Prediksi kehilangan pelanggan menggunakan analitik real-time

Prediksi Kehilangan pelanggan menggunakan platform Azure AI untuk memprediksi probabilitas kehilangan, dan membantu menemukan pola dalam data yang ada yang terkait dengan tingkat kehilangan yang diprediksi.

Sistem

Unduh file Visio arsitektur ini.

Aliran data

1. Gunakan Azure Event Hubs untuk mengalirkan semua data langsung ke Azure.

2. Memproses data real-time menggunakan Azure Stream Analytics. Azure Stream Analytics dapat menghasilkan data yang diproses ke Azure Synapse . Ini memungkinkan pelanggan untuk menggabungkan data yang sudah ada dan historis untuk membuat dasbor dan laporan di Power BI.

3. Serap data historis dalam skala besar ke Azure Blob Storage menggunakan Azure Synapse atau alat ekstrak, transformasi, pemuatan (ETL) lainnya.

4. Gunakan Azure Synapse untuk menggabungkan data streaming dengan data historis untuk pelaporan atau eksperimen di Azure Pembelajaran Mesin.

5. Gunakan Azure Pembelajaran Mesin untuk membangun model untuk memprediksi probabilitas churn dan mengidentifikasi pola data untuk memberikan wawasan cerdas.

6. Gunakan Power BI untuk membuat laporan operasional dan dasbor di atas Azure Synapse. Model Azure Pembelajaran Mesin dapat digunakan untuk lebih meningkatkan pelaporan dan untuk membantu bisnis dalam proses pengambilan keputusan.

Komponen

• Azure Event Hubs adalah layanan penyerapan peristiwa yang dapat memproses jutaan peristiwa per detik. Data yang dikirim ke pusat aktivitas dapat ditransformasikan dan disimpan menggunakan penyedia analitik real time atau adapter batching/penyimpanan.
• Azure Stream Analytics adalah mesin analitik real time yang dirancang untuk menganalisis dan memproses volume data streaming cepat yang tinggi. Hubungan dan pola yang diidentifikasi dalam data dapat digunakan untuk memicu tindakan dan memulai alur kerja seperti membuat peringatan, memberikan informasi ke alat pelaporan, atau menyimpan data yang diubah untuk digunakan nanti.
• Azure Blob Storage adalah layanan cloud untuk menyimpan sejumlah besar data tidak terstruktur seperti teks, data biner, audio, dan dokumen dengan lebih mudah dan hemat biaya. Azure Blob Storage memungkinkan ilmuwan data akses cepat ke data untuk eksperimen dan pembuatan model AI.
• Azure Synapse Analytics adalah layanan analitik tak terbatas yang menggabungkan integrasi data, pemusatan data enterprise, dan analitik data besar. Ini memberi Anda kebebasan untuk meminta data sesuai persyaratan Anda, menggunakan sumber daya tanpa server atau khusus dan melayani data untuk kebutuhan BI dan kebutuhan pembelajaran mesin.
• Azure Machine Learning dapat digunakan untuk pembelajaran mesin yang diawasi dan tidak diawasi, atau Anda lebih suka menulis Python kode R. Anda dapat membangun, melatih, dan melacak model pembelajaran mesin di ruang kerja Azure Machine Leaning.
• Power BI adalah seperangkat alat yang memberikan wawasan yang kuat kepada organisasi. Power BI terhubung ke berbagai sumber data, menyederhanakan persiapan data dan pembuatan model dari sumber yang berbeda. Tingkatkan kolaborasi tim di seluruh organisasi untuk menghasilkan laporan analitis dan dasbor untuk mendukung keputusan bisnis dan mempublikasikannya ke web dan perangkat seluler untuk dikonsumsi pengguna.

Detail skenario

Menjaga pelanggan yang sudah ada lima kali lebih murah daripada biaya mendapatkan pelanggan baru. Untuk alasan ini, eksekutif pemasaran sering menemukan diri mereka mencoba untuk memperkirakan kemungkinan kehilangan pelanggan dan menemukan tindakan yang diperlukan untuk meminimalkan tingkat kehilangan.

Kemungkinan kasus penggunaan

Solusi ini menggunakan Azure Machine Learning untuk memprediksi probabilitas kehilangan dan membantu menemukan pola dalam data yang ada yang terkait dengan tingkat kehilangan yang diprediksi. Dengan menggunakan data historis dan hampir real-time, pengguna dapat membuat model prediktif untuk menganalisis karakteristik dan mengidentifikasi prediktor audiens yang ada. Informasi ini menyediakan bisnis dengan kecerdasan yang dapat ditindaklanjuti untuk meningkatkan retensi pelanggan dan margin keuntungan.

Solusi ini dioptimalkan untuk industri ritel.

Menyebarkan skenario ini

Untuk detail selengkapnya tentang cara membangun dan menyebarkan solusi ini, kunjungi panduan solusi di GitHub.

Tujuan dari panduan ini adalah untuk menunjukkan jaringan alur data prediktif bagi pengecer untuk memprediksi kehilangan pelanggan. Pengecer dapat menggunakan prediksi ini untuk mencegah kehilangan pelanggan dengan menggunakan pengetahuan domain mereka dan strategi pemasaran yang tepat untuk mengatasi pelanggan yang berisiko. Panduan ini juga menunjukkan bagaimana model kehilangan pelanggan dapat dilatih ulang untuk menggunakan lebih banyak data saat tersedia.

Apa yang ada di bawah tenda

Solusi end-to-end diimplementasikan di cloud, menggunakan Microsoft Azure. Solusi ini terdiri dari beberapa komponen Azure, termasuk penyerapan data, penyimpanan data, pergerakan data, analitik tingkat lanjut, dan visualisasi. Analitik tingkat lanjut diimplementasikan dalam Azure Machine Learning, di mana Anda dapat menggunakan bahasa Python atau R untuk membangun model ilmu data. Atau Anda dapat menggunakan kembali perpustakaan internal atau pihak ketiga yang ada. Dengan penyerapan data, solusi dapat membuat prediksi berdasarkan data yang ditransfer ke Azure dari lingkungan lokal.

Dasbor solusi

Foto di bawah ini menunjukkan contoh dasbor Power BI yang memberikan wawasan tentang tingkat kehilangan yang diprediksi di seluruh basis pelanggan.

Langkah berikutnya

• Tentang Azure Event Hubs
• Selamat datang di Azure Stream Analytics
• Apakah Azure Synapse Analytics itu?
• Pengantar Azure Blob Storage
• Apa itu Azure Pembelajaran Mesin?
• Apa itu Power BI?

Sumber daya terkait

Panduan arsitektur:

• Kecerdasan buatan (AI)
• Bandingkan produk dan teknologi pembelajaran mesin dari Microsoft
• Kerangka kerja operasi Pembelajaran Mesin (MLOps)

Arsitektur Referensi:

• Penilaian batch untuk model pembelajaran mendalam
• Penilaian batch model Python di Azure