Doporučení produktů pro maloobchodní prodej s využitím Azure

Blob Storage
Event Hubs
HDInsight
Stream Analytics
Power BI

Návrhy řešení

Tento článek je nápadem na řešení. Pokud chcete, abychom obsah rozšířili o další informace, jako jsou potenciální případy použití, alternativní služby, aspekty implementace nebo pokyny k cenám, dejte nám vědět tím, že nám poskytnete zpětnou vazbu na GitHubu.

Tento nápad na řešení implementuje proces agregace zákaznických dat do úplného profilu.

Architektura

Diagram architektury znázorňující tok dat mezi generátorem událostí a řídicím panelem Mezi další fáze patří analýza a strojové učení.

Stáhněte si soubor aplikace Visio s touto architekturou.

Tok dat

  1. Generátor dat vytáčuje simulované události zákazníka 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 v Azure HDInsight, slučuje nejnovější data o procházení zákazníků s historickými údaji o nákupu a demografickými údaji za účelem vytvoření kombinovaného profilu uživatele.
  5. Druhá úloha Sparku ohodnocuje každý profil zákazníka podle modelu strojového učení. Tento proces předpovídá budoucí nákupní vzory. Tyto předpovědi naznačují, jestli je pravděpodobné, že daný zákazník provede nákup v příštích 30 dnech. Pokud ano, systém určí pravděpodobnou produktovou kategorii 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 Azure Storage. Blob Storage nabízí optimalizované cloudové úložiště objektů pro velké objemy nestrukturovaných dat.
  • Event Hubs je plně spravovaná streamovací platforma.
  • Azure Machine Learning je cloudové prostředí, které můžete použít k trénování, nasazování, automatizaci, správě a sledování modelů strojového učení.
  • Azure SQL Database je plně spravovaný databázový stroj PaaS (platforma jako služba). SQL Database běží na nejnovější stabilní verzi SQL Server a opravený operační systém.
  • 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 obchodní analýzy, která poskytuje interaktivní vizualizace a funkce business intelligence. Jeho snadno použitelné rozhraní umožňuje vytvářet vlastní sestavy a řídicí panely.
  • HDInsight je spravovaná, plně spektrální, opensourcová cloudová analytická služba pro podniky.

Podrobnosti scénáře

Hluboké porozumění zájmům zákazníků a nákupním vzorům je klíčovou součástí každé operace retail business intelligence. Tento nápad na řešení agreguje zákaznická data do úplného profilu. Pokročilé modely strojového učení se opírají o spolehlivost a výpočetní výkon Azure a poskytují prediktivní přehledy simulovaných zákazníků.

Potenciální případy použití

Toto řešení obvykle používají maloobchodníci.

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 vzorce procházení webu, nákupní chování, demografické údaje a další webová data založená na relacích. Některá data pocházejí ze základních obchodních operací. Je však nutné načíst a připojit další data z externích zdrojů, jako jsou partneři, výrobci, veřejná doména atd.

Mnoho firem používá jen malou část dostupných dat, ale aby se maximalizovala návratnost investic, musí firma integrovat relevantní data ze všech zdrojů. Integrace externích heterogenních zdrojů dat do modulu pro sdílené zpracování dat tradičně vyžaduje značné úsilí a prostředky na nastavení. Toto řešení popisuje jednoduchý a škálovatelný přístup k integraci analýz a strojového učení za účelem predikce nákupní aktivity zákazníků.

Funkce řešení

Toto řešení řeší problémy, na které upozornila předchozí část:

  • Díky jednotnému přístupu k datům z více zdrojů dat a minimalizaci přesunu dat a složitosti systému, což zvyšuje výkon.
  • Prováděním operací extrakce,přenosu a zatížení (ETL) a přípravy funkcí potřebných k použití modelu prediktivního strojového učení.
  • Vytvořením komplexního profilu zákazníka 360, který je rozšířen o prediktivní analýzy běžící napříč distribuovaným systémem. Tato analýza je podporována Microsoft R Server a HDInsight.

Další kroky