Voorspelling van klantverloop met behulp van realtime analyses

Voorspelling van klantverloop maakt gebruik van het Azure AI-platform om de waarschijnlijkheid van het verloop te voorspellen en helpt bij het vinden van patronen in bestaande gegevens die zijn gekoppeld aan de voorspelde verloopsnelheid.

Architectuur

Een Visio-bestand van deze architectuur downloaden.

Gegevensstroom

1. Gebruik Azure Event Hubs om alle livegegevens naar Azure te streamen.

2. Realtimegegevens verwerken met behulp van Azure Stream Analytics. Stream Analytics kan verwerkte gegevens uitvoeren naar Azure Synapse . Hierdoor kunnen klanten bestaande en historische gegevens combineren om dashboards en rapporten te maken in Power BI.

3. Historische gegevens op schaal opnemen in Azure Blob Storage met behulp van Azure Synapse of een ander ETL-hulpprogramma (extract, transform and load).

4. Gebruik Azure Synapse om streaminggegevens te combineren met historische gegevens voor rapportage of experimenten in Azure Machine Learning.

5. Gebruik Azure Machine Learning om modellen te bouwen voor het voorspellen van verloopkans en het identificeren van gegevenspatronen om intelligente inzichten te bieden.

6. Gebruik Power BI om operationele rapporten en dashboards te maken boven op Azure Synapse. Azure Machine Learning-modellen kunnen worden gebruikt om de rapportage verder te verbeteren en bedrijven te helpen bij besluitvormingsprocessen.

Onderdelen

• Azure Event Hubs is een service voor gebeurtenisopname die miljoenen gebeurtenissen per seconde kan verwerken. Gegevens die naar Event Hub worden verzonden, kunnen worden getransformeerd en opgeslagen met behulp van een realtime analyseprovider.
• Azure Stream Analytics is een realtime analyse-engine die is ontworpen voor het analyseren en verwerken van grote hoeveelheden snelle streaminggegevens. Relaties en patronen die in de gegevens worden geïdentificeerd, kunnen worden gebruikt om acties te activeren en werkstromen te initiëren, zoals het maken van waarschuwingen, het invoeren van informatie aan een rapportagehulpmiddel of het opslaan van getransformeerde gegevens voor later gebruik.
• Azure Blob Storage is een cloudservice voor het opslaan van grote hoeveelheden ongestructureerde gegevens, zoals tekst, binaire gegevens, audio en documenten, eenvoudiger en rendabeler. Met Azure Blob Storage hebben gegevenswetenschappers snel toegang tot gegevens voor experimenten en het bouwen van AI-modellen.
• Azure Synapse Analytics is een snel en betrouwbaar datawarehouse met onbeperkte analyses waarmee gegevensintegratie, zakelijke datawarehousing en big data-analyses worden gecombineerd. Het biedt u de vrijheid om gegevens op uw voorwaarden op te vragen, met behulp van serverloze of toegewezen resources en gegevens te leveren voor directe BI- en machine learning-behoeften.
• Azure Machine Learning kan worden gebruikt voor machine learning onder supervisie en zonder supervisie, ongeacht of u liever Python van R-code schrijft. U kunt machine learning-modellen bouwen, trainen en volgen in een Azure Machine Leaning-werkruimte.
• Power BI is een suite hulpprogramma's die krachtige inzichten biedt aan organisaties. Power BI maakt verbinding met verschillende gegevensbronnen, vereenvoudigt het maken van gegevens en het maken van modellen vanuit verschillende bronnen. Verbeter de samenwerking van teams in de hele organisatie om analytische rapporten en dashboards te produceren ter ondersteuning van de zakelijke beslissingen en deze te publiceren op internet en mobiele apparaten, zodat gebruikers deze kunnen gebruiken.

Scenariodetails

Het houden van bestaande klanten is vijf keer goedkoper dan de kosten voor het krijgen van nieuwe klanten. Om deze reden proberen marketingmanagers dan ook vaak om de kans op klantverloop in te schatten en de noodzakelijke acties te vinden om het verloop te minimaliseren.

Potentiële gebruikscases

Deze oplossing maakt gebruik van Azure Machine Learning om verloopkans te voorspellen en helpt bij het vinden van patronen in bestaande gegevens die zijn gekoppeld aan het voorspelde verlooppercentage. Door zowel historische als bijna realtime gegevens te gebruiken, kunnen gebruikers voorspellende modellen maken om kenmerken te analyseren en voorspellingen van de bestaande doelgroep te identificeren. Deze informatie biedt bedrijven bruikbare informatie om de retentie van klanten en winstmarges te verbeteren.

Deze oplossing is geoptimaliseerd voor de detailhandel.

Dit scenario implementeren

Ga naar de oplossingshandleiding in GitHub voor meer informatie over het bouwen en implementeren van deze oplossing.

Het doel van deze handleiding is om pijplijnen voor voorspellende gegevens te demonstreren aan de hand waarvan retailers klantverloop kunnen voorspellen. Leveranciers kunnen deze voorspellingen gebruiken om klantverloop te voorkomen door hun eigen domeinkennis en de juiste marketingstrategieën te gebruiken om risicoklanten aan te spreken. De handleiding laat ook zien hoe klantverloopmodellen opnieuw kunnen worden getraind om meer gegevens te gebruiken zodra deze beschikbaar zijn.

Wat zit er allemaal in

De complete oplossing wordt geïmplementeerd in de cloud met behulp van Microsoft Azure. De oplossing bestaat uit verschillende Azure-onderdelen, waaronder gegevensopname, gegevensopslag, gegevensverplaatsing, geavanceerde analyses en visualisatie. De geavanceerde analyses worden geïmplementeerd in Azure Machine Learning, waar u de taal Python of R kunt gebruiken om data science-modellen te bouwen. Of u kunt bestaande interne of externe bibliotheken opnieuw gebruiken. Met gegevensopname kan de oplossing voorspellingen doen op basis van gegevens die vanuit een on-premises omgeving naar Azure worden overgebracht.

Oplossingsdashboard

In de onderstaande momentopname ziet u een voorbeeld van een Power BI-dashboard dat inzicht geeft in de voorspelde verloopsnelheden in een klantenbestand.

Volgende stappen

• Over Azure Event Hubs
• Welkom bij Azure Stream Analytics
• Wat is Azure Synapse Analytics?
• Inleiding tot Azure Blob-opslag
• Wat is Azure Machine Learning?
• Wat is Power BI?

Verwante resources

Architectuurhandleidingen:

• Kunstmatige intelligentie (AI)
• De machine learning-producten en -technologieën van Microsoft vergelijken
• MlOps-framework (Machine Learning Operations)

Referentiearchitecturen:

• Batchgewijs scoren voor deep learning-modellen
• Batchgewijs scoren van Python-modellen in Azure
• Een pijplijn voor spraak-naar-teksttranscriptie maken