Förutsägelse av kundomsättning med hjälp av realtidsanalys

Customer Churn Prediction använder Azure AI-plattformen för att förutsäga sannolikhet för omsättning och hjälper till att hitta mönster i befintliga data som är associerade med den förväntade omsättningsfrekvensen.

Arkitektur

Ladda ned en Visio-fil med den här arkitekturen.

Dataflöde

1. Använd Azure Event Hubs för att strömma alla livedata till Azure.

2. Bearbeta realtidsdata med Hjälp av Azure Stream Analytics. Stream Analytics kan mata ut bearbetade data till Azure Synapse . På så sätt kan kunder kombinera befintliga och historiska data för att skapa instrumentpaneler och rapporter i Power BI.

3. Mata in historiska data i stor skala i Azure Blob Storage med hjälp av Azure Synapse eller något annat verktyg för att extrahera, transformera och läsa in (ETL).

4. Använd Azure Synapse för att kombinera strömmande data med historiska data för rapportering eller experimentering i Azure Machine Learning.

5. Använd Azure Machine Learning för att skapa modeller för att förutsäga sannolikhet för omsättning och identifiera datamönster för att leverera intelligenta insikter.

6. Använd Power BI för att skapa driftrapporter och instrumentpaneler ovanpå Azure Synapse. Azure Machine Learning-modeller kan användas för att ytterligare förbättra rapporteringen och hjälpa företag i beslutsprocesser.

Komponenter

• Azure Event Hubs är en händelseinmatningstjänst som kan bearbeta miljontals händelser per sekund. Data som skickas till händelsehubben kan transformeras och lagras med valfri realtidsanalysprovider.
• Azure Stream Analytics är en analysmotor i realtid som är utformad för att analysera och bearbeta stora mängder snabbströmningsdata. Relationer och mönster som identifieras i data kan användas för att utlösa åtgärder och initiera arbetsflöden som att skapa aviseringar, mata information till ett rapporteringsverktyg eller lagra transformerade data för senare användning.
• Azure Blob Storage är en molntjänst för att lagra stora mängder ostrukturerade data som text, binära data, ljud och dokument enklare och kostnadseffektivare. Azure Blob Storage ger dataexperter snabb åtkomst till data för experimentering och AI-modellskapande.
• Azure Synapse Analytics är ett snabbt och tillförlitligt informationslager med obegränsad analys som sammanför dataintegrering, företagsdatalager och stordataanalys. Det ger dig friheten att köra frågor mot data på dina villkor med hjälp av antingen serverlösa eller dedikerade resurser och hantera data för omedelbara BI- och maskininlärningsbehov.
• Azure Machine Learning kan användas för all övervakad och oövervakad maskininlärning, oavsett om du föredrar att skriva Python av R-kod. Du kan skapa, träna och spåra maskininlärningsmodeller på en Azure Machine Leaning-arbetsyta.
• Power BI är en uppsättning verktyg som ger kraftfulla insikter till organisationer. Power BI ansluter till olika datakällor, förenklar dataförberedelser och modellskapande från olika källor. Förbättra teamsamarbetet i organisationen för att skapa analysrapporter och instrumentpaneler för att stödja affärsbesluten och publicera dem på webben och mobila enheter som användarna kan använda.

Information om scenario

Att behålla befintliga kunder är fem gånger billigare än kostnaden för att få nya kunder. Av det här skälet försöker marknadsföringschefer ofta bedöma sannolikheten till kundomsättning och hitta rätt åtgärder för att minska omsättningsfrekvensen.

Potentiella användningsfall

Den här lösningen använder Azure Machine Learning för att förutsäga sannolikheten för omsättning och hjälper dig att hitta mönster i befintliga data som är associerade med den förväntade omsättningshastigheten. Genom att använda både historiska och nästan realtidsdata kan användarna skapa förutsägelsemodeller för att analysera egenskaper och identifiera prediktorer för den befintliga målgruppen. Den här informationen ger företag användbar information för att förbättra kundkvarhållning och vinstmarginaler.

Den här lösningen är optimerad för detaljhandeln.

Distribuera det här scenariot

Mer information om hur du skapar och distribuerar den här lösningen finns i lösningsguiden i GitHub.

Målet i den här guiden är att visa upp de datapipelines som gör att återförsäljare kan förutspå sin kundomsättning. Återförsäljare kan använda de här förutsägelserna till att minska sin kundomsättning, genom att använda sin kunskap om verksamheten och riktade marknadsföringsstrategier mot riskkunderna. Guiden visar också hur kundomsättningsmodeller kan tränas om för att använda mer data när de blir tillgängliga.

Det ingår i lösningen

Den kompletta lösningen är implementerad i molnet med hjälp av Microsoft Azure. Lösningen består av flera Azure-komponenter, inklusive inmatning av data, datalagring, dataflytt, avancerad analys och visualisering. Den avancerade analysen implementeras i Azure Machine Learning, där du kan använda Python- eller R-språk för att skapa datavetenskapsmodeller. Eller så kan du återanvända befintliga interna bibliotek eller bibliotek från tredje part. Med datamatning kan lösningen göra förutsägelser baserat på data som överförs till Azure från en lokal miljö.

Instrumentpanel för lösningen

Ögonblicksbilden nedan visar ett exempel på en Power BI-instrumentpanel som ger insikter om de förutsagda omsättningsfrekvenserna i en kundbas.

Nästa steg

• Om Azure Event Hubs
• Välkommen till Azure Stream Analytics
• Vad är Azure Synapse Analytics?
• Introduktion till Azure Blob Storage
• Vad är Azure Machine Learning?
• Vad är Power BI?

Relaterade resurser

Arkitekturguider:

• Artificiell intelligens (AI)
• Jämför maskininlärningsprodukter och -tekniker från Microsoft
• Ramverk för maskininlärningsåtgärder (MLOps)

Referensarkitekturer:

• Batchbedömning för djupinlärningsmodeller
• Batchbedömning av Python-modeller i Azure
• Skapa en pipeline för tal-till-text-transkription