Editar

Compartilhar via

Previsão de rotatividade de clientes usando análise em tempo real

Azure Machine Learning

Ideias de solução

Este artigo descreve uma ideia de solução. Seu arquiteto de nuvem pode usar essa orientação para ajudar a visualizar os principais componentes para uma implementação típica dessa arquitetura. Use este artigo como ponto de partida para projetar uma solução bem arquitetada que se alinhe aos requisitos específicos de sua carga de trabalho.

A previsão de rotatividade de clientes usa a plataforma de IA do Azure para prever a probabilidade de rotatividade e ajuda a encontrar padrões em dados existentes associados à taxa de rotatividade prevista.

Arquitetura

Diagrama de arquitetura: previsão da rotatividade de clientes com aprendizado de máquina

Baixe um Arquivo Visio dessa arquitetura.

Fluxo de dados

  1. Utilize os Hubs de Eventos do Azure para transmitir todos os dados ao vivo para o Azure.

  2. Processar dados em tempo real usando o Azure Stream Analytics. O Stream Analytics pode gerar a saída de dados processados no Azure Synapse. Isso permite que os clientes combinem dados existentes e históricos para criar dashboards e relatórios no Power BI.

  3. Ingerir dados históricos em escala no Armazenamento de Blobs do Azure usando o Azure Synapse ou outra ferramenta de extração, transformação e carregamento (ETL).

  4. Use o Azure Synapse para combinar dados de streaming com dados históricos para relatórios ou experimentações no Azure Machine Learning.

  5. Use o Azure Machine Learning para criar modelos para prever a probabilidade de rotatividade e identificar padrões de dados para fornecer insights inteligentes.

  6. Use oPower BI para criar relatórios operacionais e dashboards sobre o Azure Synapse. Os modelos do Azure Machine Learning podem ser usados para aprimorar ainda mais os relatórios e ajudar as empresas nos processos de tomada de decisão.

Componentes

  • Os Hubs de Eventos do Azure são um serviço de ingestão de eventos que pode processar milhões de eventos por segundo. Os dados enviados para o hub de eventos podem ser transformados e armazenados usando um provedor de análise em tempo real.
  • O Azure Stream Analytics é um mecanismo de análise em tempo real projetado para analisar e processar um volume alto de dados de streaming rápido. Esses relacionamentos e padrões identificados nos dados podem ser usados para disparar ações e iniciar fluxos de trabalho, como criar alertas, fornecer informações para uma ferramenta de relatórios ou armazenar dados transformados para uso no futuro.
  • O Armazenamento de Blobs do Azure é um serviço de nuvem para armazenar grandes quantidades de dados não estruturados, como texto, dados binários, áudios e documentos de forma mais fácil e econômica. O Armazenamento de Blobs do Azure permite aos cientistas de dados acesso rápido aos dados para experimentação e criação de modelos de IA.
  • O Azure Synapse Analytics é um data warehouse rápido e confiável com análise ilimitada que reúne integração de dados, armazenamento de dados corporativos e análise de Big Data. Ele oferece a liberdade de consultar dados do seu jeito, usando recursos sem servidor ou dedicados e de fornecer dados para necessidades imediatas de BI e aprendizado de máquina.
  • O Azure Machine Learning pode ser usado para aprendizado de máquina com e sem supervisão, caso você prefira gravar o Python do código R. Você pode criar, treinar e acompanhar modelos de machine learning em um workspace do Azure Machine Leaning.
  • O Power BI é um conjunto de ferramentas que fornece insights avançados para as organizações. O Power BI se conecta a várias fontes de dados, simplifica a preparação de dados e a criação de modelos de fontes diferentes. Aprimore a colaboração de equipe em toda a organização a fim de produzir relatórios analíticos e dashboard para dar suporte às decisões de negócios e publicá-las nos dispositivos Web e móveis para os usuários consumirem.

Detalhes do cenário

Manter clientes existentes é cinco vezes mais barato do que obter novos clientes. Por esse motivo, os executivos de marketing geralmente tentam estimar a probabilidade de rotatividade de clientes e descobrir as ações necessárias para minimizar a taxa de rotatividade.

Possíveis casos de uso

Essa solução usa o Azure Machine Learning para prever a probabilidade de rotatividade e ajuda a encontrar padrões em dados existentes associados à taxa de rotatividade prevista. Ao usar dados históricos e quase em tempo real, os usuários podem criar modelos preditivos para analisar características e identificar indicadores do público existente. Essas informações fornecem inteligência acionável às empresas para melhorar a retenção de clientes e as margens de lucro.

Esta solução é otimizada para o setor de varejo.

Implantar este cenário

Para obter mais detalhes sobre como criar e implantar essa solução, visite o guia da solução no GitHub.

O objetivo desse guia é demonstrar os pipelines de dados de previsão para revendedores para prever a rotatividade de clientes. Os revendedores podem usar essas previsões para evitar a rotatividade de clientes usando seu conhecimento de domínio e estratégias de marketing adequadas para abordar clientes em risco. O guia também mostra como os modelos de rotatividade de clientes podem ser treinados novamente para usar mais dados à medida que ficam disponíveis.

O que há por trás da solução

A solução de ponta a ponta é implementada na nuvem, usando o Microsoft Azure. A solução é composta por vários componentes do Azure, inclusive a ingestão de dados, o armazenamento de dados, a movimentação de dados, a análise avançada e a visualização. A análise avançada é implementada no Azure Machine Learning, no qual é possível usar a linguagem Python ou R para criar modelos de ciência de dados. Ou você pode reutilizar bibliotecas internas ou de terceiros. Com a ingestão de dados, a solução pode fazer previsões com base nos dados transferidos de um ambiente local para o Azure.

Próximas etapas

Guias de arquitetura: