Idées de solution
Cet article présente une idée de solution. Si vous souhaitez nous voir développer le contenu avec d’autres informations, telles que des cas d’usage potentiels, d’autres services, des considérations d’implémentation ou un guide des prix, faites-le-nous savoir avec les Commentaires de GitHub.
La prédiction de l’attrition clients utilise la plateforme Azure AI pour prédire la probabilité de l’attrition, et faciliter la recherche de modèles dans les données existantes associées au taux d’attrition prédit.
Architecture
Téléchargez un fichier Visio de cette architecture.
Dataflow
Utilisez Azure Event Hubs pour transmettre en continu toutes les données actives à Azure.
Traitez les données en temps réel à l’aide d’Azure Stream Analytics. Stream Analytics peut générer des données traitées dans Azure Synapse. Cela permet aux clients de combiner des données historiques et existantes pour créer des tableaux de bord et des rapports dans Power BI.
Ingérez des données historiques à grande échelle dans Stockage Blob Azure à l’aide d’Azure Synapse ou d’un autre outil ETL.
Utilisez Azure Synapse pour combiner des données de streaming avec des données historiques pour la création de rapports ou l’expérimentation dans Azure Machine Learning.
Utilisez Azure Machine Learning pour créer des modèles capables de prédire l’attrition et d’identifier des modèles de données pour fournir des insights intelligents.
Utilisez Power BI pour créer des tableaux de bord et des rapports opérationnels sur Azure Synapse. Les modèles Azure Machine Learning peuvent être utilisés pour améliorer davantage la création de rapports et aider les entreprises à prendre des décisions.
Composants
- Azure Event Hubs est un service d’ingestion des événements capable de traiter des millions d’événements par seconde. Les données envoyées à l’Event Hub peuvent être transformées et stockées à l’aide d’un fournisseur d’analyse en temps réel.
- Azure Stream Analytics est un moteur d’analyse en temps réel conçu pour analyser et traiter un volume élevé de données en streaming rapide. Les relations et modèles identifiés dans les données peuvent être utilisés pour déclencher des actions est initier des workflows, comme la création d’alertes, l’envoi d’informations à un outil de création de rapports ou bien le stockage de données transformées pour une utilisation ultérieure.
- Stockage Blob Azure est un service cloud qui permet de stocker d’importants volumes de données non structurées, telles que du texte, des données binaires, du contenu audio et des documents, de façon plus simple et économique. Stockage Blob Azure permet aux scientifiques des données d’accéder rapidement aux données à des fins d’expérimentation et de création de modèles AI.
- Azure Synapse Analytics est un entrepôt de données rapide et fiable doté d’un service d’analyse illimité, qui réunit l’intégration de données, l’entreposage de données d’entreprise et des fonctionnalités analytiques pour le Big Data. Il vous donne la possibilité d’interroger des données comme vous le souhaitez, à l’aide de ressources serverless ou dédiées, et de fournir des données pour répondre aux besoins immédiats en matière de BI et de Machine Learning.
- Azure Machine Learning peut être utilisé pour le Machine Learning supervisé et non supervisé selon si vous préférez écrire du code Python ou R. Vous pouvez créer, former et suivre des modèles de Machine Learning dans un espace de travail Azure Machine Learning.
- Power BI est une suite d’outils qui fournit aux organisations de puissants insights. Power BI se connecte à diverses sources de données, simplifient la préparation des données et la création de modèles à partir de sources disparates. Améliorez la collaboration d’équipe au sein de l’organisation afin de produire des rapports et des tableaux de bord analytiques pour prendre en charge des décisions commerciales et les publier sur le web ainsi que les appareils mobiles à destination des utilisateurs.
Détails du scénario
La rétention des clients existants coûte cinq fois moins cher que l’obtention de nouveaux clients. Dans un tel contexte, les responsables marketing cherchent souvent à évaluer la probabilité d’attrition de leurs clients et à mettre en place des actions appropriées pour minimiser le taux d’attrition.
Cas d’usage potentiels
Cette solution utilise Azure Machine Learning pour prédire la probabilité de l’attrition, et facilite la recherche de modèles dans les données existantes associées au taux d’attrition prédit. En utilisant des données historiques et en quasi-temps réel, les utilisateurs peuvent créer des modèles prédictifs pour analyser les caractéristiques et identifier les prédicteurs du public existant. Ces informations dotent les entreprises d’une intelligence exploitable pour améliorer la fidélisation de la clientèle et les marges bénéficiaires.
Cette solution est optimisée pour le secteur de la vente au détail.
Déployer ce scénario
Pour en savoir plus sur la façon de créer et de déployer cette solution, consultez le Guide de solution dans GitHub.
Ce guide a pour objectif de présenter des pipelines de données prédictifs destinés aux détaillants afin de prédire l’attrition clients. Les détaillants peuvent utiliser ces prédictions pour prévenir l’attrition clients en faisant appel à leur connaissance du domaine et des stratégies marketing adaptées afin de gérer les clients à risque. Ce guide montre également comment les modèles d’attrition clients peuvent être reformés pour tirer parti des données supplémentaires dès qu’elles sont disponibles.
Sous le capot
La solution de bout en bout est implémentée dans le cloud, à l’aide de Microsoft Azure. La solution s’articule sur plusieurs composants Azure, notamment l’ingestion, le stockage et le déplacement des données, ainsi que l’analytique avancée et la visualisation. L’analytique avancée est implémentée dans Azure Machine Learning, où il est possible d’utiliser le langage Python ou R pour générer des modèles de science des données. Il est également possible de réutiliser des bibliothèques internes ou tierces existantes. Avec l’ingestion des données, la solution peut effectuer des prédictions en fonction des données transférées vers Azure depuis un environnement local.
Tableau de bord de solution
La capture instantanée ci-dessous montre un exemple de tableau de bord Power BI proposant des insights sur les taux d’attrition prédits dans la base de clients.
Étapes suivantes
- À propos d’Azure Event Hubs
- Bienvenue dans Azure Stream Analytics
- Présentation d’Azure Synapse Analytics
- Présentation de Stockage Blob Azure
- Qu'est-ce que Microsoft Azure Machine Learning ?
- Qu’est-ce que Power BI ?
Ressources associées
Guides d’architecture :
- Intelligence artificielle (IA)
- Comparer les produits et technologies de Machine Learning de Microsoft
- Infrastructure des opérations de Machine Learning (MLOps)
Architectures de référence :