Optimalizace kampaní s Azure HDInsight Spark clustery

HDInsight
Power BI

Idea řešení

Pokud se chcete podívat, jak tento článek rozšíříme o další informace, jako jsou potenciální případy použití, alternativní služby, aspekty implementace nebo pokyny k cenám, dejte nám vědět pomocí GitHub Feedback!

v tomto řešení se dozvíte, jak sestavit a nasadit model strojového učení s Microsoft Machine Learning Server v clusterech Azure HDInsight Spark a doporučit tak akce pro maximalizaci nákupu potenciálních zákazníků, na které cílí kampaň. Toto řešení umožňuje efektivní zpracování velkých objemů dat ve Sparku s Machine Learning Server.

Když podnik spustí marketingovou kampaň pro zákazníky, kteří mají zájem o nové nebo existující produkty, často používají sadu obchodních pravidel k výběru potenciálních zákazníků, na které se má jejich kampaň zaměřit. Machine Learning se dá použít k zvýšení míry odezvy těchto potenciálních zákazníků. V tomto řešení se dozvíte, jak pomocí modelu předpovědět akce, které se očekávají k maximalizaci nákupních sazeb potenciálních zákazníků, na které cílí kampaň. Tyto předpovědi slouží jako základ pro doporučení pro použití obnovené kampaně na tom, jak kontaktovat (například e-mail, SMS nebo zavolat) a kdy kontaktovat (den v týdnu a denní dobu) cílené zájemce.

GitHub úložiště optimalizace kampaně je implementace tohoto řešení nápad. Kód úložiště používá Simulovaná data z pojišťovacího odvětví k modelování odpovědí vedoucích k kampani. Předpovídání modelu zahrnují demografické údaje o potenciálních zákaznících, historii historických kampaní a podrobnostech specifických pro daný produkt. Model předpovídá pravděpodobnost, že každý zájemce v databázi provede nákup z kanálu, a to každý den v týdnu v různou denní dobu. Recommendations, na kterých kanálu, den v týdnu a denní dobu, která se má použít při zacílení na uživatele, pak kombinace kanálu a časování bude mít nejvyšší pravděpodobnost, že je nákup proveden.

Architektura

Diagram architektury: optimalizace marketingové kampaně pomocí Microsoft Machine Learning Server. Stáhnout SVG této architektury.

Komponenty

Microsoft Machine Learning Server -Enterprise software pro datové vědy, který poskytuje překladače r a python, základní distribuci r a pythonu, další vysoce výkonné knihovny od microsoftu a možnost provozní prostředí pro pokročilé scénáře nasazení.

Azure HDInsight – spravovaná, plně spektrum Open Source služby analýz v cloudu pro podniky. Můžete použít Open Source architektury, jako jsou Hadoop, Apache Spark, Apache Hive, LLAP, Apache Kafka, Apache Storm, R a další.

Obchodní perspektiva

Toto řešení využívá strojové učení s historickými daty kampaně k předpovědi odpovědí zákazníků a doporučuje, kdy a jak se s vašimi zájemci spojit. Doporučení zahrnují nejlepší kanál pro kontaktování zájemce (v našem příkladu e-mail, SMS nebo hovor), nejlepší den v týdnu a nejlepší denní dobu, kdy se má kontakt uskutečnit.

Microsoft Machine Learning Server v clusterech HDInsight Spark poskytují distribuované a škálovatelné možnosti strojového učení pro velké objemy dat, což kombinuje sílu Machine Learning Server a Apache Spark. toto řešení ukazuje, jak vyvíjet modely strojového učení pro optimalizaci marketingových kampaní (včetně zpracování dat, vytváření funkcí, školení a vyhodnocování modelů), nasazení modelů jako webové služby (na hraničním uzlu) a vzdálené využívání webové služby s Microsoft Machine Learning Server v Azure HDInsight Sparkch clusterech. Konečná tabulka předpovědi a doporučení se uloží do tabulky podregistru obsahující doporučení, jak a kdy kontaktovat jednotlivé zájemce. Tato data se pak vizuálně vyPower BI. Power BI poskytuje vizuální souhrny účinnosti doporučení kampaně.

na kartě Recommendations tohoto řídicího panelu se zobrazují předpokládaná doporučení. V horní části řídicího panelu existuje tabulka jednotlivých potenciálních zákazníků pro naše nové nasazení. Tabulka obsahuje pole pro ID zájemce, kampaň a produkt vyplněné potenciálními zákazníky, na kterých se mají použít naše obchodní pravidla. Za těmito poli následují předpovědi modelu pro potenciální zákazníky, které poskytují optimální kanál a čas pro jejich kontaktování, a Odhadovaná pravděpodobnost, kterou si zákazníci koupí náš produkt pomocí těchto doporučení. Tyto pravděpodobnosti je možné využít ke zvýšení efektivity kampaně tím, že omezíte počet potenciálních zákazníků, které jsou kontaktovány s největší pravděpodobností nákupu.

na kartě Recommendations jsou také různé přehledy doporučení a demografických informací o potenciálních zákaznících. Karta souhrn kampaně na řídicím panelu zobrazuje souhrny historických dat použitých k vytvoření předpokládaných doporučení. i když na této kartě se zobrazují také hodnoty pro den v týdnu, denní dobu a kanál, jsou tyto hodnoty skutečnými připomínkami, nemusíte je zaměňovat s doporučeními z modelu, které jsou zobrazené na kartě Recommendations.

Perspektiva pro data – vědecký

Toto řešení předvádí kompletní proces vývoje a nasazení modelů strojového učení pro optimalizaci marketingových kampaní. obsahuje ukázková data, kód R pro každý krok sestavování modelu (včetně zpracování dat, vytváření funkcí, školení a vyhodnocení modelů spolu s ukázkovými daty), nasazení modelu jako webové služby (na hraničním uzlu) a vzdálené využívání webové služby s Microsoft Machine Learning Server v clusterech Azure HDInsight Spark.

Odborníci na data, kteří testují toto řešení, můžou pracovat se zadaným kódem R z open source edice RStudio serveru, která běží na hraničním uzlu clusteru Azure HDInsight Spark. Nastavením výpočetního kontextu mohou uživatelé rozhodnout, kde bude provedeno výpočty: místně na hraničním uzlu, nebo distribuované napříč uzly v clusteru Spark. veškerý kód R můžete najít také ve veřejném GitHub úložišti. Bav se!

Důležité informace o nákladech

Toto řešení vytvoří cluster HDInsight Spark s Microsoft Machine Learning Server. Tento cluster bude obsahovat dva hlavní uzly, dva pracovní uzly a jeden hraniční uzel s celkem 32 jader. Přibližné náklady pro tento cluster HDInsight Spark je možné odhadnout pomocí cenové kalkulačky Azure. Po vytvoření clusteru a jeho zastavení se začne účtovat. Účtuje se poměrnou částí po minutách, takže byste cluster měli odstranit vždy, když už se nepoužívá. Po dokončení můžete odstranit celé řešení pomocí stránky nasazení.

Další kroky

Přečtěte si další články Cetrum architektury Azure:

Přečtěte si další informace a vyzkoušejte nějaký kód: