Vorhersage der Kundenabwanderung mithilfe von Echtzeitanalysen

Azure Machine Learning

Lösungsmöglichkeiten

Dieser Artikel ist ein Lösungsvorschlag. Wenn Sie möchten, dass wir diesen Artikel um weitere Informationen ergänzen, z. B. potenzielle Anwendungsfälle, alternative Dienste, Überlegungen zur Implementierung oder Preisempfehlungen, lassen Sie es uns über Feedback auf GitHub wissen.

Die Vorhersage der Kundenabwanderung verwendet die Azure KI-Plattform, um die Abwanderungswahrscheinlichkeit vorherzusagen und Muster in vorhandenen Daten zu finden, die mit der vorhergesagten Abwanderungsrate in Zusammenhang stehen.

Aufbau

Laden Sie eine Visio-Datei dieser Architektur herunter.

Datenfluss

Verwenden Sie Azure Event Hub, um alle Livedaten in Azure zu streamen.
Verarbeiten von IoT-Echtzeit-Daten mit Azure Stream Analytics. Stream Analytics kann verarbeitete Daten in Azure Synapse ausgeben. Damit können Kunden vorhandene und historische Daten kombinieren, um Dashboards und Berichte in Power BI zu erstellen.
Erfassen Sie historische Daten in großem Umfang in Azure Blob Storage mit Azure Synapse oder einem anderen ETL-Tool.
Verwenden Sie Azure Synapse, um Streamingdaten mit historischen Daten zur Berichterstellung oder zum Experimentieren in Azure Machine Learning zu kombinieren.
Verwenden Sie Azure Machine Learning, um Modelle zur Vorhersage der Churn-Wahrscheinlichkeit zu erstellen und Datenmuster zu erkennen, um intelligente Erkenntnisse zu gewinnen.
Verwenden Sie Power BI, operative Berichte und Dashboards auf der Grundlage von Azure Synapse zu erstellen. Azure Machine Learning-Modelle können verwendet werden, um die Berichterstellung weiter zu verbessern und Unternehmen bei Entscheidungsprozessen zu unterstützen.

Komponenten

Azure Event Hubs ist ein Ereigniserfassungsdienst, der Millionen von Ereignissen pro Sekunde verarbeiten kann. An Event Hub gesendete Daten können transformiert und mit einem beliebigen Echtzeitanalyse-Anbieter gespeichert werden.
Azure Stream Analytics ist eine Echtzeitanalyse-Engine, die entwickelt wurde, um eine große Menge schneller Streamingdaten zu analysieren und zu verarbeiten. Beziehungen und Muster, die anhand der Daten erkannt wurden, können verwendet werden, um Aktionen und Workflows wie das Erstellen von Warnungen, das Senden von Informationen per Feed an ein Berichterstellungstool oder das Speichern transformierter Informationen zur späteren Verwendung auszulösen.
Azure Blob Storage ist ein einfacher und kostengünstiger Clouddienst für das Speichern großer Mengen unstrukturierter Daten (z. B. Text, Binärdaten, Audios und Dokumente). Azure Blob Storage ermöglicht Data Scientists einen schnellen Zugriff auf die Daten, die sie für Experimente und die Entwicklung von KI-Modellen nutzen können.
Azure Synapse Analytics ist ein schnelles und zuverlässiges Data Warehouse mit unbegrenzten Analysemöglichkeiten, das Datenintegration und Data Warehousing für Unternehmen mit Big Data-Analysen vereint. Es ermöglicht flexible Datenabfragen nach Ihren Vorgaben mit serverlosen oder dedizierten Ressourcen sowie die Bereitstellung von Daten für kurzfristige BI- und Machine Learning-Bedürfnisse.
Azure Machine Learning kann sowohl für überwachtes als auch für nicht überwachtes maschinelles Lernen verwendet werden, unabhängig davon, ob Sie Python- oder R-Code bevorzugen. Sie können Machine Learning-Modelle in einem Azure Machine Leaning-Arbeitsbereich erstellen, trainieren und nachverfolgen.
Power BI ist eine Toolsammlung, die leistungsstarke Erkenntnisse für Organisationen liefert. Power BI verbindet sich mit verschiedenen Datenquellen, wodurch die Datenvorbereitung und die Modellerstellung aus unterschiedlichen Quellen vereinfacht wird. Verbessern Sie die Teamzusammenarbeit in der gesamten Organisation, um analytische Berichte und Dashboards zu erstellen, die Ihre Geschäftsentscheidungen unterstützen. Diese können Sie anschließend im Internet oder auf mobilen Geräten für Ihre Benutzer veröffentlichen.

Szenariodetails

Der Erhalt von Bestandskunden kostet fünfmal weniger als die Gewinnung von Neukunden. Daher versuchen Marketingverantwortliche häufig, die Wahrscheinlichkeit einer Abwanderung von Kunden einzuschätzen und die notwendigen Maßnahmen zur Minimierung der Abwanderungsquote zu finden.

Mögliche Anwendungsfälle

Diese Lösung verwendet Azure Machine Learning, um die Abwanderungswahrscheinlichkeit vorherzusagen und Muster in vorhandenen Daten zu finden, die mit der vorhergesagten Abwanderungsrate in Zusammenhang stehen. Anhand von historischen Daten und Daten in Quasi-Echtzeit können Benutzer Vorhersagemodelle erstellen, um Merkmale zu analysieren und Prädiktoren der vorhandenen Benutzergruppe zu identifizieren. Diese Informationen geben Unternehmen handlungsrelevante Informationen an die Hand, um die Kundentreue und damit den Gewinn zu verbessern.

Diese Lösung ist für den Einzelhandel optimiert.

Bereitstellen dieses Szenarios

Weitere Informationen zur Erstellung und Bereitstellung dieser Lösung finden Sie im Lösungshandbuch auf GitHub.

Diese Anleitung soll Datenpipelines für Vorhersagen veranschaulichen, mit denen Einzelhändler die Kundenabwanderung vorhersagen können. Einzelhändler können diese Vorhersagen nutzen, um die Kundenabwanderung zu verhindern, indem sie die Kenntnisse aus ihrem Segment für geeignete Marketingstrategien anwenden, um Risikokunden zu halten. Außerdem zeigt die Anleitung, wie Modelle zur Kundenabwanderung neu trainiert werden können, um zusätzliche Daten zu nutzen, wenn diese verfügbar werden.

Unter der Haube

Die End-to-End-Lösung wird mithilfe von Microsoft Azure in der Cloud implementiert. Die Lösung besteht aus mehreren Azure-Komponenten, einschließlich Datenerfassung, Datenspeicherung, Datenverschiebung, erweiterter Analyse und Visualisierung. Erweiterte Analysen werden in Azure Machine Learning implementiert, wobei zum Erstellen von Data Science-Modellen sowohl Python als auch R verwendet werden kann. Es können auch vorhandene interne oder Drittanbieterbibliotheken wiederverwendet werden. Mit der Datenerfassung kann die Lösung Vorhersagen basierend auf Daten treffen, die aus einer lokalen Umgebung an Azure übertragen wurden.

Lösungsdashboard

Die folgende Momentaufnahme zeigt ein Beispiel für ein Power BI-Dashboard, das Erkenntnisse aus vorhergesagten Abwanderungsraten für einen gesamten Kundenstamm liefert.

Power BI dashboard that gives insights into the predicted churn rates across a customer base.

Nächste Schritte

Handbücher zur Architektur:

Referenzarchitekturen: