Személyre szabott ajánlatok

Ez a megoldás olyan intelligens marketingrendszereket fejleszt, amelyek több forrásból származó adatokat elemző gépi tanulási modellek használatával biztosítják az ügyfélre szabott tartalmakat. Az alkalmazott fő technológiák közé tartoznak az intelligens javaslatok és az Azure Personalizer.

Architektúra

Töltse le az architektúra Visio-fájlját.

Adatfolyam

1. Az Azure Functions-alkalmazások rögzítik a nyers felhasználói tevékenységeket (például a termék- és ajánlatkattintásokat), valamint a webhely felhasználóinak készített ajánlatokat. A rendszer elküldi a tevékenységet az Azure Event Hubsnak. Azokon a területeken, ahol a felhasználói tevékenység nem érhető el, a szimulált felhasználói tevékenység az Azure Cache for Redisben lesz tárolva.
2. Az Azure Stream Analytics elemzi az adatokat, hogy közel valós idejű elemzést biztosítson a bemeneti streamen az Azure Event Hubs-példányból.
3. Az összesített adatokat a rendszer elküldi az Azure Cosmos DB for NoSQL-nek.
4. A Power BI az összesített adatokra vonatkozó megállapítások keresésére szolgál.
5. A rendszer a nyers adatokat az Azure Data Lake Storage szolgáltatásba küldi el.
6. Az intelligens javaslatok az Azure Data Lake Storage nyers adatait használják, és javaslatokat nyújtanak az Azure Personalizer számára.
7. A Personalizer szolgáltatás a legkontextuális és személyre szabott termékeket és ajánlatokat szolgálja ki.
8. A szimulált felhasználói tevékenység adatai a Személyre szabás szolgáltatáshoz kerülnek, hogy személyre szabott termékeket és ajánlatokat nyújtsanak.
9. Az eredmények azon a webalkalmazáson jelennek meg, amelyhez a felhasználó hozzáfér.
10. A felhasználói visszajelzések a felhasználó által a megjelenített ajánlatokra és termékekre adott reakció alapján lesznek rögzítve. A jutalompontot a Personalizer szolgáltatás biztosítja, hogy idővel jobban teljesítsen
11. Az intelligens javaslatok újratanítása jobb javaslatokat eredményezhet. Ez a folyamat az Azure Data Lake Storage frissített adataival is elvégezhető.

Összetevők

• Az Event Hubs egy teljes mértékben felügyelt streamelési platform. Ebben a megoldásban az Event Hubs valós idejű használati adatokat gyűjt.
• A Stream Analytics valós idejű kiszolgáló nélküli streamfeldolgozást kínál. Ez a szolgáltatás lehetővé teszi lekérdezések futtatását a felhőben és a peremeszközökön. Ebben a megoldásban a Stream Analytics összesíti a streamelési adatokat, és elérhetővé teszi a vizualizációhoz és a frissítésekhez.
• Az Azure Cosmos DB egy globálisan elosztott, többmodelles adatbázis. Az Azure Cosmos DB-vel a megoldások rugalmasan méretezhetik az átviteli sebességet és a tárolást tetszőleges számú földrajzi régióban. Az Azure Cosmos DB for NoSQL dokumentumformátumban tárolja az adatokat, és egyike az Azure Cosmos DB által kínált számos adatbázis API-nak. A megoldás GitHub-implementációjában a DocumentDB az ügyfél, a termék és az ajánlat adatainak tárolására szolgál, de használhatja az Azure Cosmos DB for NoSQL-t is. További információ: Tisztelt DocumentDB-ügyfelek! Üdvözöljük az Azure Cosmos DB!-ben.
• A Storage egy felhőalapú tárolási megoldás, amely objektumot, fájlt, lemezt, üzenetsort és táblatárolót tartalmaz. A szolgáltatások közé tartoznak az adatok átvitelére, megosztására és biztonsági mentésére szolgáló hibrid tárolási megoldások és eszközök. Ez a megoldás a Storage használatával kezeli a felhasználói interakciót szimuláló üzenetsorokat.
• A Functions egy kiszolgáló nélküli számítási platform, amellyel alkalmazásokat hozhat létre. A Functions használatával triggerekkel és kötésekkel integrálhatja a szolgáltatásokat. Ez a megoldás a Functions használatával koordinálja a felhasználói szimulációt. A Functions az alapvető összetevő, amely személyre szabott ajánlatokat hoz létre.
• A Machine Learning egy felhőalapú környezet, amellyel gépi tanulási modelleket taníthat be, helyezhet üzembe, automatizálhat, kezelhet és követhet. Itt a Machine Learning az egyes felhasználók preferenciáit és termékelőzményeit használja a felhasználó–termék affinitás pontozásának biztosítására.
• Az Azure Cache for Redis egy Redis-szoftveren alapuló memóriabeli adattárat biztosít. Az Azure Cache for Redis teljes körűen felügyelt ajánlatként nyílt forráskódú Redis-képességeket biztosít. Ebben a megoldásban az Azure Cache for Redis előre kiszámított termék affinitásokat biztosít azoknak az ügyfeleknek, akik nem rendelkeznek elérhető felhasználói előzményekkel.
• A Power BI egy üzleti elemzési szolgáltatás, amely interaktív vizualizációkat és üzletiintelligencia-képességeket biztosít. Könnyen használható felülete lehetővé teszi saját jelentések és irányítópultok létrehozását. Ez a megoldás a Power BI használatával jeleníti meg a valós idejű tevékenységet a rendszerben. A Power BI például az Azure Cosmos DB for NoSQL adatait használja a különböző ajánlatokra adott ügyfélválasz megjelenítéséhez.
• A Data Lake Storage egy méretezhető tárház, amely nagy mennyiségű adatot tárol natív, nyers formátumban.

Megoldás részletei

A mai rendkívül versenyképes és összekapcsolt környezetben a modern vállalkozások már nem képesek túlélni az általános, statikus online tartalmakat. Ezenkívül a hagyományos eszközöket használó marketingstratégiák költségesek és nehezen implementálhatók. Ennek eredményeképpen nem a kívánt megtérülést eredményezik. Ezek a rendszerek gyakran nem tudják teljes mértékben kihasználni az összegyűjtött adatokat, amikor személyre szabottabb felhasználói élményt hoznak létre.

Az egyes felhasználókra szabott ajánlatok bemutatása elengedhetetlenné vált az ügyfelek lojalitásának kialakításához és a nyereséges maradáshoz. A kiskereskedelmi webhelyeken az ügyfelek intelligens rendszerekre vágynak, amelyek egyedi érdeklődési körük és preferenciáik alapján nyújtanak ajánlatokat és tartalmakat. A mai digitális marketingcsapatok ezt az intelligenciát a felhasználói interakciók minden típusából létrehozott adatok használatával építhetik ki.

A marketingesek mostantól nagy mennyiségű adat elemzésével rendkívül releváns és személyre szabott ajánlatokat biztosíthatnak minden felhasználónak. A megbízható és méretezhető big data-infrastruktúra létrehozása azonban nem triviális. Az egyes felhasználók számára személyre szabott kifinomult gépi tanulási modellek fejlesztése szintén összetett vállalkozás.

Az intelligens javaslatok olyan képességeket kínálnak, amelyek a kívánt eredmények elérésére szolgálnak, például a felhasználói interakciókon és metaadatokon alapuló elemekre vonatkozó javaslatok. Bármilyen tartalomtípus, például eladható termékek, médiatartalmak, dokumentumok, ajánlatok stb. előléptetésére és személyre szabására használható.

Az Azure Personalizer az Azure AI-szolgáltatások részét képező szolgáltatás. Használható annak meghatározására, hogy milyen terméket javasoljon a vásárlóknak, vagy hogy kitalálja a hirdetés optimális pozícióját. A Personalizer az utolsó lépés további rangsorolójaként működik. Miután a javaslatok megjelennek a felhasználónak, a rendszer figyeli és jutalompontként jelenti a felhasználó reakcióját a Personalizer szolgáltatásnak. Ez a folyamat biztosítja, hogy a szolgáltatás folyamatosan tanuljon, és fokozza a Personalizer azon képességét, hogy a kapott környezeti információk alapján a legjobb elemeket válassza ki.

A Microsoft Azure fejlett elemzési eszközöket biztosít az adatbetöltés, az adattárolás, az adatfeldolgozás és a fejlett elemzési összetevők területén – a személyre szabott ajánlatmegoldások létrehozásának minden alapvető elemét.

Rendszerintegrátor

Ezzel a megoldással időt takaríthat meg egy betanított rendszer integrátor felvételével. A rendszer integrátora segíthet a koncepció igazolásának kidolgozásában, és segíthet a megoldás üzembe helyezésében és integrálásában.

Lehetséges használati esetek

Ez a megoldás az ügyféladatokon (megtekintett vagy vásárolt termékeken) alapuló termékek és szolgáltatások értékesítésére vonatkozik. Ez a következő területeken alkalmazható:

• E-kereskedelem – Ez az a terület, ahol a személyre szabás széles körben használatos az ügyfelek viselkedésével és a termékjavaslatokkal.

• Kiskereskedelem – A korábbi vásárlási adatok alapján javaslatok és ajánlatok adhatók meg a termékeken.

• Telecom – Ezen a területen a felhasználók interakciója alapján javaslatokat lehet adni. Más iparágakhoz képest a termék- és ajánlattartományok korlátozottak lehetnek.

Közreműködők

Ezt a cikket a Microsoft tartja karban. Eredetileg a következő közreműködők írták.

Fő szerző:

• Mahi Sundararajan | Vezető ügyfélmérnök

A nem nyilvános LinkedIn-profilok megtekintéséhez jelentkezzen be a LinkedInbe.

Következő lépések

• MLOps: Modellkezelés, üzembe helyezés, leállás és monitorozás az Azure Machine Learning használatával
• Microsoft Certified: adattudós Társítás minősítés
• Besorolási modell létrehozása az Azure Machine Learning Designerrel, kódolás nélkül
• Automatizált gépi tanulás használata az Azure Machine Learningben, és megtudhatja, hogyan hozhat létre húzással rendelkező gépi tanulási modellt
• Azure Event Hubs – Big Data streaming platform és eseménybetöltési szolgáltatás
• Üdvözli az Azure Stream Analytics
• Bevezetés az Azure Cosmos DB-e
• A Microsoft Azure Storage bemutatása
• Az Azure Functions bemutatása
• Mi az Azure Machine Learning?
• Az Azure Cache for Redis ismertetése
• Jelentések és irányítópultok létrehozása a Power BI-ban – dokumentáció
• Az Azure Data Lake Storage Gen2 bemutatása

Kapcsolódó erőforrások

• Mesterséges intelligencia (AI) – Architektúra áttekintése
• Az Azure Machine Learning dokumentációja