Edit

Penawaran personal

Azure Event Hubs
Azure Functions
Azure Machine Learning
Azure Storage
Azure Stream Analytics

Ide solusi

Artikel ini adalah ide solusi. Jika Anda ingin kami memperluas konten dengan informasi lebih lanjut, seperti potensi kasus penggunaan, layanan alternatif, pertimbangan implementasi, atau panduan harga, beri tahu kami dengan memberikan umpan balik GitHub.

Solusi ini membangun sistem pemasaran cerdas yang menyediakan konten yang disesuaikan pelanggan dengan menggunakan model pembelajaran mesin yang menganalisis data dari berbagai sumber. Teknologi utama yang digunakan termasuk Intelligent Rekomendasi dan Azure Personalizer.

Arsitektur

Architecture diagram that shows how personalized offers are generated by incorporating product and offer views.

Unduh file Visio arsitektur ini.

Aliran data

  1. Aplikasi Azure Function menangkap aktivitas pengguna mentah (seperti klik produk dan penawaran) dan penawaran yang dibuat untuk pengguna di situs web. Aktivitas dikirim ke Azure Event Hubs. Di area di mana aktivitas pengguna tidak tersedia, aktivitas pengguna yang disimulasikan disimpan di Azure Cache for Redis.
  2. Azure Stream Analytics menganalisis data untuk menyediakan analitik mendekati real-time pada aliran input dari instans Azure Event Hubs.
  3. Data agregat dikirim ke Azure Cosmos DB untuk NoSQL.
  4. Power BI digunakan untuk mencari wawasan tentang data agregat.
  5. Data mentah dikirim ke Azure Data Lake Storage.
  6. Intelligent Rekomendasi menggunakan data mentah dari Azure Data Lake Storage dan memberikan rekomendasi ke Azure Personalizer.
  7. Layanan Personalizer melayani produk dan penawaran kontekstual dan dipersonalisasi teratas.
  8. Data aktivitas pengguna yang disimulasikan disediakan untuk layanan Personalizer untuk menyediakan produk dan penawaran yang dipersonalisasi.
  9. Hasilnya disediakan di aplikasi web yang diakses pengguna.
  10. Umpan balik pengguna diambil berdasarkan reaksi pengguna terhadap penawaran dan produk yang ditampilkan. Skor hadiah diberikan kepada layanan Personalizer untuk membuatnya berkinerja lebih baik dari waktu ke waktu
  11. Pelatihan ulang untuk Rekomendasi Cerdas dapat menghasilkan rekomendasi yang lebih baik. Proses ini juga dapat dilakukan dengan menggunakan data yang di-refresh dari Azure Data Lake Storage.

Komponen

  • Event Hubs adalah platform streaming yang dikelola sepenuhnya. Dalam solusi ini, Azure Event Hubs mengumpulkan data konsumsi real time.
  • Stream Analytics menawarkan pemrosesan aliran tanpa server real time. Layanan ini menyediakan cara untuk menjalankan kueri di cloud dan di perangkat edge. Dalam solusi ini, Azure Stream Analytics menggabungkan data streaming dan membuatnya tersedia untuk visualisasi dan pembaruan.
  • Microsoft Azure Cosmos DB adalah database multi-model yang terdistribusi secara global. Dengan Azure Cosmos DB, solusi Anda dapat secara elastis menskalakan throughput dan penyimpanan di sejumlah wilayah geografis. Azure Cosmos DB for NoSQL menyimpan data dalam format dokumen dan merupakan salah satu dari beberapa API database yang ditawarkan Azure Cosmos DB. Dalam implementasi GitHub solusi ini, DocumentDB digunakan untuk menyimpan informasi pelanggan, produk, dan penawaran, tetapi Anda juga dapat menggunakan Azure Cosmos DB untuk NoSQL. Untuk informasi selengkapnya, lihat Pelanggan Dear DocumentDB, selamat datang di Azure Cosmos DB!.
  • Penyimpanan adalah solusi penyimpanan cloud yang mencakup penyimpanan objek, file, disk, antrean, dan tabel. Layanan mencakup solusi dan alat penyimpanan hibrid untuk mentransfer, berbagi, dan mencadangkan data. Solusi ini menggunakan Storage untuk mengelola antrean yang mensimulasikan interaksi pengguna.
  • Functions adalah platform komputasi tanpa server yang dapat Anda gunakan untuk membangun aplikasi. Dengan Functions, Anda dapat menggunakan pemicu dan pengikatan untuk mengintegrasikan layanan. Solusi ini menggunakan Functions untuk mengoordinasikan simulasi pengguna. Functions juga merupakan komponen inti yang menghasilkan penawaran yang dipersonalisasi.
  • Pembelajaran Mesin adalah lingkungan berbasis cloud yang dapat Anda gunakan untuk melatih, menyebarkan, mengotomatiskan, mengelola, dan melacak model pembelajaran mesin. Di sini, Pembelajaran Mesin menggunakan preferensi dan riwayat produk setiap pengguna untuk memberikan penilaian afinitas pengguna-ke-produk.
  • Azure Cache for Redis menyediakan penyimpanan data dalam memori yang didasarkan pada perangkat lunak Redis. Azure Cache for Redis menyediakan kemampuan Redis sumber terbuka sebagai penawaran yang dikelola sepenuhnya. Dalam solusi ini, Azure Cache for Redis menyediakan afinitas produk yang telah dihitung sebelumnya untuk pelanggan tanpa riwayat pengguna yang tersedia.
  • Power BI adalah layanan analitik bisnis yang menyediakan visualisasi interaktif dan kemampuan kecerdasan bisnis. Antarmukanya yang mudah digunakan memungkinkan Anda untuk membuat laporan dan dasbor Anda sendiri. Solusi ini menggunakan Power BI untuk menampilkan aktivitas real-time dalam sistem. Misalnya, Power BI menggunakan data dari Azure Cosmos DB untuk NoSQL untuk menampilkan respons pelanggan terhadap berbagai penawaran.
  • Data Lake Storage adalah repositori penyimpanan terukur yang menyimpan sejumlah besar data dalam format asli dan mentah data.

Detail solusi

Dalam lingkungan yang sangat kompetitif dan terhubung saat ini, bisnis modern tidak dapat lagi bertahan hidup pada konten online statis generik. Selain itu, strategi pemasaran yang menggunakan alat tradisional bisa mahal dan sulit diterapkan. Akibatnya, mereka tidak menghasilkan pengembalian investasi yang diinginkan. Sistem ini sering gagal memanfaatkan sepenuhnya data yang dikumpulkan ketika mereka menciptakan pengalaman yang lebih dipersonalisasi bagi pengguna.

Menyajikan penawaran yang disesuaikan untuk setiap pengguna telah menjadi penting untuk membangun loyalitas pelanggan dan tetap menguntungkan. Di situs web ritel, pelanggan menginginkan sistem cerdas yang menyediakan penawaran dan konten berdasarkan minat dan preferensi unik mereka. Tim pemasaran digital saat ini dapat membangun kecerdasan ini dengan menggunakan data yang dihasilkan dari semua jenis interaksi pengguna.

Pemasar sekarang memiliki kesempatan untuk memberikan penawaran yang sangat relevan dan dipersonalisasi kepada setiap pengguna dengan menganalisis sejumlah besar data. Tetapi membangun infrastruktur big data yang andal dan dapat diskalakan tidak sepele. Dan mengembangkan model pembelajaran mesin canggih yang dipersonalisasi untuk setiap pengguna juga merupakan usaha yang kompleks.

Intelligent Rekomendasi menawarkan kemampuan untuk mendorong hasil yang diinginkan, seperti rekomendasi item yang didasarkan pada interaksi dan metadata pengguna. Ini dapat digunakan untuk mempromosikan dan mempersonalisasi jenis konten apa pun, seperti produk yang dapat dijual, media, dokumen, penawaran, dan banyak lagi.

Azure Personalizer adalah layanan yang merupakan bagian dari Azure Cognitive Services. Ini dapat digunakan untuk menentukan produk apa yang disarankan kepada pembeli atau untuk mencari tahu posisi optimal untuk iklan. Personalizer bertindak sebagai peringkat langkah terakhir tambahan. Setelah rekomendasi ditampilkan kepada pengguna, reaksi pengguna dipantau dan dilaporkan sebagai skor hadiah kembali ke layanan Personalizer. Proses ini memastikan bahwa layanan sedang belajar terus menerus, dan meningkatkan kemampuan Personalizer untuk memilih item terbaik berdasarkan informasi kontekstual yang diterima.

Microsoft Azure menyediakan alat analitik tingkat lanjut di area penyerapan data, penyimpanan data, pemrosesan data, dan komponen analitik tingkat lanjut—semua elemen penting untuk membangun solusi penawaran yang dipersonalisasi.

Integrator sistem

Anda dapat menghemat waktu ketika Anda menerapkan solusi ini dengan mempekerjakan integrator sistem terlatih (SI). SI dapat membantu Anda mengembangkan bukti konsep dan dapat membantu menyebarkan dan mengintegrasikan solusi.

Kemungkinan kasus penggunaan

Solusi ini berlaku untuk pemasaran barang dan jasa berdasarkan data pelanggan (produk yang dilihat dan/atau dibeli). Hal ini dapat berlaku di area berikut:

  • E-niaga - Ini adalah area di mana personalisasi banyak digunakan dengan perilaku pelanggan dan rekomendasi produk.

  • Ritel - Berdasarkan data pembelian sebelumnya, rekomendasi dan penawaran dapat diberikan pada produk.

  • Telekomunikasi - Berdasarkan interaksi pengguna di area ini, rekomendasi dapat diberikan. Dibandingkan dengan industri lain, rentang produk dan penawaran mungkin terbatas.

Kontributor

Artikel ini dikelola oleh Microsoft. Ini awalnya ditulis oleh kontributor berikut.

Penulis utama:

Untuk melihat profil LinkedIn non-publik, masuk ke LinkedIn.

Langkah berikutnya