Editar

Otimização de campanha com SQL Server e machine learning

Máquinas Virtuais de Ciência de Dados do Azure
Máquinas Virtuais do Azure
Power BI

Ideias de solução

Este artigo é uma ideia de solução. Se você quiser expandir o conteúdo com mais informações, como possíveis casos de uso, serviços alternativos, considerações de implementação ou diretrizes de preços, informe-nos fornecendo comentários do GitHub.

Essa ideia de solução descreve como criar e implantar um modelo de machine learning que recomenda ações para maximizar a taxa de compra de clientes potenciais direcionados a uma campanha.

Arquitetura

Diagrama de arquitetura que mostra como desenvolver e implantar modelos em uma máquina virtual de ciência de dados do Azure usando o R.

Baixe um Arquivo Visio dessa arquitetura.

Fluxo de dados

Essa arquitetura inclui os seguintes serviços:

Componentes

Detalhes do cenário

As ideias discutidas neste artigo podem ser usadas em muitos setores, incluindo varejo, serviços e finanças.

Possíveis casos de uso

Quando as empresas iniciam uma campanha de marketing para atrair clientes para produtos novos ou existentes, elas geralmente usam um conjunto de regras de negócios para selecionar clientes potenciais para sua campanha de destino. O aprendizado de máquina pode ser usado para ajudar a aumentar a taxa de resposta desses clientes potenciais.

Por exemplo, um modelo de machine learning pode ser usado para prever ações que devem maximizar a taxa de compra de clientes potenciais que são alvo da campanha. Em seguida, as previsões servem como base para recomendações a serem usadas por uma campanha renovada. Recomendações podem ser sobre como contatar os clientes potenciais de destino, por exemplo, com email, SMS ou uma chamada fria. Recomendações podem ser sobre quando contatar clientes potenciais direcionados, por exemplo, dia da semana e hora do dia.

Perspectiva do business manager

Este modelo de solução usa dados históricos (simulados) para prever como e quando contatar clientes potenciais para sua campanha. As recomendações incluem o melhor canal para contatar um cliente potencial (em nosso exemplo, email, SMS ou chamada a frio), o melhor dia da semana e a melhor hora do dia para fazer o contato.

SQL Server Serviços de Machine Learning, que anteriormente era chamado de R Services, traz a computação para os dados, permitindo que o R seja executado no mesmo computador que o banco de dados. Ele inclui um serviço de banco de dados que é executado fora do processo de SQL Server e se comunica com segurança com o runtime do R.

Este pacote de solução mostra como criar e refinar dados, treinar modelos de R e executar previsões no computador SQL Server. A tabela de previsões finais no SQL Server fornece recomendações sobre como e quando contatar cada cliente potencial. Esses dados são visualizados no Power BI.

O Power BI também apresenta resumos visuais da eficácia das recomendações de campanha (mostrados aqui com dados simulados). Você pode experimentar esse dashboard clicando no link Experimentar agora.

A guia Recomendações deste dashboard mostra as recomendações previstas. Na parte superior está uma tabela de clientes potenciais individuais para nossa nova implantação. Esta tabela inclui campos para a ID de cliente potencial, campanha e produto, que são preenchidos com clientes potenciais que são aplicados às nossas regras de negócios. Essas informações são seguidas pelas previsões de modelo para os clientes potenciais, fornecendo o canal e o tempo ideais para contatar cada um deles e, em seguida, as probabilidades estimadas de que os clientes potenciais comprarão nosso produto, usando essas recomendações. Essas probabilidades podem ser usadas para aumentar a eficiência da campanha limitando o número de clientes potenciais contatados para o subconjunto que é mais provável de comprar.

Também na guia Recomendações estão vários resumos de recomendações e informações demográficas sobre os clientes potenciais.

A guia Resumo da Campanha do dashboard mostra resumos dos dados históricos usados para criar as recomendações previstas. Embora essa guia também mostre valores de Dia da Semana, Hora do Dia e Canal, esses valores são observações passadas reais, para não serem confundidos com as recomendações mostradas na guia Recomendações.

Perspectiva do cientista de dados

Duas funções nesta ideia de solução são:

  • Função de gerente de negócios. O Power BI pode ser usado para apresentar resumos visuais da eficácia das recomendações da campanha. Os painéis do Power BI podem ser usados por gerentes de negócios ou outras pessoas que estão tomando decisões, com base nas recomendações previstas.

  • Função de cientista de dados. Os cientistas de dados podem testar e desenvolver soluções a partir da conveniência de seu IDE R em seus computadores cliente enquanto empurram a computação para o computador SQL Server. As soluções concluídas são implantadas no SQL Server 2016 incorporando chamadas ao R em procedimentos armazenados. Essas soluções podem ser automatizadas ainda mais com o SQL Server Integration Services e o agente de SQL Server.

Implantar este cenário

A otimização de campanha da Galeria de IA com SQL Server solução implementa essa ideia de solução com o SQL Server 2016 R Services e o Power BI como uma ferramenta de visualização interativa. A solução da galeria usa dados simulados, que podem ser facilmente configurados para usar dados personalizados, para modelar a resposta da campanha de aquisição. O modelo usa preditores como dados demográficos, desempenho histórico da campanha e detalhes do produto. A solução prevê a probabilidade de uma conversão de lead de cada canal, em vários momentos do dia e dias da semana, para cada cliente potencial no banco de dados. A recomendação final para direcionar cada cliente potencial é decidida com base na combinação de canal, dia da semana e hora do dia com a maior probabilidade de conversão. A solução foi modelada após um processo de ciência de dados padronizado, em que a preparação de dados, o treinamento e a avaliação de modelos podem ser facilmente feitos por um cientista de dados e os insights visualizados e correlacionados aos KPIs por marketing por meio da visualização do Power BI.

Colaboradores

Esse artigo é mantido pela Microsoft. Ele foi escrito originalmente pelos colaboradores a seguir.

Autor principal:

Próximas etapas

Leia a documentação do produto:

Experimente um código: