Düzenle

Kişiselleştirilmiş teklifler

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

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 çözüm, birden çok kaynaktan gelen verileri analiz eden makine öğrenmesi modellerini kullanarak müşteriye özel içerik sağlayan akıllı pazarlama sistemleri oluşturur. Akıllı Öneriler ve Azure Kişiselleştirme kullanılan temel teknolojilerdir.

Mimari

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

Bu mimarinin bir Visio dosyasını indirin.

Veri akışı

  1. Azure İşlevi uygulaması ham kullanıcı etkinliğini (ürün ve teklif tıklamaları gibi) ve web sitesindeki kullanıcılara yapılan teklifleri yakalar. Etkinlik Azure Event Hubs'a gönderilir. Kullanıcı etkinliğinin kullanılamadığı alanlarda, sanal kullanıcı etkinliği Redis için Azure Cache depolanır.
  2. Azure Stream Analytics, Azure Event Hubs örneğinden giriş akışında neredeyse gerçek zamanlı analiz sağlamak için verileri analiz eder.
  3. Toplanan veriler NoSQL için Azure Cosmos DB'ye gönderilir.
  4. Power BI, toplanan veriler hakkında içgörüler aramak için kullanılır.
  5. Ham veriler Azure Data Lake Depolamaya gönderilir.
  6. Akıllı Öneriler, Azure Data Lake Depolama ham verilerini kullanır ve Azure Kişiselleştirme'ye öneriler sağlar.
  7. Kişiselleştirme hizmeti, en iyi bağlamsal ve kişiselleştirilmiş ürünlere ve tekliflere hizmet eder.
  8. Kişiselleştirilmiş ürünler ve teklifler sağlamak için Kişiselleştirme hizmetine sanal kullanıcı etkinliği verileri sağlanır.
  9. Sonuçlar, kullanıcının eriştiği web uygulamasında sağlanır.
  10. Görüntülenen tekliflere ve ürünlere kullanıcının tepkisi temelinde kullanıcı geri bildirimi yakalanır. Ödül puanı, zaman içinde daha iyi performans göstermesini sağlamak için Kişiselleştirici hizmetine sağlanır
  11. Akıllı Öneriler için yeniden eğitme daha iyi önerilere neden olabilir. Bu işlem, Azure Data Lake Depolama'dan yenilenen veriler kullanılarak da gerçekleştirilebilir.

Bileşenler

  • Event Hubs tam olarak yönetilen bir akış platformudur. Bu çözümde Event Hubs gerçek zamanlı tüketim verilerini toplar.
  • Stream Analytics gerçek zamanlı sunucusuz akış işleme sunar. Bu hizmet, bulutta ve uç cihazlarda sorgu çalıştırmanın bir yolunu sağlar. Bu çözümde Stream Analytics akış verilerini toplar ve görselleştirme ve güncelleştirmeler için kullanılabilir hale getirir.
  • Azure Cosmos DB , genel olarak dağıtılmış, çok modelli bir veritabanıdır. Azure Cosmos DB ile çözümleriniz, işleme hızını ve depolama alanını istediğiniz sayıda coğrafi bölgede esnek bir şekilde ölçeklendirebilir. NoSQL için Azure Cosmos DB, verileri belge biçiminde depolar ve Azure Cosmos DB'nin sunduğu çeşitli veritabanı API'lerinden biridir. Bu çözümün GitHub uygulamasında DocumentDB müşteriyi, ürünü ve teklif bilgilerini depolamak için kullanılmıştır, ancak NoSQL için Azure Cosmos DB'yi de kullanabilirsiniz. Daha fazla bilgi için bkz . Değerli DocumentDB müşterileri, Azure Cosmos DB'ye hoş geldiniz!.
  • Depolama nesne, dosya, disk, kuyruk ve tablo depolamayı içeren bir bulut depolama çözümüdür. Hizmetler arasında verileri aktarmaya, paylaşmaya ve yedeklemeye yönelik karma depolama çözümleri ve araçları bulunur. Bu çözüm, kullanıcı etkileşimi simülasyonu oluşturan kuyrukları yönetmek için Depolama kullanır.
  • İşlevler , uygulama oluşturmak için kullanabileceğiniz sunucusuz bir işlem platformudur. İşlevler ile, hizmetleri tümleştirmek için tetikleyicileri ve bağlamaları kullanabilirsiniz. Bu çözüm, kullanıcı simülasyonunu koordine etmek için İşlevler'i kullanır. İşlevler ayrıca kişiselleştirilmiş teklifler oluşturan temel bileşendir.
  • Machine Learning, makine öğrenmesi modellerini eğitmek, dağıtmak, otomatikleştirmek, yönetmek ve izlemek için kullanabileceğiniz bulut tabanlı bir ortamdır. Burada Machine Learning, kullanıcıdan ürüne benşim puanlaması sağlamak için her kullanıcının tercihlerini ve ürün geçmişini kullanır.
  • Redis için Azure Cache, Redis yazılımını temel alan bir bellek içi veri deposu sağlar. Redis için Azure Cache, tam olarak yönetilen bir teklif olarak açık kaynak Redis özellikleri sağlar. Bu çözümde Redis için Azure Cache, kullanılabilir kullanıcı geçmişi olmayan müşteriler için önceden hesaplanan ürün benzimiteleri sağlar.
  • Power BI , etkileşimli görselleştirmeler ve iş zekası özellikleri sunan bir iş analizi hizmetidir. Kullanımı kolay arabirimi, kendi raporlarınızı ve panolarınızı oluşturmanıza olanak tanır. Bu çözüm, sistemde gerçek zamanlı etkinliği görüntülemek için Power BI'ı kullanır. Örneğin Power BI, çeşitli tekliflere müşteri yanıtını görüntülemek için NoSQL için Azure Cosmos DB'den alınan verileri kullanır.
  • Data Lake Depolama, verilerin yerel ham biçiminde büyük miktarda veri barındıran ölçeklenebilir bir depolama deposudur.

