Redigera

Dela via


Personliga erbjudanden

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

Lösningsidéer

I den här artikeln beskrivs en lösningsidé. Molnarkitekten kan använda den här vägledningen för att visualisera huvudkomponenterna för en typisk implementering av den här arkitekturen. Använd den här artikeln som utgångspunkt för att utforma en välkonstruerad lösning som överensstämmer med arbetsbelastningens specifika krav.

Den här lösningen bygger intelligenta marknadsföringssystem som tillhandahåller kundanpassat innehåll med hjälp av maskininlärningsmodeller som analyserar data från flera källor. Viktiga tekniker som används är intelligenta rekommendationer och Azure Personalizer.

Arkitektur

Arkitekturdiagram som visar hur anpassade erbjudanden genereras genom att produkt- och erbjudandevyer införlivas.

Ladda ned en Visio-fil med den här arkitekturen.

Dataflöde

  1. En Azure Functions-app samlar in den råa användaraktiviteten (till exempel produkt- och erbjudandeklick) och erbjudanden som görs till användare på webbplatsen. Aktiviteten skickas till Azure Event Hubs. I områden där användaraktiviteten inte är tillgänglig lagras den simulerade användaraktiviteten i Azure Cache for Redis.
  2. Azure Stream Analytics analyserar data för att tillhandahålla analys i nära realtid på indataströmmen från Azure Event Hubs-instansen.
  3. Aggregerade data skickas till Azure Cosmos DB för NoSQL.
  4. Power BI används för att söka efter insikter om aggregerade data.
  5. Rådata skickas till Azure Data Lake Storage.
  6. Intelligenta rekommendationer använder rådata från Azure Data Lake Storage och ger rekommendationer till Azure Personalizer.
  7. Tjänsten Personalizer betjänar de främsta kontextuella och personliga produkterna och erbjudandena.
  8. Simulerade användaraktivitetsdata tillhandahålls till personanpassningstjänsten för att tillhandahålla anpassade produkter och erbjudanden.
  9. Resultatet tillhandahålls i webbappen som användaren kommer åt.
  10. Användarfeedback samlas in baserat på användarens reaktion på de erbjudanden och produkter som visas. Belöningspoängen ges till personanpassningstjänsten för att få den att prestera bättre över tid
  11. Omträning för intelligenta rekommendationer kan resultera i bättre rekommendationer. Den här processen kan också göras med hjälp av uppdaterade data från Azure Data Lake Storage.

Komponenter

  • Event Hubs är en fullständigt hanterad strömningsplattform . I den här lösningen samlar Event Hubs in realtidsförbrukningsdata.
  • Stream Analytics erbjuder serverlös dataströmbearbetning i realtid. Den här tjänsten är ett sätt att köra frågor i molnet och på gränsenheter. I den här lösningen aggregerar Stream Analytics strömmande data och gör dem tillgängliga för visualisering och uppdateringar.
  • Azure Cosmos DB är en globalt distribuerad databas med flera modeller. Med Azure Cosmos DB kan dina lösningar elastiskt skala dataflöde och lagring i valfritt antal geografiska regioner. Azure Cosmos DB for NoSQL lagrar data i dokumentformat och är en av flera databas-API:er som Azure Cosmos DB erbjuder. I GitHub-implementeringen av den här lösningen användes DocumentDB för att lagra kund-, produkt- och erbjudandeinformation, men du kan också använda Azure Cosmos DB för NoSQL. Mer information finns i Bästa DocumentDB-kunder, välkommen till Azure Cosmos DB!.
  • Lagring är en molnlagringslösning som innehåller objekt, fil, disk, kö och tabelllagring. Tjänsterna omfattar hybridlagringslösningar och verktyg för överföring, delning och säkerhetskopiering av data. Den här lösningen använder Storage för att hantera köerna som simulerar användarinteraktion.
  • Functions är en serverlös beräkningsplattform som du kan använda för att skapa program. Med Functions kan du använda utlösare och bindningar för att integrera tjänster. Den här lösningen använder Functions för att samordna användarsimuleringen. Functions är också den viktigaste komponenten som genererar anpassade erbjudanden.
  • Mašinsko učenje är en molnbaserad miljö som du kan använda för att träna, distribuera, automatisera, hantera och spåra maskininlärningsmodeller. Här använder Mašinsko učenje varje användares inställningar och produkthistorik för att tillhandahålla tillhörighetsbedömning från användare till produkt.
  • Azure Cache for Redis tillhandahåller ett minnesinternt datalager som baseras på Redis-programvara. Azure Cache for Redis tillhandahåller Redis-funktioner med öppen källkod som ett fullständigt hanterat erbjudande. I den här lösningen tillhandahåller Azure Cache for Redis förberäknade produkttillhörigheter för kunder utan tillgänglig användarhistorik.
  • Power BI är en tjänst för affärsanalys som tillhandahåller interaktiva visualiseringar och business intelligence-funktioner. Det lätthanterade gränssnittet gör det möjligt för dig att skapa egna rapporter och instrumentpaneler. Den här lösningen använder Power BI för att visa realtidsaktivitet i systemet. Power BI använder till exempel data från Azure Cosmos DB för NoSQL för att visa kundens svar på olika erbjudanden.
  • Data Lake Storage är en skalbar lagringsplats som innehåller en stor mängd data i datans ursprungliga rådataformat.

Lösningsdetaljer

I dagens mycket konkurrenskraftiga och uppkopplade miljö kan moderna företag inte längre överleva på generiskt, statiskt onlineinnehåll. Dessutom kan marknadsföringsstrategier som använder traditionella verktyg vara dyra och svåra att implementera. Därför ger de inte önskad avkastning på investeringen. Dessa system kan ofta inte dra full nytta av insamlade data när de skapar en mer personlig upplevelse för användare.

Att presentera erbjudanden som är anpassade för varje användare har blivit viktigt för att skapa kundlojalitet och förbli lönsam. På en detaljhandelswebbplats vill kunderna ha intelligenta system som tillhandahåller erbjudanden och innehåll baserat på deras unika intressen och preferenser. Dagens digitala marknadsföringsteam kan skapa den här intelligensen med hjälp av de data som genereras från alla typer av användarinteraktioner.

Marknadsförare har nu möjlighet att leverera mycket relevanta och anpassade erbjudanden till varje användare genom att analysera enorma mängder data. Men att skapa en tillförlitlig och skalbar stordatainfrastruktur är inte trivialt. Och att utveckla avancerade maskininlärningsmodeller som är anpassade för varje användare är också ett komplext åtagande.

Intelligenta rekommendationer erbjuder funktioner för att skapa önskade resultat, till exempel objektrekommendationer som baseras på användarinteraktioner och metadata. Den kan användas för att marknadsföra och anpassa alla innehållstyper, till exempel säljbara produkter, media, dokument, erbjudanden med mera.

Azure Personalizer är en tjänst som ingår i Azure AI-tjänster. Det kan användas för att avgöra vilken produkt som ska föreslås till kunder eller för att ta reda på den optimala positionen för en annons. Personanpassning fungerar som ytterligare rankning i sista steget. När rekommendationerna visas för användaren övervakas användarens reaktion och rapporteras som en belöningspoäng tillbaka till personanpassningstjänsten. Den här processen säkerställer att tjänsten lär sig kontinuerligt och förbättrar möjligheten för Personanpassning att välja de bästa objekten baserat på den kontextuella information som tas emot.

Microsoft Azure tillhandahåller avancerade analysverktyg inom områdena datainmatning, datalagring, databearbetning och avancerade analyskomponenter – alla viktiga element för att skapa en anpassad erbjudandelösning.

Systemintegrator

Du kan spara tid när du implementerar den här lösningen genom att anställa en utbildad systemintegrerare. Systemintegratören kan hjälpa dig att utveckla ett konceptbevis och kan hjälpa dig att distribuera och integrera lösningen.

Potentiella användningsfall

Den här lösningen gäller marknadsföring av varor och tjänster baserat på kunddata (produkter som visas eller köps). Detta kan vara tillämpligt inom följande områden:

  • E-handel – Det här är ett område där anpassning används i stor utsträckning med kundbeteende och produktrekommendationer.

  • Detaljhandel – Baserat på tidigare inköpsdata kan rekommendationer och erbjudanden tillhandahållas på produkter.

  • Telecom – Baserat på användarinteraktion på det här området kan rekommendationer ges. Jämfört med andra branscher kan produkt- och erbjudandeintervallen vara begränsade.

Deltagare

Den här artikeln underhålls av Microsoft. Det har ursprungligen skrivits av följande medarbetare.

Huvudförfattare:

Om du vill se icke-offentliga LinkedIn-profiler loggar du in på LinkedIn.

Nästa steg