Создание персонализированных маркетинговых решений практически в реальном времени

Cosmos DB
Центры событий
Функции
Машинное обучение
Stream Analytics

Идеи, связанные с решением

Эта статья является идеей решения. Если вы хотите расширить содержимое с дополнительными сведениями, такими как потенциальные варианты использования, альтернативные службы, рекомендации по реализации или рекомендации по ценам, сообщите нам об этом, предоставив отзыв GitHub.

В этой архитектуре показано, как создать предложения персонализации решений с помощью Функции Azure, Машинного обучения Azure и Azure Stream Analytics.

Архитектура

Схема архитектуры: персонализация предложений с помощью машинного обучения и аналитики практически в реальном времени.Скачайте SVG этой архитектуры.

Поток данных

  • Центры событий принимает необработанные данные потока щелчка из Функции Azure и передает их в Stream Analytics.
  • Azure Stream Analytics объединяет щелчки практически в реальном времени по продуктам, предложениям и пользователям. Записывает данные в Azure Cosmos DB, а также архивирует необработанные данные потока щелчка в службу хранилища Azure.
  • Azure Cosmos DB хранит агрегированные данные щелчков по пользователю, продукту и предлагает сведения о профиле пользователя.
  • Служба хранилища Azure хранит архивированные необработанные данные потоковой передачи щелчка из Stream Analytics.
  • Функции Azure принимает данные пользователей clickstream с веб-сайтов и считывает существующий журнал пользователей из Azure Cosmos DB. Затем эти данные выполняются через веб-службу машинного обучения или используются вместе с данными холодного запуска в Кэш Azure для Redis для получения оценок сходства продуктов. Оценки сходства продуктов используются с логикой персонализированного предложения, чтобы определить наиболее подходящее предложение для представления пользователю.
  • Машинное обучение Azure помогает разрабатывать, тестировать, вводить в эксплуатацию решения прогнозной аналитики и управлять ими в облаке.
  • Кэш Azure для Redis хранят предварительно вычисленные оценки сходства продуктов холодного запуска для пользователей без истории.
  • Power BI позволяет визуализировать данные о действиях пользователей и предлагает их чтение в данных из Azure Cosmos DB.

Компоненты

Сведения о сценарии

Персонализированный маркетинг имеет важное значение для создания лояльности клиентов и сохранения прибыльности. Достижение клиентов и привлечение их к участию сложнее, чем когда-либо, и универсальные предложения легко пропускаются или игнорируются. Текущие маркетинговые системы не могут воспользоваться преимуществами данных, которые могут помочь решить эту проблему.

Маркетологи, использующие интеллектуальные системы и анализируя большие объемы данных, могут предоставлять весьма релевантные и персонализированные предложения каждому пользователю, прорезая беспорядок и управляя взаимодействием. Например, розничные торговцы могут предоставлять предложения и контент на основе уникальных интересов, предпочтений и сходства продуктов, поставляя продукты перед людьми, скорее всего, купить их.

В этой архитектуре показано, как создать предложения персонализации решений с помощью Функции Azure, Машинного обучения Azure и Azure Stream Analytics.

Потенциальные варианты использования

Персонализируя предложения, вы предоставляете индивидуальный интерфейс для текущих и потенциальных клиентов, повышая вовлеченность и повышая конверсию клиентов, значение времени существования и хранение.

Это решение идеально подходит для розничных и маркетинговых отраслей.

Дальнейшие действия

См. документацию по продукту:

Попробуйте схему обучения:

Ознакомьтесь с другими статьями центра архитектуры Azure: