解决方案构想
本文是一种解决方案构想。 如果你希望我们在内容中扩充更多信息，例如潜在用例、备用服务、实现注意事项或定价指南，请通过提供 GitHub 反馈来告知我们。
此体系结构演示如何使用 Azure Functions、Azure 机器学习和 Azure 流分析创建制定个性化套餐的解决方案。
体系结构
下载此体系结构的 Visio 文件。
数据流
- 事件中心从 Azure Functions 引入原始点击流数据，并将其传递到流分析。
- Azure 流分析按产品、套餐和用户准实时地聚合点击次数。 写入 Azure Cosmos DB，并将原始点击流数据存档到 Azure 存储。
- Azure Cosmos DB 按用户、产品和套餐用户资料信息存储点击的聚合数据。
- Azure 存储存储来自流分析的存档原始点击流数据。
- Azure Functions 从网站获取用户点击流数据，并从 Azure Cosmos DB 读取现有用户历史记录。 然后，这些数据通过机器学习 Web 服务运行，或与 Azure Cache for Redis 中的冷启动数据一起使用，以获取产品相关性分数。 产品相关性分数与个性化套餐逻辑一起使用，以确定要向用户呈现的最相关的套餐。
- Azure 机器学习可帮助你在云中设计、测试、操作和管理预测分析解决方案。
- Azure Cache for Redis 为没有历史记录的用户存储预先计算的冷启动产品相关性分数。
- Power BI 可将通过从 Azure Cosmos DB 读取数据来呈现的用户活动数据和套餐可视化。
组件
方案详细信息
个性化营销对于建立客户忠诚度和保持盈利至关重要。 接触并保留客户比以往任何时候都更难，且很容易错过或忽略通用套餐。 当前的营销系统无法利用可以帮助解决此问题的数据。
使用智能系统并分析大量数据的营销人员可以为每个用户提供高度相关的个性化套餐，从而消除混乱并提高客户参与度。 例如，零售商可以根据每个客户的独特兴趣、偏好和产品相关性提供套餐和内容，将产品放在最有可能购买它们的人面前。
此体系结构演示如何使用 Azure Functions、Azure 机器学习和 Azure 流分析创建制定个性化套餐的解决方案。
可能的用例
通过制定个性化套餐，可为当前和潜在客户提供个性化体验，从而提高客户参与度、客户转化率、生命周期价值和保留率。
此解决方案非常适合零售和营销行业。
后续步骤
请参阅产品文档：
- 详细了解事件中心
- 详细了解流分析
- 了解如何使用 Azure Cosmos DB
- 详细了解 Azure 存储
- 了解如何创建函数
- 详细了解机器学习
- 了解如何使用 Azure Redis 缓存
- 了解 Power BI
尝试学习路径：
相关资源
请阅读其他 Azure 体系结构中心文章：