Verbessern der Einzelhandelserfahrung mit einem Solution Accelerator für Einzelhandelsempfehlungen

Im Einzelhandel haben sich digitale Kanäle schnell zur treibenden Kraft für die Verbesserung von Kundeninteraktionen entwickelt. Einzelhändler müssen neue Möglichkeiten finden, um ihr Wertversprechen zu kommunizieren und über Neuigkeiten bei ihren Produktlinien zu informieren. Sie müssen sich in den kaufenden Kunden hineinversetzen und besser verstehen, wonach er sucht. Einzelhändler sind auf der Suche nach neuen Möglichkeiten, die Verbindung zwischen Käufern und Produkten stärken, um mehr sekundäre Produkte zu verkaufen und zusätzliche Werte zu generieren, die über die Produkte im Einkaufswagen hinausgehen.

Der Einkauf vor Ort führt in der Regel zu Impulskäufen, da Käufer eine Vielzahl von Produkten vor sich haben. Impulskäufe sind normalerweise kein Teil der Online-Einkaufserfahrung. Käufer suchen nach bestimmten Produkten, fügen sie dem Warenkorb hinzu und schließen den Kauf ab.

Der Solution Accelerator für Einzelhandelsempfehlungen hilft Einzelhändlern dabei, zugehörige Produkte hervorzuheben, die für einen Käufer interessant sein könnten. Er dient dazu, ein personalisiertes Onlineeinkaufserlebnis zu schaffen. Mithilfe von KI und erweiterter Cloudtechnologien für die Datenanalyse präsentiert der Solution Accelerator für Einzelhandelsempfehlungen Käufern relevante Inhalte und Produkte. Hierzu gibt es folgende Möglichkeiten:

• Käufer besuchen die Webseite eines Einzelhändlers, die ihnen basierend auf dem Kaufverlauf eine personalisierte Auswahl präsentiert.
• Wenn Käufer dem Einkaufswagen Artikel hinzufügen, zeigt die Website weitere Empfehlungen an, je nachdem, welche Produkte oft zusätzlich zu diesen Artikeln gekauft werden.
• Beim Navigieren auf der Website des Einzelhändlers präsentiert die Seite den Käufern neue Empfehlungen basierend auf den angesehenen Artikeln.

Solution Accelerator für Einzelhandelsempfehlungen

Der Solution Accelerator für Einzelhandelsempfehlungen ist bereitstellungsbereiter Code, der Analysefunktionen innerhalb von Azure Synapse nutzt, um die Kauf- und Suchgewohnheiten Ihrer Käufer zu bewerten und eine maßgeschneiderte Sucherfahrung mit personalisierten Produktempfehlungen zu bieten.

Das Übertreffen von Kundenerwartungen ist die wichtigste Methode zur Verbesserung des Geschäfts im Einzelhandelssektor. Detailliertere Einblicke können zur Steigerung des Umsatzes Ihrer Organisation sowie zur Verbesserung der Kundenbindung beitragen. Mithilfe von Machine Learning können Sie bewerten, wie sich betriebliche Entscheidungen auf Geschäftsergebnisse auswirken.

Verknüpfen Ihrer Daten und Verstehen Ihrer Kunden – unabhängig von der Art des Kaufs

Fördern Sie Innovationen, und beseitigen Sie Datensilos in Ihrer Organisation. Bieten Sie eine verbesserte, stärker angepasste Omnichannel-Kundenerfahrung mit einer vereinheitlichten Datenstrategie, um Stammkunden zu gewinnen. Verschaffen Sie sich einen ganzheitlichen Überblick über Kundeninformationen und Verkaufsdaten sowie über makroökonomische Einflüsse, finanzielle Transaktionen und das Angebot – also über alles, was es Ihrer Organisation ermöglicht, Workflows zu automatisieren, zukünftige Verkäufe zu planen und Risiken proaktiv zu behandeln.

Beschleunigen Sie Ihr Geschäftswachstum mit bereitstellungsbereitem Code, den Sie schnell in Ihrer Infrastruktur implementieren können, und optimieren Sie die Erfassung, Visualisierung und Nutzung der Daten Ihrer Kunden.

Übersicht über den Solution Accelerator für Einzelhandelsempfehlungen

• Belohnen Sie Ihre treuen Kunden mit relevanten Produktempfehlungen.
• Setzen Sie verstärkt auf End-to-End-Analysen in der gesamten Lieferkette.
• Verbessern Sie das Einkaufserlebnis im Laden und online.
• Ermöglichen Sie die Gewinnung detaillierterer Erkenntnisse und eine stärker angepasste Kundenerfahrung.
• Nutzen Sie maschinelles Lernen für personalisierte Empfehlungen, die für Ihre treuen Kunden relevant sind.

Transformieren der Kundenerfahrung mit Personalisierung in Echtzeit

Der Solution Accelerator für Einzelhandelsempfehlungen nutzt Machine Learning und ein Filtermodell, mit dem das, was der Kunde betrachtet, in Echtzeit mit Daten anderer Benutzer verknüpft wird, um eine Empfehlung abzugeben. Wenn sich andere Kunden also beispielsweise Smartphones und Headsets angesehen haben und Sie sich gerade Smartphones ansehen, interessieren Sie sich mit höherer Wahrscheinlichkeit auch für ein Headset, und diese spezielle Kundensicht wird zu Ihrer Empfehlung. Das System konstruiert dann eine Matrix ähnlicher Daten für Ihre zukünftigen Empfehlungen.

