أفكار الحل
تصف هذه المقالة فكرة الحل. يمكن لمهندس السحابة الخاص بك استخدام هذه الإرشادات للمساعدة في تصور المكونات الرئيسية لتنفيذ نموذجي لهذه البنية. استخدم هذه المقالة كنقطة بداية لتصميم حل جيد التصميم يتوافق مع المتطلبات المحددة لحمل العمل الخاص بك.
ينشئ هذا الحل أنظمة تسويق ذكية توفر محتوى مخصصا للعملاء باستخدام نماذج التعلم الآلي التي تحلل البيانات من مصادر متعددة. تتضمن التقنيات الرئيسية المستخدمة التوصيات الذكية وAzure Personalizer.
بناء الأنظمة
قم بتنزيل ملف Visio لهذه البنية.
تدفق البيانات
- يلتقط تطبيق Azure Functions نشاط المستخدم الخام (مثل نقرات المنتج والعرض) والعروض التي يتم تقديمها للمستخدمين على موقع الويب. يتم إرسال النشاط إلى Azure Event Hubs. في المناطق التي لا يتوفر فيها نشاط المستخدم، يتم تخزين نشاط المستخدم المحاكي في ذاكرة التخزين المؤقت Azure ل Redis.
- يحلل Azure Stream Analytics البيانات لتوفير تحليلات قريبة من الوقت الحقيقي على دفق الإدخال من مثيل Azure Event Hubs.
- يتم إرسال البيانات المجمعة إلى Azure Cosmos DB ل NoSQL.
- يتم استخدام Power BI للبحث عن رؤى حول البيانات المجمعة.
- يتم إرسال البيانات الأولية إلى Azure Data Lake Storage.
- تستخدم التوصيات الذكية البيانات الأولية من Azure Data Lake Storage وتوفر توصيات إلى Azure Personalizer.
- خدمة Personalizer تخدم أفضل المنتجات والعروض السياقية والمخصصة.
- يتم توفير بيانات نشاط المستخدم المحاكاة إلى خدمة Personalizer لتوفير منتجات وعروض مخصصة.
- يتم توفير النتائج على تطبيق الويب الذي يصل إليه المستخدم.
- يتم تسجيل ملاحظات المستخدم بناء على رد فعل المستخدم على العروض والمنتجات المعروضة. يتم توفير درجة المكافأة لخدمة Personalizer لجعلها تعمل بشكل أفضل بمرور الوقت
- يمكن أن تؤدي إعادة التدريب على التوصيات الذكية إلى توصيات أفضل. يمكن أيضا إجراء هذه العملية باستخدام البيانات المحدثة من Azure Data Lake Storage.
المكونات
- مراكز الأحداث هي نظام أساسي للبث مدار بالكامل. في هذا الحل، تجمع مراكز الأحداث بيانات الاستهلاك في الوقت الفعلي.
- يوفر Stream Analytics معالجة دفق بدون خادم في الوقت الفعلي. توفر هذه الخدمة طريقة لتشغيل الاستعلامات في السحابة وعلى أجهزة الحافة. في هذا الحل، يجمع Stream Analytics البيانات المتدفقة ويجعلها متاحة للتصور والتحديثات.
- Azure Cosmos DB هي قاعدة بيانات متعددة النماذج وموزعة عالمياً. باستخدام Azure Cosmos DB، يمكن لحلولك توسيع نطاق المعدل نقل ومعدل النقل والتخزين بمرونة وبشكل مستقل عبر أي عدد من المناطق الجغرافية. يخزن Azure Cosmos DB for NoSQL البيانات بتنسيق المستند وهو أحد واجهات برمجة التطبيقات المتعددة لقاعدة البيانات التي يقدمها Azure Cosmos DB. في تنفيذ GitHub لهذا الحل، تم استخدام DocumentDB لتخزين العميل والمنتج ومعلومات العرض، ولكن يمكنك أيضا استخدام Azure Cosmos DB ل NoSQL. لمزيد من المعلومات، راجع عملاء Dear DocumentDB، مرحبا بك في Azure Cosmos DB!.
- التخزين هو حل تخزين سحابي يتضمن الكائن والملف والقرص وقوائم الانتظار وتخزين الجدول. تشمل الخدمات حلول وأدوات تخزين مختلطة لنقل البيانات ومشاركتها ونسخها احتياطياً. يستخدم هذا الحل Storage لإدارة قوائم الانتظار التي تحاكي تفاعل المستخدم.
- الدالات هي نظام أساسي للحوسبة بلا خادم يمكنك استخدامه لإنشاء التطبيقات. باستخدام Functions، يمكنك استخدام المشغلات والروابط لدمج الخدمات. يستخدم هذا الحل Functions لتنسيق محاكاة المستخدم. الوظائف هي أيضا المكون الأساسي الذي يولد عروضا مخصصة.
- التعلم الآلي هي بيئة مستندة إلى السحابة يمكنك استخدامها لتدريب نماذج التعلم الآلي ونشرها وأتمتتها وإدارتها وتتبعها. هنا، يستخدم التعلم الآلي تفضيلات كل مستخدم وسجل المنتج لتوفير تسجيل ترابط المستخدم إلى المنتج.
- توفر ذاكرة التخزين المؤقت Azure ل Redis مخزن بيانات في الذاكرة يستند إلى برنامج Redis. يوفر Azure Cache لـ Redis إمكانات Redis مفتوحة المصدر كعرض مدار بشكل كامل. في هذا الحل، توفر ذاكرة التخزين المؤقت Azure ل Redis ترابطات المنتجات المحسوبة مسبقا للعملاء الذين ليس لديهم سجل مستخدم متوفر.
- Power BI هي خدمة تحليلات الأعمال التي توفر مرئيات تفاعلية وقدرات ذكاء الأعمال. تتيح لك واجهة سهلة الاستخدام إنشاء التقارير ولوحات المعلومات الخاصة بك. يستخدم هذا الحل Power BI لعرض نشاط في الوقت الحقيقي في النظام. على سبيل المثال، يستخدم Power BI البيانات من Azure Cosmos DB ل NoSQL لعرض استجابة العميل لمختلف العروض.
- Data Lake Storageهو مستودع تخزين قابل للقياس يحتوي على كمية كبيرة من البيانات بتنسيقها الأصلي الخام.
تفاصيل الحل
في بيئة اليوم التنافسية للغاية والمتصلة، لم تعد الشركات الحديثة قادرة على البقاء على قيد الحياة على محتوى عام وثابت عبر الإنترنت. وعلاوة على ذلك، يمكن أن تكون استراتيجيات التسويق التي تستخدم الأدوات التقليدية مكلفة ويصعب تنفيذها. ونتيجة لذلك، فإنها لا تنتج العائد المطلوب على الاستثمار. غالبا ما تفشل هذه الأنظمة في الاستفادة الكاملة من البيانات المجمعة عندما تنشئ تجربة أكثر تخصيصا للمستخدمين.
أصبح تقديم العروض المخصصة لكل مستخدم أمرا ضروريا لبناء ولاء العملاء والبقاء مربحا. على موقع البيع بالتجزئة، يرغب العملاء في أنظمة ذكية توفر العروض والمحتوى بناء على اهتماماتهم وتفضيلاتهم الفريدة. يمكن لفرق التسويق الرقمي اليوم بناء هذا التحليل الذكي باستخدام البيانات التي تم إنشاؤها من جميع أنواع تفاعلات المستخدم.
يتمتع المسوقون الآن بفرصة تقديم عروض ذات صلة وشخصية عالية لكل مستخدم من خلال تحليل كميات هائلة من البيانات. ولكن بناء بنية أساسية موثوقة وقابلة للتطوير للبيانات الضخمة ليس أمرا تافها. وتطوير نماذج التعلم الآلي المتطورة التي يتم تخصيصها لكل مستخدم هو أيضا مهمة معقدة.
