Megosztás a következőn keresztül:

Kiskereskedelmi élmény javítása a Kiskereskedelmi ajánló megoldásgyorsítóval

  • Cikk

A kiskereskedelmi világban a digitális csatornák gyorsan hajtóerővé váltak a jobb ügyfélkapcsolatok kialakításában. A kiskereskedőket arra küldik, hogy újragondolják az értékajánlatok közlését, a frissítések megosztását a terméksorokon. Arra kényszerítik őket, hogy a vásárló fogyasztó szemszöge felé mozduljanak el, hogy jobban megértsék, mit keresnek az ügyfelek. A kiskereskedők új módszereket keresnek a vásárlók és a termékek közötti kapcsolat megerősítésére – növelik a csatolási arányukat, és hozzáadott értéket hoznak létre a bevásárlókocsikban lévő termékeken túl.

A helyszíni vásárlás általában impulzusvásárláshoz vezet, mivel a vásárlók előtt különféle termékek jelennek meg. Az impulzusvásárlás általában nem az online vásárlási élményben fordul elő. A vásárlók konkrét termékeket keresnek, hozzáadják a kosárjukhoz, és továbblépnek a fizetésre.

A Kiskereskedelmi ajánló megoldásgyorsító segít a kiskereskedőknek kiemelni azokat a kapcsolódó termékeket, amelyek érdekelhetik a vásárlókat. Célja, hogy személyre szabott online vásárlási élményt hozzon létre. A mesterséges intelligenciát és a fejlett adatelemzési felhőtechnológiákat használó Kiskereskedelmi ajánló megoldásgyorsító a következő módokon mutatja be a vásárlóknak a releváns tartalmakat és termékeket:

  • A vásárló felkeresi a kiskereskedelmi online kereskedelmi oldalt, amely személyre szabott kiválasztást kér a felhasználótól a vásárlási előzmények alapján.
  • Amikor a vásárló elemeket ad hozzá a kosárhoz, a webhely további javaslatokat kínál, attól függően, hogy milyen termékeket vásárolna ezekkel a termékekkel.
  • Ahogy a vásárló mozog a kereskedő webhelyén, a webhely új javaslatokat kínál annak alapján, hogy mit néz a vásárló.

Kiskereskedelmi ajánló megoldásgyorsító

A Kiskereskedelmi ajánló megoldásgyorsító egy üzembe helyezésre kész kód, amely az Azure Synapse elemzési képességeit használja a vásárlók korábbi vásárlási és böngészési szokásainak kiértékeléséhez – személyre szabott böngészési élményt nyújtva személyre szabott termékjavaslatokkal.

A kiskereskedelmi szektorban az ügyfelek elvárásainak túllépése a legfontosabb eszköz a vállalkozás fejlesztéséhez. A mélyebb elemzések növelhetik a szervezet bevételét, és növelhetik a megőrzést. A gépi tanulás segítségével felmérheti, hogy a működési döntések hogyan befolyásolják az üzleti eredményeket.

Csatlakozás az adatait, és megismerheti az ügyfelet, azonban vásárolnak

Oldja fel az innovációt, és távolítsa el az adatsilókat a szervezetben. Az egyesített adatstratégiával továbbfejlesztett, testre szabottabb mindencsatornás ügyfélélmény biztosításával ismétlődő ügyfeleket szerezhet. Átfogó képet kaphat az ügyféladatokról és az értékesítési adatokról a makrogazdasági hatásokon, a pénzügyi tranzakciókon és a kínálaton kívül – mindent, ami lehetővé teszi a szervezet számára a munkafolyamatok automatizálását, a jövőbeli értékesítések megtervezését és a kockázatok proaktív kezelését.

A meglévő üzleti növekedés felgyorsítása üzembe helyezésre kész kód** segítségével, amelyet gyorsan implementálhat az infrastruktúrában, és leküzdheti az ügyfelek adatainak rögzítésének, vizualizációjának és kihasználásának optimalizálásával kapcsolatos kihívást.

Kiskereskedelmi ajánló megoldásgyorsító áttekintése

  • Hasznos termékjavaslatokkal jutalmazhatja hűséges ügyfeleit
  • Teljes körű elemzések készítése az ellátási láncban
  • Jobb üzleten belüli és online élmények létrehozása
  • Mélyebb elemzések engedélyezése és testre szabottabb ügyfélélmény
  • A gépi tanulással személyre szabott javaslatokat tehet, amelyek hasznosak a hűséggel rendelkező ügyfelek számára

Data complexity and siloed decision-making

Ügyfélélmény átalakítása valós idejű személyre szabással

A kiskereskedelmi ajánló megoldásgyorsító gépi tanulást és szűrőmodellt használ, amely összekapcsolja az ügyfél által a mások által valós időben használt adatokkal, hogy javaslatot nyújtson. Ha például más ügyfelek megtekintik a telefonokat és a headseteket, és Ön megtekinti a telefonokat, akkor ön is nagyobb valószínűséggel tekinti meg a headsetet – az adott ügyfélnézet lesz a javaslat. A rendszer ezután létrehoz egy hasonló adatokból álló mátrixot, amely tájékoztatja a jövőbeli javaslatokat.

Így néz ki a Kiskereskedelmi ajánló megoldásgyorsító modellje:

Retail Recommender Solution Accelerator model

Hogyan működnek a valós idejű vásárlási javaslatok a szervezet számára?

  • Az ügyfél az oldalra száll, és a vásárlási előzmények alapján személyre szabott elemeket lát.
  • Az ügyfél kiválasztja vagy átváltja a felhasználót.
  • A kezdőlap frissül, az ügyfél valós időben látja a személyre szabott elemeket a vásárlási előzmények alapján.
  • Az ügyfél beírja a termék részleteit tartalmazó oldalt, és a vásárlási és böngészési előzmények alapján látja a javasolt termékeket.
  • Az ügyfél kosárba helyezi a termékeket, és további javaslatokat jelenít meg a kosárba helyezett elemek alapján.
  • Az ügyfél visszatér a kezdőlapra, és az ajánlott bővítménytermékeket látja.

Retail Recommender Solution Accelerator details

Bevezetés a Kiskereskedelmi ajánló megoldásgyorsító MVP használatbavételébe

Indítsa el a Kiskereskedelmi ajánló megoldásgyorsítót az átfogó Azure Analytics-platformon alapuló kiskereskedelmi ajánlómegoldás gyors létrehozásához szükséges erőforrásokkal.

Személyre szabott MVP létrehozása

  • Erőforrások üzembe helyezése. Hozzon létre egy erőforráscsoportot, amelyet tárolóként használhat az erőforrások Azure-ban való üzembe helyezésének megkezdéséhez.

  • Adatok előkészítése. Konfigurálja a fejlesztési környezetet az Azure Machine Tanulás számára. A jegyzetfüzet virtuális gépe kiválóan kompatibilis, előre konfigurált módja a gyors üzembe helyezésének és futtatásának.

  • Adatok betanítása egyéni szkriptekkel. A szkriptelési folyamat a Jupyter Notebookok sorozatában van körvonalazva. Az Azure Machine Tanulás használatával egymás után áttekintheti őket, és végigvezetheti a betanításon, a pontozáson és az előrejelzések készítésén.

Az MVP létrehozása kevesebb mint egy nap alatt bemutatóadatokkal, vagy 2–5 hét alatt az egyéni adatokkal és egy előkészítő munkamenettel.

Íme egy magas szintű diagram az Azure Data Lake Storage Gen2 (nagyvállalati szintű data lake), az Azure Synapse, az Azure Synapse Analytics, az Azure AI Search, az Azure Machine Tanulás Service, az Azure API Management és az Azure Machine Tanulás szolgáltatásokon keresztül végzett műveletekről.

Retail Recommender Solution Accelerator architecture

Az Azure és az elemzési platform előfeltételei

Az Azure, az Azure Cosmos DB, az Azure Machine Tanulás és az Azure Kubernetes munkatudása.

Olvassa el a teljes Traktor Ellátási Vállalat történetét.

További információ:

Átfogó műszaki útmutatásért, beleértve az üzembe helyezési útmutatót, tekintse meg a Kiskereskedelmi ajánló megoldásgyorsító GitHub-oldalát.

A Tractor Supply Company, a Egyesült Államok legnagyobb vidéki életmód-kiskereskedője a Microsoftot választotta stratégiai felhőszolgáltatójának, hogy támogassa a vállalat e-kereskedelmi webhelyének és nagyvállalati elemzési platformjának technológiai architektúráját és modernizációját. Olvassa el a traktorszállító vállalat teljes ügyféltörténetét.

A Starbucks megerősítési tanulási technológiát használ, hogy személyre szabott élményt nyújtson a vállalat mobilalkalmazását használó ügyfelek számára. Ez a gépi tanulási betanítási módszer megtanul összetett, kiszámíthatatlan környezetekben döntéseket hozni külső visszajelzések alapján. Olvassa el a Starbucks teljes ügyféltörténetét.

További lépések

Az Azure DevOps-sablonnal üzembe helyezheti a saját környezetében. Kövesse a Kiskereskedelmi ajánló Azure DevOps-sablon lépéseit:

  1. Jelentkezzen be a generátorba.
  2. Lépjen a felhőadaptálási keretrendszer.
  3. Válassza ki az Retail Recommender Azure DevOps-sablont.
  4. Üzembe helyezés az Azure DevOps-környezetben.

Az alábbi cikkek segítséget nyújtanak a felhőbevezetési folyamat sikeres végrehajtásában.