Çözüm fikirleri
Bu makale bir çözüm fikridir. İçeriği olası kullanım örnekleri, alternatif hizmetler, uygulama konuları veya fiyatlandırma yönergeleri gibi daha fazla bilgiyle genişletmemizi isterseniz GitHub geri bildirimi sağlayarak bize bildirin.
Bu mimaride Azure İşlevleri, Azure Machine Learning ve Azure Stream Analytics ile nasıl çözüm kişiselleştirme teklifleri oluşturabileceğiniz gösterilmektedir.
Mimari
Bu mimarinin bir Visio dosyasını indirin.
Veri akışı
- Event Hubs, Azure İşlevleri ham tıklama akışı verilerini alır ve Stream Analytics'e geçirir.
- Azure Stream Analytics , tıklamaları ürüne, teklife ve kullanıcıya göre neredeyse gerçek zamanlı olarak toplar. Azure Cosmos DB'ye yazar ve azure Depolama ham tıklama akışı verilerini arşivler.
- Azure Cosmos DB , kullanıcıya, ürüne göre toplanan tıklama verilerini depolar ve kullanıcı profili bilgileri sunar.
- Azure Depolama, Stream Analytics'ten arşivlenmiş ham tıklama akışı verilerini depolar.
- Azure İşlevleri web sitelerinden kullanıcı tıklama akışı verilerini alır ve Azure Cosmos DB'deki mevcut kullanıcı geçmişini okur. Bu veriler daha sonra, Machine Learning web hizmeti aracılığıyla çalıştırılır veya ürün benzeşimi puanlarını almak için Redis için Azure Cache’te ilk çalıştırma verileriyle birlikte kullanılır. Ürün benzeşimi puanları, kullanıcının en çok ilgisini çekecek teklifin belirlenmesi için kişiselleştirilmiş teklif mantığı ile birlikte kullanılır.
- Azure Machine Learning , bulutta tahmine dayalı analiz çözümleri tasarlamanıza, test etmenize, kullanıma hazır hale getirmenize ve yönetmenize yardımcı olur.
- Redis için Azure Cache, geçmişe sahip olmayan kullanıcılar için önceden hesaplanan soğuk başlangıç ürün benzimliği puanlarını depolar.
- Power BI , kullanıcı etkinliği verilerinin görselleştirmesini sağlar ve Azure Cosmos DB'deki verileri okuyarak sunulan teklifleri sunar.
Components
- Event Hubs
- Azure Stream Analytics
- Azure Cosmos DB
- Azure Depolama
- Azure Functions
- Azure Machine Learning
- Redis için Azure Önbelleği
- Power BI
Senaryo ayrıntıları
Müşteri sadakatini güçlendirmek ve kazancın sürdürülebilirliğini sağlamak için kişiselleştirilmiş pazarlama, olmazsa olmazdır. Müşterilere ulaşmanın ve ilgi toplamanın her zamankinden zor olduğu günümüzde, genel teklifler kolayca gözden kaçıyor veya görmezden geliniyor. Şu anki pazarlama sistemleri, bu sorunun çözülmesine yardımcı olabilecek verilerin sağladığı avantajlardan yararlanamıyor.
Akıllı sistemler kullanan ve büyük miktarda veriyi çözümleyen pazarlamacılar, her kullanıcıya son derece ilgili ve kişiselleştirilmiş teklifler sunarak kendilerini öne çıkarabilir ve daha çok ilgi toplayabilir. Örneğin, perakendeciler her müşterinin benzersiz ilgi alanları, tercihleri ve ürün benzimi temelinde teklifler ve içerik sağlayarak ürünleri satın alma olasılığı en yüksek kişilerin önüne koyabilir.
Bu mimaride Azure İşlevleri, Azure Machine Learning ve Azure Stream Analytics ile nasıl çözüm kişiselleştirme teklifleri oluşturabileceğiniz gösterilmektedir.
Olası kullanım örnekleri
Tekliflerinizi kişiselleştirerek, mevcut ve potansiyel müşteriler için bireyselleştirilmiş bir deneyim sunacak, etkileşimi artıracak ve müşteri dönüşümlerini, yaşam süresi değerini ve saklamayı geliştireceksiniz.
Bu çözüm perakende ve pazarlama sektörleri için idealdir.
Sonraki adımlar
Ürün belgelerine bakın:
- Event Hubs hakkında daha fazla bilgi edinin
- Stream Analytics hakkında daha fazla bilgi edinin
- Azure Cosmos DB'yi kullanmayı öğrenin
- Azure Depolama hakkında daha fazla bilgi edinin
- İşlev oluşturmayı öğrenin
- Makine öğrenmesi hakkında daha fazla bilgi edinin
- Redis için Azure Cache kullanmayı öğrenin
- Power BI hakkında bilgi edinin
Öğrenme yolunu deneyin:
- Azure Streaming Analytics ile Veri Akışı Çözümü Uygulama
- Machine Learning modeli oluşturma
- Azure İşlevleri ile sunucusuz uygulamalar oluşturma
İlgili kaynaklar
Diğer Azure Mimari Merkezi makalelerini okuyun: