Ideas de solución
Este artículo es una idea de solución. Si te gustaría que ampliemos este artículo con más información, como posibles casos de uso, servicios alternativos, consideraciones de implementación o una guía de precios, comunícalo a través de los Comentarios de GitHub.
Esta arquitectura muestra cómo puede crear una solución que personalice las ofertas con Azure Functions, Azure Machine Learning y Azure Stream Analytics.
Architecture
Descargue un archivo Visio de esta arquitectura.
Flujo de datos
- Event Hubs ingiere datos sin procesar de secuencias de clics de Azure Functions y los pasa a Stream Analytics.
- Azure Stream Analytics agrega clics casi en tiempo real por producto, oferta y usuario. Escribe en Azure Cosmos DB y también archiva los datos sin procesar de la secuencia de clics en Azure Storage.
- Azure Cosmos DB almacena datos agregados de clics por usuario y producto y ofrece información del perfil de usuario.
- Azure Storage almacena datos sin procesar de secuencias de clics archivados de Stream Analytics.
- Azure Functions toma la información de la secuencia de clic del usuario de sitios web y lee el historial del usuario actual de Azure Cosmos DB. Estos datos se ejecutan mediante el servicio web de Machine Learning o se usan junto con los datos de inicio en frío de Azure Cache for Redis para obtener puntuaciones de afinidad de productos. Las puntuaciones de afinidad de los productos se usan con la lógica de oferta personalizada para determinar la oferta más pertinente que presentar al usuario.
- Azure Machine Learning le ayuda a diseñar, probar, poner en funcionamiento y administrar soluciones de análisis predictivo en la nube.
- Azure Cache for Redis almacena puntuaciones de afinidad de productos de inicio en frío precalculadas para los usuarios sin historial.
- Power BI permite la visualización de los datos de actividad del usuario y las ofertas presentadas mediante la lectura de datos de Azure Cosmos DB.
Componentes
- Event Hubs
- Azure Stream Analytics
- Azure Cosmos DB
- Almacenamiento de Azure
- Azure Functions
- Azure Machine Learning
- Azure Cache for Redis
- Power BI
Detalles del escenario
El marketing personalizado es esencial para generar fidelidad entre clientes y asegurar la rentabilidad. Ahora es más difícil que nunca llegar a los clientes y conseguir atraerlos, de modo que las ofertas genéricas suelen pasarse por alto. Los actuales sistemas de marketing no aprovechan los datos que pueden ayudar a resolver este problema.
Los vendedores que usan sistemas inteligentes y analizan grandes cantidades de datos pueden hacer ofertas muy pertinentes y personalizadas para cada usuario, con soluciones que van al grano y consiguen atraer a los clientes. Por ejemplo, los minoristas pueden realizar ofertas y proporcionar contenido basados en los intereses, preferencias y afinidad de productos exclusivos de cada cliente, para presentar así sus productos a las personas que más posibilidades tienen de comprarlos.
Esta arquitectura muestra cómo puede crear una solución que personalice las ofertas con Azure Functions, Azure Machine Learning y Azure Stream Analytics.
Posibles casos de uso
Al personalizar las ofertas, ofrecerá una experiencia individualizada para los clientes actuales o potenciales, lo que redundará en una mayor atracción de clientes y mejorará la conversión, la relación a largo plazo y la retención de clientes.
Esta solución es ideal para el sector minorista y el marketing.
Pasos siguientes
Consulte la documentación del producto:
- Más información sobre Event Hubs
- Más información sobre Stream Analytics
- Más información sobre el uso de Azure Cosmos DB
- Más información sobre Azure Storage
- Más información sobre la creación de funciones
- Más información sobre el aprendizaje automático
- Aprenda a usar Azure Cache for Redis
- Más información sobre Power BI
Pruebe una ruta de aprendizaje:
- Implementación de una solución de streaming de datos con Azure Stream Analytics
- Compilación de un modelo de Machine Learning
- Creación de aplicaciones sin servidor con Azure Functions
Recursos relacionados
Consulte otros artículos del Centro de arquitectura de Azure: