Personalisierte Angebote

Azure Event Hubs
Azure-Funktionen
Azure Machine Learning
Azure Storage
Azure Stream Analytics

Lösungsmöglichkeiten

In diesem Artikel ist ein Lösungsvorschlag beschrieben. Ihr Cloudarchitekt kann diesen Leitfaden verwenden, um die Hauptkomponenten einer typischen Implementierung dieser Architektur zu visualisieren. Verwenden Sie diesen Artikel als Ausgangspunkt, um eine gut durchdachte Lösung zu entwerfen, die den spezifischen Anforderungen Ihrer Workload entspricht.

Diese Lösung dient zum Erstellen intelligenter Marketingsysteme, die mithilfe von Machine Learning-Modellen, die Daten aus mehreren Quellen analysieren, individuelle Inhalte für Kunden bereitstellen. Zu den verwendeten Schlüsseltechnologien gehören „Intelligent Recommendations“ und „Azure-Personalisierung“.

Architektur

Architekturdiagramm; dass zeigt, wie die personalisierten Angebote durch verbundenen und Angebotsdarstellungen angezeigt werden

Laden Sie eine Visio-Datei dieser Architektur herunter.

Datenfluss

  1. Eine Azure Functions-App erfasst die rohen Benutzeraktivitäten (z. B. Klicks auf Produkte und Angebote) und Angebote, die Benutzern auf der Website gemacht werden. Die Aktivitäten werden an Azure Event Hubs gesendet. In Bereichen, in denen keine Benutzeraktivitätsdaten verfügbar sind, wird die simulierte Benutzeraktivität in Azure Cache for Redis gespeichert.
  2. Azure Stream Analytics analysiert die Daten, um nahezu in Echtzeit verfügbare Analysen zum Eingabestream aus der Azure Event Hubs-Instanz bereitzustellen.
  3. Die aggregierten Daten werden an Azure Cosmos DB for NoSQL gesendet.
  4. Mit Power BI können Sie nach Erkenntnissen zu den aggregierten Daten suchen.
  5. Die Rohdaten werden an Azure Data Lake Storage gesendet.
  6. Das Feature „Intelligent Recommendations“ verwendet die Rohdaten aus Azure Data Lake Storage und bietet Empfehlungen für Azure-Personalisierung.
  7. Der Personalisierungsdienst bietet die besten kontextbezogenen und personalisierten Produkte und Angebote.
  8. Simulierte Benutzeraktivitätsdaten werden dem Personalisierungsdienst zur Verfügung gestellt, um personalisierte Produkte und Angebote bereitzustellen.
  9. Die Ergebnisse werden der Web-App bereitgestellt, auf die der Benutzer zugreift.
  10. Das Benutzerfeedback wird basierend auf der Reaktion des Benutzers auf die angezeigten Angebote und Produkte erfasst. Die Relevanzbewertung wird dem Personalisierungsdienst bereitgestellt, um die Leistung im Zeitverlauf zu verbessern.
  11. Ein erneutes Trainieren von Intelligent Recommendations kann zu besseren Empfehlungen führen. Dieser Prozess kann auch mit aktualisierten Daten aus Azure Data Lake Storage durchgeführt werden.

Komponenten

  • Event Hubs ist eine vollständig verwaltete Streamingplattform. Azure Event Hubs erfasst in dieser Lösung Verbrauchsdaten in Echtzeit.
  • Stream Analytics bietet serverlose Datenstromverarbeitung in Echtzeit. Dieser Dienst bietet eine Möglichkeit zum Ausführen von Abfragen in der Cloud und auf Edge-Geräten. Stream Analytics aggregiert in dieser Lösung die Streamingdaten und stellt sie zur Visualisierung zur Verfügung.
  • Azure Cosmos DB ist eine global verteilte Datenbank mit Unterstützung mehrerer Modelle. Mit Azure Cosmos DB können Sie Durchsatz und Speicher für Ihre Lösungen elastisch voneinander über eine beliebige Anzahl von geografischen Regionen skalieren. Azure Cosmos DB for NoSQL speichert Daten im Dokumentformat und ist eine von mehreren Datenbank-APIs, die Azure Cosmos DB bietet. In der GitHub-Implementierung dieser Lösung wurde DocumentDB verwendet, um den Kunden, das Produkt und die Angebotsinformationen zu speichern. Sie können aber auch Azure Cosmos DB for NoSQL einsetzen. Weitere Informationen finden Sie unter Liebe DocumentDB-Kunden, willkommen bei Azure Cosmos DB!.
  • Azure Storage ist eine Cloudspeicherlösung, die Objekt-, Datei-, Datenträger-, Warteschlangen- und Tabellenspeicher bietet. Zu den Diensten gehören Hybridspeicherlösungen und Tools für das Übertragen, Freigeben und Sichern von Daten. Azure Storage wird verwendet, um die Warteschlangen zu verwalten, die Benutzerinteraktionen simulieren.
  • Functions ist eine serverlose Computeplattform, auf der Sie Anwendungen erstellen können. Bei Functions können Sie Dienste mithilfe von Triggern und Datenbindungen im gewünschten Umfang integrieren. Diese Lösung verwendet Functions, um die Benutzersimulation zu koordinieren. Functions ist auch die Kernkomponente, die personalisierte Angebote generiert.
  • Machine Learning ist eine cloudbasierte Umgebung, die Ihnen das Trainieren, Bereitstellen, Automatisieren, Verwalten und Nachverfolgen von Machine Learning-Modellen ermöglicht. Hier verwendet Machine Learning die Einstellungen und den Produktverlauf jedes Benutzers, um die Bewertung der Benutzer-zu-Produkt-Bewertung bereitzustellen.
  • Azure Cache for Redis bietet einen auf der Redis-Software basierenden In-Memory-Datenspeicher. Azure Cache for Redis bietet Open-Source-Funktionen von Redis als vollständig verwaltetes Angebot. In dieser Lösung bietet Azure Cache for Redis vorab berechnete Produktaffinitäten für Kunden ohne verfügbaren Benutzerverlauf.
  • Power BI ist ein Unternehmensanalysedienst, der interaktive Visualisierungen und Business Intelligence-Funktionen bereitstellt. Die benutzerfreundliche Benutzeroberfläche ermöglicht es Ihnen, eigene Berichte und Dashboards zu erstellen. Diese Lösung verwendet Power BI, um Echtzeitaktivitäten im System anzuzeigen. Beispielsweise verwendet Power BI die Daten aus Azure Cosmos DB for NoSQL, um die Kundenreaktion auf verschiedene Angebote anzuzeigen.
  • Data Lake Storage ist ein skalierbares Repository zur Speicherung großer Datenmengen in ihrem nativen Rohformat.

Details zur Lösung

Moderne Unternehmen können in der heutigen hochgradig konkurrenzbetonten und vernetzten Umgebung mit generischen, statischen Onlineinhalten nicht überleben. Darüber hinaus können Marketingstrategien, die traditionelle Tools verwenden, teuer und schwer zu implementieren sein. Daher produzieren sie nicht die gewünschte Rendite für Investitionen. Diese Systeme können die gesammelten Daten häufig nicht optimal nutzen, um dem Benutzer ein stärker personalisiertes Erlebnis zu bieten.

Inzwischen sind für den Benutzer angepasste Angebote unverzichtbar, um Kundenbindung zu erzielen und rentabel zu bleiben. Die Kunden erwarten von einer Einzelhandelswebsite intelligente Systeme, die Angebote und Inhalte basierend auf ihren individuellen Interessen und Vorlieben bereitstellen. Die heutigen Teams für digitales Marketing können diese intelligenten Systeme mithilfe der Daten erstellen, die aus allen Typen von Benutzerinteraktionen generiert werden.

Vermarkter haben die einzigartige Möglichkeit, durch die Analyse riesiger Datenmengen jedem Benutzer hochrelevante und personalisierte Angebote bereitzustellen. Das Erstellen einer zuverlässigen und skalierbaren Big Data-Infrastruktur ist jedoch nicht trivial. Und die Entwicklung anspruchsvoller Machine Learning-Modelle, die für jeden Benutzer personalisiert sind, ist auch ein komplexes Unternehmen.

Das Feature „Intelligent Recommendations“ bietet Funktionen, mit denen Sie die gewünschten Ergebnisse erzielen können, z. B. Empfehlungen für Artikel, die auf Benutzerinteraktionen und Metadaten beruhen. Sie können damit jeden Inhaltstyp bewerben und personalisieren, z. B. verkaufsfähige Produkte, Medien, Dokumente, Angebote und mehr.

Azure Personalisierung ist Teil von Azure KI Services. Sie können damit bestimmen, welches Produkt Kunden vorgeschlagen werden soll oder welche Position für eine Anzeige optimal ist. Die Personalisierung fungiert als zusätzlicher letzter Schritt beim Zuweisen des Rangs. Nachdem die Empfehlungen dem Benutzer gezeigt wurden, wird die Reaktion des Benutzers überwacht und als Relevanzbewertung an den Personalisierungsdienst zurückgemeldet. Dieser Prozess stellt sicher, dass der Dienst kontinuierlich dazulernt, und verbessert die Fähigkeit der Personalisierung, die besten Elemente auf Grundlage der empfangenen kontextbezogenen Informationen auszuwählen.

Microsoft Azure bietet modernste Tools für die Datenerfassung, Speicherung und Verarbeitung von Daten sowie fortschrittliche Analysekomponenten - die alle wesentlichen Elemente für den Aufbau einer personalisierten Angebotslösung darstellen.

Systemintegrator

Sie können Zeit sparen, wenn Sie diese Lösung implementieren, indem Sie einen trainierten Systemintegrator einstellen. Der Systemintegrator kann Ihnen helfen, einen Machbarkeitsnachweis zu entwickeln und die Lösung bereitzustellen und zu integrieren.

Mögliche Anwendungsfälle

Diese Lösung eignet sich für das Marketing für Waren und Dienstleistungen basierend auf Kundendaten (angezeigte und/oder gekaufte Produkte). Sie kann in den folgenden Bereichen in Frage kommen:

  • E-Commerce: Dies ist ein Bereich, in dem Personalisierung anhand von Kundenverhalten und Produktempfehlungen weit verbreitet ist.

  • Einzelhandel: Basierend auf bisherigen Kaufdaten können Empfehlungen und Angebote für Produkte unterbreitet werden.

  • Telekommunikation: Basierend auf der Benutzerinteraktion in diesem Bereich können Empfehlungen gegeben werden. Im Vergleich zu anderen Branchen können die Produkt- und Angebotsbereiche begrenzt sein.

Beitragende

Dieser Artikel wird von Microsoft gepflegt. Er wurde ursprünglich von folgenden Mitwirkenden geschrieben:

Hauptautor:

Melden Sie sich bei LinkedIn an, um nicht öffentliche LinkedIn-Profile anzuzeigen.

Nächste Schritte