microsoft Azure 資料內嵌、資料儲存、資料處理及 advanced analytics 元件,提供先進的分析工具,這些都是建立個人化供應專案解決方案的必要元素。

單元

此解決方案結合了數個 Azure 服務,以提供強大的優點:

  • Azure 事件中樞 會收集即時耗用量資料。
  • Azure 串流分析 會匯總串流資料,並將其提供給客戶的個人化供應專案所使用之資料的視覺效果和更新。
  • Azure CosmosDB SQL API會儲存客戶、產品和供應專案資訊。 在 GitHub 的執行中,使用了 Azure Document DB,但您可以使用 Azure Cosmos DB SQL API 來達成此目的。
  • Azure 儲存體用來管理模擬使用者互動的佇列。
  • Azure Functions 可作為使用者模擬的協調器,以及用來產生個人化供應專案的解決方案中央部分。
  • Azure Machine Learning藉由考慮使用者喜好設定和產品歷程記錄,來實行和執行使用者至產品親和性評分
  • 沒有可用的使用者記錄時。 Azure Cache for Redis 用來為客戶提供預先計算的產品親和性。
  • Power BI 儀表板會以視覺化方式呈現系統的即時活動,並使用來自 CosmosDB SQL API 的資料,來提供各種供應專案的行為。

資料流程

  1. 網站上的使用者活動會使用 Azure 函式和一對 Azure 儲存體佇列來模擬。
  2. 個人化供應專案功能會實作為 Azure 函數。
    • 這是將所有專案結合在一起以產生供應專案和記錄活動的主要功能。
    • 從 Azure Cache for Redis 和 Azure CosmosDB SQL API 讀取資料,會從 Azure Machine Learning 計算產品親和性分數
    • 如果沒有使用者的記錄,則會從 Azure Cache for Redis 讀入預先計算的親和性。
  3. 未經處理的使用者活動資料 (產品和供應專案按一下) 、為使用者提供的供應專案,以及 Azure Functions 和 Azure Machine Learning) 的效能資料 (傳送至 Azure 事件中樞。
  4. 供應專案會傳回給使用者。
    • 在我們的模擬中,藉由將 Azure 函式所挑選的 Azure 儲存體佇列寫入,以產生下一個使用者動作來完成這項工作。
  5. Azure 串流分析會分析資料,為來自 Azure 事件中樞的輸入資料流程提供近乎即時的分析。
    • 匯總的資料會傳送至 Azure CosmosDB SQL API。
    • 原始資料會傳送至 Azure Data Lake Storage。

下一步