Doporučení produktů pro maloobchodní prodej s využitím Azure

Blob Storage
Event Hubs
HDInsight
Stream Analytics
Power BI

Nápady na řešení

Tento článek je myšlenkou řešení. Pokud byste chtěli rozšířit obsah o další informace, například potenciální případy použití, alternativní služby, aspekty implementace nebo cenové pokyny, dejte nám vědět tím, že nám poskytnete zpětnou vazbu na GitHubu.

Hluboké porozumění zájmům zákazníků a nákupním vzorům je důležitou součástí jakékoli operace business intelligence maloobchodního prodeje. Tento článek představuje řešení implementace procesu agregace zákaznických dat do kompletního profilu. Pokročilé modely strojového učení jsou podporovány výkonem spolehlivosti a zpracování Azure za účelem zajištění prediktivních přehledů simulovaných zákazníků.

Potenciální případy použití

Toto řešení obvykle využívá maloobchodníci.

Architektura

Diagram architektury znázorňující tok dat mezi generátorem událostí a řídicím panelem Mezi další fáze patří analýzy a strojové učení.Stáhněte si SVG této architektury.

Tok dat

  1. Generátor dat předá simulované události zákazníků do Azure Event Hubs.
  2. Úloha Azure Stream Analytics čte ze služby Event Hubs a provádí agregace.
  3. Stream Analytics udržuje časově seskupovaná data do Azure Blob Storage.
  4. Úloha Sparku, která běží ve službě Azure HDInsight, slučuje nejnovější data o procházení zákazníků s historickými nákupy a demografickými daty, aby se vytvořil kombinovaný profil uživatele.
  5. Druhá úloha Sparku vyhodnocuje každý profil zákazníka proti modelu strojového učení. Tento proces předpovídá budoucí nákupní vzory. Tyto předpovědi naznačují, jestli daný zákazník pravděpodobně provede nákup během následujících 30 dnů. Pokud ano, systém určí pravděpodobnou kategorii produktu nákupu.
  6. Předpovědi a další data profilu jsou vizualizovány a sdíleny jako grafy a tabulky v služba Power BI.

Komponenty

  • Blob Storage je služba, která je součástí služby Azure Storage. Blob Storage nabízí optimalizované cloudové úložiště objektů pro velké objemy nestrukturovaných dat.
  • Event Hubs je plně spravovaná platforma streamování.
  • Azure Machine Learning je cloudové prostředí, které můžete použít k trénování, nasazování, automatizaci, správě a sledování modelů strojového učení.
  • Azure SQL Database je plně spravovaná platforma jako databázový stroj (PaaS). SQL Database běží na nejnovější stabilní verzi SQL Server a opraveného operačního systému.
  • Stream Analytics nabízí zpracování bezserverových datových proudů v reálném čase. Tato služba poskytuje způsob, jak spouštět dotazy v cloudu a na hraničních zařízeních.
  • Power BI je služba business analytics, která poskytuje interaktivní vizualizace a možnosti business intelligence. Jeho snadno použitelné rozhraní umožňuje vytvářet vlastní sestavy a řídicí panely.
  • HDInsight je spravovaná opensourcová opensourcová cloudová analytická služba pro podniky.

Nasazení tohoto scénáře

Další podrobnosti o tom, jak je toto řešení sestavené, najdete v průvodci řešením na GitHubu.

Typická maloobchodní firma shromažďuje zákaznická data prostřednictvím různých kanálů. Mezi tyto kanály patří vzory procházení webu, chování při nákupu, demografické údaje a další webová data založená na relacích. Některá data pocházejí ze základních obchodních operací. Další data se ale musí načíst a připojit z externích zdrojů, jako jsou partneři, výrobci, veřejná doména atd.

Řada firem uplatňuje jenom malou část dostupných dat, ale pro maximalizaci návratnosti investic musí firma integrovat relevantní data ze všech zdrojů. Tradičně integrace externích heterogenních zdrojů dat do sdíleného modulu pro zpracování dat vyžaduje značné úsilí a prostředky k nastavení. Toto řešení popisuje jednoduchý a škálovatelný přístup k integraci analýz a strojového učení k predikci aktivity nákupu zákazníků.

Funkce řešení

Toto řešení řeší problémy uvedené v předchozí části:

  • Jednotným přístupem k datům z více zdrojů dat a minimalizací složitosti přesunu dat a systému, což zvyšuje výkon.
  • Prováděním operací etL (extract-transfer-load) a technikou funkcí, která je potřebná k použití modelu prediktivního strojového učení.
  • Vytvořením komplexního profilu zákazníka 360, který je rozšířen prediktivní analýzou, která běží napříč distribuovaným systémem. Tato analýza je podporována Microsoft R Server a HDInsight.

Další kroky