Ügyfélváltozás előrejelzése valós idejű elemzéssel

Az ügyfél-forgalom előrejelzése az Azure AI-platformot használja az adatváltozás valószínűségének előrejelzéséhez, és segít megtalálni az előrejelzett adatváltozási arányhoz társított meglévő adatok mintáit.

Architektúra

Töltse le az architektúra Visio-fájlját.

Adatfolyam

1. Az Azure Event Hubs használatával streamelhet minden élő adatot az Azure-ba.

2. Valós idejű adatok feldolgozása az Azure Stream Analytics használatával. A Stream Analytics képes feldolgozni a feldolgozott adatokat az Azure Synapse-be . Így az ügyfelek a meglévő és az előzményadatok kombinálásával irányítópultokat és jelentéseket hozhatnak létre a Power BI-ban.

3. Előzményadatok nagy léptékű betöltése Azure Blob Storage-ba az Azure Synapse vagy más kinyerési, átalakítási és betöltési (ETL) eszközzel.

4. Az Azure Synapse használatával kombinálhatja a streamelési adatokat az előzményadatokkal jelentéskészítéshez vagy kísérletezéshez az Azure Machine Tanulás.

5. Az Azure Machine Tanulás használatával modelleket hozhat létre az adatváltozás valószínűségének előrejelzéséhez és az adatminták azonosításához az intelligens elemzések biztosításához.

6. A Power BI használatával operatív jelentéseket és irányítópultokat hozhat létre az Azure Synapse-on. Az Azure Machine Tanulás modellek a jelentéskészítés továbbfejlesztésére és a vállalkozások döntéshozatali folyamatokban való segítésére használhatók.

Összetevők

• Az Azure Event Hubs egy eseménybetöltési szolgáltatás, amely másodpercenként több millió eseményt képes feldolgozni. Az eseményközpontba küldött adatok bármely valós idejű elemzési szolgáltatóval átalakíthatók és tárolhatók.
• Az Azure Stream Analytics egy valós idejű elemzési motor, amely nagy mennyiségű gyors streamelési adat elemzésére és feldolgozására szolgál. Az adatokban azonosított kapcsolatok és minták műveletek aktiválására és munkafolyamatok elindítására használhatók, például riasztások létrehozására, információk jelentéskészítő eszközökhöz való betáplálására vagy átalakított adatok későbbi használatra való tárolására.
• Az Azure Blob Storage egy felhőalapú szolgáltatás, amely nagy mennyiségű strukturálatlan adatot, például szöveget, bináris adatokat, hangot és dokumentumokat tárol egyszerűbben és költséghatékonyabban. Az Azure Blob Storage lehetővé teszi, hogy az adattudósok gyors hozzáférést férjenek hozzá az adatokhoz a kísérletezéshez és az AI-modellek létrehozásához.
• Az Azure Synapse Analytics egy gyors és megbízható adattárház, korlátlan elemzéssel, amely egyesíti az adatintegrációt, a nagyvállalati adattárházat és a big data-elemzést. Lehetővé teszi az adatok lekérdezését a feltételek alapján, kiszolgáló nélküli vagy dedikált erőforrások használatával, valamint az adatok azonnali bi- és gépi tanulási igényekhez való kiszolgálásához.
• Az Azure Machine Tanulás bármilyen felügyelt és felügyelet nélküli gépi tanuláshoz használható, függetlenül attól, hogy az R-kód Pythonját szeretné-e írni. Gépi tanulási modelleket hozhat létre, taníthat be és követhet nyomon egy Azure Machine Leaning-munkaterületen.
• A Power BI egy olyan eszközkészlet, amely hatékony elemzéseket nyújt a szervezeteknek. A Power BI különböző adatforrásokhoz csatlakozik, leegyszerűsíti az adatelőkészítést és a különböző forrásokból származó modellek létrehozását. A szervezeten belüli csapatmunka fokozása elemzési jelentések és irányítópultok készítéséhez az üzleti döntések támogatásához és a felhasználók számára a webes és mobileszközökön való közzétételhez.

Forgatókönyv részletei

A meglévő ügyfelek megtartása ötször olcsóbb, mint az új ügyfelek beszerzésének költsége. Ezen okból kifolyólag a marketingvezetőket gyakran foglalkoztatja, hogy hogyan tudják felmérni az ügyfelek lemorzsolódásának valószínűségét, illetve miként tudják megtalálni a szükséges lépéseket a lemorzsolódási ráta minimalizálásához.

Lehetséges használati esetek

Ez a megoldás az Azure Machine Tanulás használatával előrejelzi az adatváltozás valószínűségét, és segít megtalálni az előrejelzett adatváltozási arányhoz társított meglévő adatok mintáit. Az előzményadatok és a közel valós idejű adatok használatával a felhasználók prediktív modelleket hozhatnak létre a jellemzők elemzéséhez és a meglévő célközönség prediktorainak azonosításához. Ezek az információk végrehajtható intelligenciát biztosítanak a vállalkozások számára az ügyfelek megtartásának és haszonkulcsainak javítása érdekében.

Ez a megoldás a kiskereskedelmi iparág számára van optimalizálva.

A forgatókönyv üzembe helyezése

A megoldás felépítésével és üzembe helyezésével kapcsolatos további részletekért tekintse meg a GitHubon található megoldási útmutatót.

A jelen útmutató célja, hogy bemutassa, hogyan tudják a kiskereskedők prediktív adatfolyamatokkal előrejelezni az ügyfelek lemorzsolódását. A kiskereskedők ezután az előrejelzéseket felhasználva megelőzhetik az érintett ügyfelek lemorzsolódását a szakterület ismeretének és a megfelelő marketingstratégiáknak a segítségével. Az útmutató azt is bemutatja, hogyan lehet újratanítást alkalmazni az ügyfél adatváltozási modelljeire, hogy minél több adatot használjon, amint az elérhetővé válik.

A megoldás összetevői

Ez a teljes körű megoldás a felhőben üzemel, a Microsoft Azure segítségével. A megoldás több Azure-összetevőből áll, beleértve az adatbetöltést, az adattárolást, az adatáthelyezést, a fejlett elemzéseket és a vizualizációt. A speciális elemzések az Azure Machine Tanulás implementálhatók, ahol Python vagy R nyelven hozhat létre adatelemzési modelleket. Vagy újra felhasználhatja a meglévő házon belüli vagy harmadik féltől származó kódtárakat. Az adatok betöltésekor a megoldás a helyszíni környezetből az Azure-ba továbbított adatokon alapuló előrejelzéseket készíthet.

A megoldás irányítópultja

Az alábbi pillanatkép egy power BI-irányítópultot mutat be, amely betekintést nyújt az ügyfélbázis előrejelzett változási arányába.

Következő lépések

• Az Azure Event Hubs ismertetése
• Üdvözli az Azure Stream Analytics
• Mi az az Azure Synapse Analytics?
• Az Azure Blob Storage bemutatása
• Mi az Azure Machine Learning?
• Mi az a Power BI?

Kapcsolódó erőforrások

Architektúra-útmutatók:

• Mesterséges intelligencia (AI)
• A Microsoft gépi tanulási termékeinek és technológiáinak összehasonlítása
• Gépi tanulási műveletek (MLOps) keretrendszere

Referenciaarchitektúrák:

• Kötegelt pontozás mélytanulási modellekhez
• Python-modellek kötegelt pontozása az Azure-ban
• Beszédszöveg-átírási folyamat létrehozása