Személyre szabott
Stream Analytics Megoldási ötlet Ha szeretné látni, hogyan bővítjük ezt a cikket további információkkal, például lehetséges felhasználás esetekkel, alternatív szolgáltatásokkal, megvalósítási szempontokkal vagy díjszabási útmutatóval, tudajuk meg velünk a GitHub Visszajelzést!
A személyre szabott marketing elengedhetetlen az ügyfelek hűségének és nyereségességének építéséhez. Az ügyfelek elérése és elérése nehezebb, mint valaha, és az általános ajánlatok könnyen figyelmen kívül hagyhatók vagy figyelmen kívül hagyhatók. A jelenlegi marketingrendszerek nem tudnak olyan adatokat kihasználni, amelyek segíthetnek a probléma megoldásában. Az intelligens rendszereket használó és nagy mennyiségű adat elemzésével a marketingesek rendkívül releváns és személyre szabott ajánlatokat kínálnak az egyes felhasználóknak, így átveszik a zsúfoltságot és a részvételt.
A kereskedők például az egyes ügyfelek egyedi érdeklődési körének, preferenciáinak és termékaffiniálatának megfelelően kínálnak ajánlatokat és tartalmakat, így a termékeket azok elé a személyek elé adhatja, személyre szabott a legnagyobb valószínűséggel megvásárolják őket. Ez az architektúra bemutatja, hogyan hozhat létre ajánlatokat személyre szabó megoldásokat a Személyre szabott FunctionsAzure Machine Learning és Azure Stream Analytics.
Kutatói Szalon: fókuszban a molekuláris onkológia és a személyre szabott terápia Az eseményt dr. Ferdinandy Péter, a Semmelweis Egyetem tudományos és innovációs rektorhelyettese nyitotta meg. Ez az első Kutatói Szalon ebben a szemeszterben. A tavalyi évben a sorozatot szüneteltettük a COVID járvány miatt, mivel úgy gondoltuk, hogy az eseménynek személyes jelenléttel van igazán értelme — fogalmazott megnyitó beszédében dr.
Lehetséges használati esetek Az ajánlatok személyre szabása személyre szabott élményt nyújt a jelenlegi és a jövőbeli ügyfeleknek, így növeli a részvételt, és javítja az ügyfelek konverzióját, élettartam-értékét és megtartását. Architektúra Töltse le az architektúra SVG-ját.
Azure Stream Analytics az összesítések kattintásai diabetic retinopathy icd 10 code valós időben, termék, ajánlat és felhasználó szerint. Azure Cosmos DB felhasználó, termék szerint tárolja a kattintások összesített adatait, és felhasználói profiladatokat kínál. Az Azure Storage nyers, nyers kattintással streamelt adatokat tárol a Stream Analytics.

Azure Functions beolvassa a webhelyekről származó felhasználói kattintásfolyam-adatokat, és beolvassa a meglévő felhasználói Azure Cosmos DB. Ezeket az adatokat a rendszer ezután a Machine Learning webszolgáltatáson futtatja, vagy a Azure Cache for Redis hideg kezdési adataival együtt használja fel a termékaffinfiniási pontszámok beszerzéséhez.
A termék-affinitás pontszámai a személyre szabott ajánlat logikájának használatával határozzák meg a felhasználó számára leginkább releváns ajánlatot. Azure Machine Learning segítségével prediktív elemzési megoldásokat tervezhet, tesztelhet, működőképesíthet és kezelhet a felhőben.
Azure Cache for Redis előre kiszámított hideg indítású termékaffiniási pontszámokat tárol az előzmények nélküli felhasználók számára. Power BI személyre szabott teszi a felhasználói tevékenység adatainak és ajánlatának vizualizációját az adatokból a Cosmos DB. Következő lépések.
