編輯

共用方式為

個人化供應專案

Azure 事件中樞
Azure Functions
Azure Machine Learning
Azure 儲存體
Azure 串流分析

解決方案構想

本文說明解決方案概念。 您的雲端架構設計人員可以使用本指南，協助可視化此架構的一般實作的主要元件。 使用本文作為起點，設計符合您工作負載特定需求的架構良好解決方案。

此解決方案會建置智慧型手機行銷系統，使用分析來自多個來源數據的機器學習模型，提供客戶量身訂做的內容。 所使用的關鍵技術包括智慧型手機建議和 Azure 個人化工具。

架構

顯示如何透過合併產品和供應項目檢視來產生個人化供應專案的架構圖表。

下載此架構的 Visio 檔案。

資料流程

  1. Azure Functions 應用程式會擷取原始用戶活動（例如產品和供應專案點擊專案），以及網站上對用戶進行的供應專案。 活動會傳送至 Azure 事件中樞。 在無法使用用戶活動的區域，仿真的用戶活動會儲存在 Azure Cache for Redis 中。
  2. Azure 串流分析會分析數據，以針對來自 Azure 事件中樞 實例的輸入數據流提供近乎即時的分析。
  3. 匯總的數據會傳送至適用於 NoSQL 的 Azure Cosmos DB。
  4. Power BI 可用來尋找匯總數據的深入解析。
  5. 未經處理資料會傳送到 Azure Data Lake 儲存體。
  6. 智慧型建議使用來自 Azure Data Lake Storage 的原始數據，並提供 Azure 個人化工具的建議。
  7. 個人化工具服務提供最上層的內容型與個人化產品與供應專案。
  8. 仿真的用戶活動數據會提供給個人化工具服務，以提供個人化產品和供應專案。
  9. 結果會在使用者存取的 Web 應用程式上提供。
  10. 根據使用者對所顯示供應專案和產品的反應，擷取使用者意見反應。 獎勵分數會提供給個人化工具服務，使其在一段時間內執行得更好
  11. 重新定型智慧型手機建議可能會導致更好的建議。 您也可以使用 Azure Data Lake Storage 的重新整理數據來完成此程式。

元件

  • 事件中 樞是完全受控的串流平臺。 在此解決方案中，事件中樞會收集即時耗用量數據。
  • 串流分析 提供即時無伺服器串流處理。 此服務提供在雲端和邊緣裝置上執行查詢的方式。 在此解決方案中，串流分析會匯總串流數據，並使其可供視覺效果和更新使用。
  • Azure Cosmos DB 是全域散發的多模型資料庫。 透過 Azure Cosmos DB，您的解決方案可以在任意數目的地理區域彈性調整輸送量和記憶體。 適用於 NoSQL 的 Azure Cosmos DB 會以檔案格式儲存數據，而且是 Azure Cosmos DB 所提供的數個資料庫 API 之一。 在此解決方案的 GitHub 實作中，DocumentDB 用來儲存客戶、產品和供應項目資訊，但您也可以使用適用於 NoSQL 的 Azure Cosmos DB。 如需詳細資訊，請參閱 親愛的 DocumentDB 客戶，歡迎使用 Azure Cosmos DB！。
  • 記憶體是雲端記憶體解決方案，其中包含物件、檔案、磁碟、佇列和數據表記憶體。 服務包括混合式記憶體解決方案和工具，可用於傳輸、共用和備份數據。 此解決方案會使用記憶體來管理模擬用戶互動的佇列。
  • Functions 是無伺服器計算平臺，可用來建置應用程式。 透過 Functions，您可以使用觸發程式和系結來整合服務。 此解決方案會使用 Functions 來協調用戶模擬。 函式也是產生個人化供應專案的核心元件。
  • 機器學習 是雲端式環境，可用來定型、部署、自動化、管理和追蹤機器學習模型。 在這裡，機器學習 會使用每個使用者的喜好設定和產品歷程記錄來提供使用者對產品親和性評分。
  • Azure Cache for Redis 提供以 Redis 軟體為基礎的記憶體內部數據存放區。 Azure Cache for Redis 提供開放原始碼 Redis 功能作為完全受控供應專案。 在此解決方案中，Azure Cache for Redis 可為沒有可用使用者歷程記錄的客戶提供預先計算的產品親和性。
  • Power BI 是一項商務分析服務，可提供互動式視覺效果和商業智慧功能。 其易於使用的介面可讓您建立自己的報表和儀錶板。 此解決方案會使用Power BI 在系統中顯示即時活動。 例如，Power BI 會使用適用於 NoSQL 的 Azure Cosmos DB 資料來顯示客戶對各種供應項目的回應。
  • Data Lake Storage 是可調整的記憶體存放庫，可保存數據原生原始格式的大量數據。

解決方案詳細資料

在現今競爭激烈且連線的環境中，現代企業在一般、靜態的在線內容上無法再生存。 此外，使用傳統工具的行銷策略可能昂貴且難以實作。 因此，它們不會產生所需的投資報酬率。 這些系統在為使用者建立更個人化的體驗時，通常無法充分利用收集的數據。

呈現針對每個使用者自定義的供應項目，對於建立客戶忠誠度和剩餘利潤至關重要。 在零售網站上，客戶希望智慧型手機系統根據其獨特興趣和喜好，提供供應項目和內容。 現今的數位行銷小組可以使用所有類型的用戶互動所產生的數據來建置此智慧。

營銷人員現在有機會藉由分析大量數據，向每個使用者提供高度相關的個人化供應專案。 但是，建置可靠且可調整的巨量數據基礎結構並不簡單。 開發針對每個用戶個人化的複雜機器學習模型也是一項複雜的工作。

智慧型手機建議提供可驅動所需結果的功能，例如以用戶互動和元數據為基礎的項目建議。 它可以用來宣傳和個人化任何內容類型，例如可銷售的產品、媒體、檔、供應專案等等。

Azure 個人化工具是屬於 Azure AI 服務一部分的服務。 它可以用來判斷向購物者建議的產品，或找出廣告的最佳位置。 個人化工具可作為其他最後步驟排名器。 向使用者顯示建議之後，用戶的反應會受到監視，並回報為獎勵分數回到個人化工具服務。 此程式可確保服務會持續學習，並增強個人化工具根據收到的內容資訊選取最佳專案的能力。

Microsoft Azure 在數據擷取、數據儲存、數據處理和進階分析元件等領域提供進階分析工具，這是建置個人化供應專案解決方案的所有基本元素。

系統整合者

您可以藉由僱用經過訓練的系統整合器，來節省實作此解決方案的時間。 系統整合者可協助您開發概念證明，並有助於部署和整合解決方案。

潛在使用案例

此解決方案適用於根據客戶數據（已檢視或購買的產品）來行銷產品和服務。 這可能適用於下列領域：

  • 電子商務 - 這是個人化廣泛用於客戶行為和產品建議的領域。

  • 零售 - 根據先前的購買數據，可以在產品上提供建議和供應專案。

  • 電信 - 根據此領域的用戶互動，可以提供建議。 與其他產業相比，產品和供應專案範圍可能有限。

參與者

本文由 Microsoft 維護。 原始投稿人如下。

主體作者：

若要查看非公開的 LinkedIn 設定檔，請登入 LinkedIn。

下一步