Çözüm ayrıntıları

Günümüzün son derece rekabetçi ve bağlı ortamında modern işletmeler artık genel, statik çevrimiçi içerikte hayatta kalamıyor. Ayrıca, geleneksel araçları kullanan pazarlama stratejileri pahalı ve uygulanması zor olabilir. Sonuç olarak, istenen yatırım getirisini üretmez. Bu sistemler genellikle kullanıcılar için daha kişiselleştirilmiş bir deneyim oluşturduklarında toplanan verilerden tam olarak yararlanamaz.

Her kullanıcı için özelleştirilmiş teklifler sunmak, müşteri sadakati oluşturmak ve kârlı kalmak için gerekli hale gelmiştir. Perakende web sitesinde müşteriler, benzersiz ilgi alanlarına ve tercihlerine göre teklifler ve içerik sağlayan akıllı sistemlere sahip olmak ister. Günümüzün dijital pazarlama ekipleri, her türlü kullanıcı etkileşiminden oluşturulan verileri kullanarak bu zekayı oluşturabilir.

Pazarlamacılar artık çok büyük miktarlardaki verileri analiz ederek her kullanıcıya yüksek oranda ilgili ve kişiselleştirilmiş teklifler sunma fırsatına sahip. Ancak güvenilir ve ölçeklenebilir bir büyük veri altyapısı oluşturmak önemsiz değildir. Ayrıca her kullanıcı için kişiselleştirilmiş gelişmiş makine öğrenmesi modelleri geliştirmek de karmaşık bir girişimdir.

Akıllı Öneriler, kullanıcı etkileşimlerini ve meta verileri temel alan öğe önerileri gibi istenen sonuçları elde etmeye yönelik özellikler sunar. Satılabilir ürünler, medya, belgeler, teklifler ve daha fazlası gibi herhangi bir içerik türünü yükseltmek ve kişiselleştirmek için kullanılabilir.

Azure Kişiselleştirme, Azure Bilişsel Hizmetler'in bir parçası olan bir hizmettir. Alışveriş yapanlara hangi ürünü önereceklerini belirlemek veya bir reklam için en uygun konumu bulmak için kullanılabilir. Kişiselleştirme, ek son adım dereceleyici olarak görev yapar. Öneriler kullanıcıya gösterildikten sonra kullanıcının tepkisi izlenir ve Kişiselleştirici hizmetine ödül puanı olarak bildirilir. Bu işlem, hizmetin sürekli öğrenmesini sağlar ve kişiselleştirmenin alınan bağlamsal bilgilere göre en iyi öğeleri seçme becerisini geliştirir.

Microsoft Azure, kişiselleştirilmiş bir teklif çözümü oluşturmaya yönelik tüm temel öğeler olan veri alımı, veri depolama, veri işleme ve gelişmiş analiz bileşenleri alanlarında gelişmiş analiz araçları sağlar.

Sistem tümleştirici

Eğitilmiş bir sistem tümleştiricisi (SI) işe alarak bu çözümü uygularken zaman kazanabilirsiniz. SI, kavram kanıtı geliştirmenize yardımcı olabilir ve çözümü dağıtmanıza ve tümleştirmenize yardımcı olabilir.

Olası kullanım örnekleri

Bu çözüm, müşteri verilerine (görüntülenen ve/ veya satın alınan ürünler) bağlı olarak mal ve hizmetlerin pazarlaması için geçerlidir. Bu, aşağıdaki alanlarda uygulanabilir:

  • E-ticaret - Bu, kişiselleştirmenin müşteri davranışı ve ürün önerileriyle yaygın olarak kullanıldığı bir alandır.

  • Perakende - Önceki satın alma verilerine bağlı olarak ürünlerle ilgili öneriler ve teklifler sağlanabilir.

  • Telekom - Bu alandaki kullanıcı etkileşimi temelinde öneriler sağlanabilir. Diğer sektörlerle karşılaştırıldığında ürün ve teklif aralıkları sınırlı olabilir.

Katkıda Bulunanlar

Bu makale Microsoft tarafından yönetilir. Başlangıçta aşağıdaki katkıda bulunanlar tarafından yazılmıştır.

Asıl yazar:

Genel olmayan LinkedIn profillerini görmek için LinkedIn'de oturum açın.

Sonraki adımlar