Perakende için Azure'ın kullanıldığı ürün önerileri

Blob Depolama
Event Hubs
HDInsight
Stream Analytics
Power BI

Çözüm fikirleri

Bu makale bir çözüm fikridir. İçeriği olası kullanım örnekleri, alternatif hizmetler, uygulama konuları veya fiyatlandırma kılavuzu gibi daha fazla bilgiyle genişletmemizi isterseniz GitHub geri bildirimi sağlayarak bize bildirin.

Müşteri ilgi alanları ve satın alma desenleri arasında derin bir anlayış, her perakende iş zekası operasyonunun kritik bir bileşenidir. Bu makalede, müşteri verilerini eksiksiz bir profile toplama işlemini uygulamaya yönelik bir çözüm sunulur. Gelişmiş makine öğrenmesi modelleri, sanal müşterilerle ilgili tahmine dayalı içgörüler sağlamak için Azure'ın güvenilirlik ve işlem gücüyle desteklenir.

Olası kullanım örnekleri

Bu çözüm genellikle perakendeciler tarafından kullanılır.

Mimari

Olay oluşturucu ile pano arasındaki veri akışını gösteren mimari diyagramı. Diğer aşamalar arasında analiz ve makine öğrenmesi yer alır.Bu mimarinin SVG'sini indirin.

Veri akışı

  1. Veri oluşturucu, müşteri olaylarının simülasyonunu Azure Event Hubs.
  2. Azure Stream Analytics işi Event Hubs'dan okur ve toplamalar gerçekleştirir.
  3. Stream Analytics, zaman gruplandırılmış verileri Azure Blob Depolama kalıcı hale getirmek için kullanır.
  4. Azure HDInsight'ta çalışan bir Spark işi, birleşik bir kullanıcı profili oluşturmak için en son müşteri göz atma verilerini geçmiş satın alma ve demografik verilerle birleştirir.
  5. İkinci bir Spark işi, her müşteri profilini bir makine öğrenmesi modeline göre puanlar. Bu işlem, gelecekteki satın alma düzenlerini tahmin eder. Bu tahminler, belirli bir müşterinin önümüzdeki 30 gün içinde satın alma işlemi yapıp yapmayacağını gösterir. Öyleyse, satın alma işleminin olası ürün kategorisini sistem belirler.
  6. Tahminler ve diğer profil verileri, Power BI hizmeti grafik ve tablo olarak görselleştirilir ve paylaşılır.

Bileşenler

  • Blob Depolama , Azure Depolama'nın bir parçası olan bir hizmettir. Blob Depolama, büyük miktarlarda yapılandırılmamış veriler için iyileştirilmiş bulut nesnesi depolama alanı sunar.
  • Event Hubs tam olarak yönetilen bir akış platformudur.
  • Azure Machine Learning , makine öğrenmesi modellerini eğitmek, dağıtmak, otomatikleştirmek, yönetmek ve izlemek için kullanabileceğiniz bulut tabanlı bir ortamdır.
  • Azure SQL Veritabanı, tam olarak yönetilen bir hizmet olarak platform (PaaS) veritabanı altyapısıdır. SQL Veritabanı, SQL Server'nin en son kararlı sürümünde ve düzeltme eki uygulanmış bir işletim sisteminde çalışır.
  • Stream Analytics gerçek zamanlı sunucusuz akış işleme sunar. Bu hizmet, bulutta ve uç cihazlarda sorgu çalıştırmak için bir yol sağlar.
  • Power BI , etkileşimli görselleştirmeler ve iş zekası özellikleri sunan bir iş analizi hizmetidir. Kullanımı kolay arabirimi, kendi raporlarınızı ve panolarınızı oluşturmanızı mümkün kılar.
  • HDInsight , kuruluşlar için yönetilen, tam spektrumlu, açık kaynaklı, bulut tabanlı bir analiz hizmetidir.

Bu senaryoyu dağıtın

Bu çözümün nasıl oluşturulduğu hakkında daha fazla bilgi için GitHub'daki çözüm kılavuzuna bakın.

Tipik bir perakende işletmesi müşteri verilerini çeşitli kanallardan toplar. Bu kanallar web'e gözatma desenleri, satın alma davranışları, demografik bilgiler ve diğer oturum tabanlı web verilerini içerir. Bazı veriler temel iş operasyonlarından kaynaklanır. Ancak, iş ortakları, üreticiler, genel etki alanı vb. gibi dış kaynaklardan başka veriler çekilmeli ve birleştirilmelidir.

Birçok işletme kullanılabilir verilerin yalnızca küçük bir kısmını uygular, ancak yatırım getirisini en üst düzeye çıkarmak için işletmenin tüm kaynaklardan ilgili verileri tümleştirmesi gerekir. Geleneksel olarak, dış, heterojen veri kaynaklarının paylaşılan veri işleme altyapısına tümleştirilmesi için önemli çaba ve kaynakların ayarlanması gerekir. Bu çözüm, müşteri satın alma etkinliğini tahmin etmek için analiz ve makine öğrenmesini tümleştirmeye yönelik basit, ölçeklenebilir bir yaklaşımı açıklar.

Çözüm özellikleri

Bu çözüm, önceki bölümde belirtilen sorunları giderir:

  • Birden çok veri kaynağındaki verilere tekdüzen erişirken, veri taşımayı ve sistem karmaşıklığını en aza indirerek performansı artırır.
  • Tahmine dayalı makine öğrenmesi modelini kullanmak için gereken ayıklama-aktarma-yükleme (ETL) işlemlerini ve özellik mühendisliğini gerçekleştirerek.
  • Dağıtılmış bir sistemde çalışan tahmine dayalı analizlerle zenginleştirilmiş kapsamlı bir müşteri 360 profili oluşturarak. Bu analiz, Microsoft R Server ve HDInsight tarafından desteklenmiştir.

Sonraki adımlar