Das Modell des Solution Accelerators für Einzelhandelsempfehlungen sieht wie folgt aus:

Funktionsweise von Echtzeiteinkaufsempfehlungen für Ihre Organisation

• Der Kunde ruft die Seite auf, und ihm werden personalisierte Artikel angezeigt, die auf seinem Kaufverlauf basieren.
• Der Kunde wählt den Benutzer aus oder wechselt den Benutzer.
• Die Angebotsseite wird aktualisiert, und dem Kunden werden in Echtzeit personalisierte Artikel angezeigt, die auf seinem Kaufverlauf basieren.
• Der Kunde navigiert zur Produktdetailseite, und ihm werden Produktvorschläge angezeigt, die auf seinem Kauf- und Browserverlauf basieren.
• Der Kunde legt Artikel in den Warenkorb, und ihm werden weitere Empfehlungen angezeigt, die auf den Artikeln im Warenkorb basieren.
• Der Kunde kehrt zur Angebotsseite zurück, und ihm werden empfohlene Zusatzprodukte angezeigt.

Erste Schritte mit dem Solution Accelerator für Einzelhandelsempfehlungen (MVP)

Starten Sie den Solution Accelerator für Einzelhandelsempfehlungen mit den erforderlichen Ressourcen, um schnell eine Einzelhandelsempfehlungslösung zu erstellen, die auf der umfassenden Azure Analytics-Plattform basiert.

Erstellen Ihres personalisierten MVP

• Bereitstellen der Ressourcen: Erstellen Sie eine Ressourcengruppe, die Sie als Container verwenden können, um mit der Bereitstellung der Ressourcen in Azure zu beginnen.

• Vorbereiten der Daten: Konfigurieren Sie Ihre Entwicklungsumgebung für Azure Machine Learning. Eine Notebook-VM ist eine hochkompatible, vorkonfigurierte Möglichkeit für den schnellen Einstieg.

• Trainieren von Daten mit benutzerdefinierten Skripts: Der Skriptprozess wird in einer Reihe von Jupyter Notebook-Instanzen dargelegt. Gehen Sie sie der Reihe nach durch, um sich mit dem Trainieren, dem Bewerten und dem Erstellen von Vorhersagen mit Azure Machine Learning vertraut zu machen.

Erstellen Sie Ihr MVP mit Demodaten in weniger als einem Tag oder mit Ihren benutzerdefinierten Daten und einer Vorbereitungssitzung in zwei bis fünf Wochen.

Das folgende Übersichtsdiagramm zeigt Vorgänge über Azure Data Lake Storage Gen2 (Data Lake auf Unternehmensebene), Azure Synapse, Azure Synapse Analytics, Azure KI Search, Azure Machine Learning Service, Azure API Management und Azure Machine Learning-Dienste.

Voraussetzungen für Azure und die Analyseplattform

Erweiterte Grundkenntnisse zu Azure, Azure Cosmos DB, Azure Machine Learning und Azure Kubernetes.

Lesen Sie die vollständige Story von Tractor Supply Company.

Weitere Informationen:

• Azure Synapse Analytics
• Azure Kubernetes Service
• Azure Machine Learning
• Lernmodule für Azure Synapse
• Lernmodule für Azure Kubernetes
• Lernpfad für wissenschaftliche Fachkräfte für Daten

Umfassende technische Informationen sowie einen Bereitstellungsleitfaden finden Sie auf der GitHub-Seite des Solution Accelerators für Einzelhandelsempfehlungen.

Tractor Supply Company, der größte Einzelhändler für Produkte des Landlebens in den USA, hat sich für Microsoft als strategischer Cloudanbieter entschieden, um sich bei der Technologiearchitektur und bei der Modernisierung der E-Commerce-Website und der Enterprise Analytics-Plattform unterstützen zu lassen. Lesen Sie die vollständige Kundengeschichte von Tractor Supply Company.

Starbucks nutzt Technologie für vertiefendes Lernen, um Kunden in der mobilen App des Unternehmens eine personalisierte Erfahrung zu bieten. Diese Machine Learning-Trainingsmethode lernt, basierend auf externem Feedback Entscheidungen in komplexen, unvorhersehbaren Umgebungen zu treffen. Lesen Sie die vollständige Kundengeschichte von Starbucks.

Nächste Schritte

Verwenden Sie die Azure DevOps-Vorlage zur Bereitstellung Ihrer eigenen Umgebung. Führen Sie die in der Azure DevOps-Vorlage für Einzelhandelsempfehlungen enthaltenen Schritte aus:

1. Beim Generator anmelden.
2. Zum Cloud Adoption Framework navigieren.
3. Azure DevOps-Vorlage Retail Recommender auswählen.
4. In Ihrer Azure DevOps Umgebung bereitstellen.

Die folgenden Artikel helfen Ihnen bei einer erfolgreichen Cloudeinführung:

• Governance im Einzelhandel
• Verwaltung im Einzelhandel