توفر التوصيات الذكية قدرات لدفع النتائج المرجوة، مثل توصيات العنصر التي تستند إلى تفاعلات المستخدم وبيانات التعريف. ويمكن استخدامه للترويج لأي نوع محتوى وتخصيصه، مثل المنتجات القابلة للبيع والوسائط والمستندات والعروض والمزيد.
Azure Personalizer هي خدمة تعد جزءا من خدمات Azure الذكاء الاصطناعي. يمكن استخدامه لتحديد المنتج الذي يجب اقتراحه للمتسوقين أو لمعرفة الموضع الأمثل للإعلان. يعمل Personalizer كأداة تصنيف إضافية في الخطوة الأخيرة. بعد عرض التوصيات للمستخدم، تتم مراقبة رد فعل المستخدم وإبلاغه كنقاط مكافأة مرة أخرى إلى خدمة Personalizer. تضمن هذه العملية أن الخدمة تتعلم بشكل مستمر، وتعزز قدرة Personalizer على تحديد أفضل العناصر استنادا إلى المعلومات السياقية المستلمة.
يوفر Microsoft Azure أدوات تحليلات متقدمة في مجالات استيعاب البيانات وتخزين البيانات ومعالجة البيانات ومكونات التحليلات المتقدمة - جميع العناصر الأساسية لبناء حل عرض مخصص.
System integrator
يمكنك توفير الوقت عند تنفيذ هذا الحل عن طريق توظيف مكامل نظام مدرب. يمكن أن يساعدك مكامل النظام في تطوير إثبات المبدأ ويمكنه المساعدة في نشر الحل ودمجه.
حالات الاستخدام المحتملة
ينطبق هذا الحل على تسويق السلع والخدمات استنادا إلى بيانات العملاء (المنتجات المعروضة أو المشتراة). يمكن تطبيق هذا في المجالات التالية:
التجارة الإلكترونية - هذا مجال يستخدم فيه التخصيص على نطاق واسع مع سلوك العملاء وتوصيات المنتج.
البيع بالتجزئة - استنادا إلى بيانات الشراء السابقة، يمكن تقديم التوصيات والعروض على المنتجات.
Telecom - استنادا إلى تفاعل المستخدم في هذا المجال، يمكن تقديم توصيات. بالمقارنة مع الصناعات الأخرى، قد تكون نطاقات المنتجات والعرض محدودة.
المساهمون
تحتفظ Microsoft بهذه المقالة. وهي مكتوبة في الأصل من قبل المساهمين التاليين.
الكاتب الرئيسي:
- ماهي سنداراراجان | مهندس عملاء أول
لمشاهدة ملفات تعريف LinkedIn غير العامة، سجل الدخول إلى LinkedIn.
الخطوات التالية
- MLOps: إدارة النموذج والنشر والانتشار والمراقبة باستخدام Azure التعلم الآلي
- بناء واجهة برمجة تطبيقات للتوصية في الوقت الحقيقي على Azure
- شهادة Microsoft Certified: Data Scientist Associate
- إنشاء نموذج تصنيف باستخدام مصمم Azure التعلم الآلي، دون الحاجة إلى ترميز
- استخدام التعلم الآلي التلقائي في Azure التعلم الآلي وتعلم كيفية إنشاء نموذج التعلم الآلي للسحب والإفلات
- Azure Event Hubs - نظام أساسي لتدفق البيانات الضخمة وخدمة استيعاب الأحداث
- مرحبا بك في Azure Stream Analytics
- مرحبًا بكم في قاعدة بيانات Azure Cosmos DB
- مقدمة إلى Azure Storage
- مقدمة إلى Azure Functions
- ماذا يُقصد بالتعلم الآلي من Azure؟
- حول Azure Cache for Redis
- إنشاء تقارير ولوحات في Power BI - الوثائق
- مقدمة إلى الجيل الثاني من تخزين Azure Data Lake