Previsão de rotatividade de clientes usando análise em tempo real

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

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 para extrair, transformar e carregar (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.

Painel da solução

O instantâneo abaixo mostra um exemplo de dashboard do Power BI que fornece insights sobre as taxas de rotatividade previstas em uma base de clientes.

Próximas etapas

• Sobre os Hubs de Eventos do Azure
• Bem-vindo(a) ao Azure Stream Analytics
• O que é o Azure Synapse Analytics?
• Introdução ao Armazenamento de Blobs do Azure
• O que é Azure Machine Learning?
• O que é o Power BI?

Recursos relacionados

Guias de arquitetura:

• IA (Inteligência Artificial)
• Comparar os produtos e tecnologias de machine learning da Microsoft
• Estrutura de operações do Machine Learning (MLOps)

Arquiteturas de referência:

• Pontuação em lote para modelos de aprendizado profundo
• Pontuação em lote de modelos Python no Azure
• Criar um pipeline de transcrição de reconhecimento de fala