Predikce četnosti změn zákazníků s využitím analýz v reálném čase

Predikce změn zákazníků používá platformu Azure AI k predikci pravděpodobnosti četnosti změn a pomáhá najít vzory v existujících datech přidružených k předpokládané četnosti změn.

Architektura

Stáhněte si soubor aplikace Visio s touto architekturou.

Tok dat

1. Pomocí služby Azure Event Hubs streamujte všechna živá data do Azure.

2. Zpracování dat v reálném čase pomocí Azure Stream Analytics Stream Analytics může výstupem zpracovávaných dat do Azure Synapse . To umožňuje zákazníkům kombinovat existující a historická data k vytváření řídicích panelů a sestav v Power BI.

3. Ingestování historických dat ve velkém měřítku do služby Azure Blob Storage pomocí Azure Synapse nebo jiného nástroje pro extrakci, transformaci a načítání (ETL).

4. Pomocí Azure Synapse můžete kombinovat streamovaná data s historickými daty pro vytváření sestav nebo experimentování ve službě Azure Machine Učení.

5. Pomocí služby Azure Machine Učení můžete vytvářet modely pro predikci pravděpodobnosti četnosti změn a identifikovat vzory dat pro poskytování inteligentních přehledů.

6. Pomocí Power BI můžete vytvářet provozní sestavy a řídicí panely nad Azure Synapse. Modely služby Azure Machine Učení je možné použít k dalšímu vylepšení vytváření sestav a pomoci podnikům při rozhodování.

Komponenty

• Azure Event Hubs je služba pro příjem událostí, která dokáže zpracovat miliony událostí za sekundu. Data odesílaná do centra událostí je možné transformovat a ukládat pomocí libovolného poskytovatele analýz v reálném čase.
• Azure Stream Analytics je analytický modul v reálném čase navržený tak, aby analyzoval a zpracovával velké objemy dat rychlého streamování. Relace a vzory identifikované v datech se dají použít k aktivaci akcí a zahájení pracovních postupů, jako jsou vytváření výstrah, podávání informací nástroji pro vytváření sestav nebo ukládání transformovaných dat pro pozdější použití.
• Azure Blob Storage je cloudová služba pro ukládání velkých objemů nestrukturovaných dat, jako jsou textová, binární data, zvuk a dokumenty, snadněji a efektivněji. Azure Blob Storage umožňuje datovým vědcům rychlý přístup k datům pro experimentování a vytváření modelů AI.
• Azure Synapse Analytics je rychlý a spolehlivý datový sklad s neomezenou analýzou, která spojuje integraci dat, skladování podnikových dat a analýzu velkých objemů dat. Poskytuje vám svobodu dotazovat se na data podle vašich podmínek pomocí bezserverových nebo vyhrazených prostředků a obsluhovat data pro okamžité potřeby BI a strojového učení.
• Azure Machine Učení je možné použít pro jakékoli strojové učení pod dohledem a bez dohledu, bez ohledu na to, jestli dáváte přednost psaní kódu Jazyka R v Pythonu. Modely strojového učení můžete vytvářet, trénovat a sledovat v pracovním prostoru Azure Machine Leaning.
• Power BI je sada nástrojů, které organizacím poskytují výkonné přehledy. Power BI se připojuje k různým zdrojům dat, zjednodušuje přípravu dat a vytváření modelů z různorodých zdrojů. Vylepšete týmovou spolupráci v celé organizaci tak, aby vytvářely analytické sestavy a řídicí panel, aby podporovaly obchodní rozhodnutí a publikovaly je na webu a mobilních zařízeních, aby je uživatelé mohli využívat.

Podrobnosti scénáře

Udržování stávajících zákazníků je pětkrát levnější než náklady na získání nových zákazníků. Z toho důvodu se vedoucí pracovníci marketingu často snaží odhadnout pravděpodobnost výpovědi zákazníků a přijít na způsob, jakým podíl výpovědí minimalizovat.

Potenciální případy použití

Toto řešení používá azure Machine Učení k predikci pravděpodobnosti četnosti změn a pomáhá najít vzory ve stávajících datech přidružených k predikované četnosti změn. Pomocí historických i téměř reálných dat můžou uživatelé vytvářet prediktivní modely pro analýzu charakteristik a identifikaci prediktorů stávající cílové skupiny. Tyto informace poskytují firmám užitečné informace, které zlepšují udržení zákazníků a ziskovou marži.

Toto řešení je optimalizované pro maloobchod.

Nasazení tohoto scénáře

Další podrobnosti o tom, jak toto řešení sestavit a nasadit, najdete v průvodci řešením na GitHubu.

Cílem této příručky je předvést prediktivní datové kanály, pomocí kterých můžou prodejci předvídat výpovědi zákazníků. Prodejci můžou pomocí těchto předpovědí předcházet výpovědím zákazníků, když využijí své znalosti v oboru a vhodné marketingové strategie cílené na rizikové zákazníky. Průvodce také ukazuje, jak je možné modely změn zákazníků přetrénovat, aby používaly více dat, jakmile budou k dispozici.

Pohled pod kapotu

Kompletní řešení je implementované v cloudu a využívá Microsoft Azure. Řešení se skládá z několika komponent Azure, včetně ingestování dat, úložiště dat, přesunu dat, pokročilé analýzy a vizualizace. Pokročilá analýza se implementuje ve službě Azure Machine Učení, kde můžete k vytváření modelů datových věd použít jazyk Python nebo R. Nebo můžete znovu použít existující interní nebo externí knihovny. Díky ingestování dat může řešení vytvářet předpovědi na základě dat přenášených do Azure z místního prostředí.

Řídicí panel řešení

Následující snímek ukazuje příklad řídicího panelu Power BI, který poskytuje přehled o předpokládaných četnostech změn napříč zákaznickou základnou.

Další kroky

• Informace o službě Azure Event Hubs
• Vítá vás Azure Stream Analytics
• Co je Azure Synapse Analytics?
• Seznámení se službou Azure Blob Storage
• Co je Azure Machine Learning?
• Co je Power BI?

Související prostředky

Průvodci architekturou:

• Umělá inteligence (AI)
• Porovnání produktů a technologií strojového učení od Microsoftu
• Architektura operací strojového učení (MLOps)

Referenční architektury:

• Dávkové bodování pro modely hlubokého učení
• Dávkové vyhodnocování modelů Pythonu v Azure
• Vytvoření kanálu přepisu řeči na text