Prédiction de l’attrition clients

Machine Learning

Idée de solution Solution Idea

Si vous souhaitez nous voir développer cet article avec d’autres informations, les détails de l’implémentation, le guide de tarification ou des exemples de code, faites-le-nous savoir avec les Commentaires de GitHub !If you'd like to see us expand this article with more information, implementation details, pricing guidance, or code examples, let us know with GitHub Feedback!

Prédiction de l’attrition clients utilise les composants de Cortana Intelligence Suite pour prédire la probabilité de l’attrition, et aide à trouver des patterns dans les données existantes associées au taux d’attrition prédit.Customer Churn Prediction uses Cortana Intelligence Suite components to predict churn probability and helps find patterns in existing data associated with the predicted churn rate.

ArchitectureArchitecture

Diagramme d’architecture Télécharger une SVG de cette architecture.Architecture Diagram Download an SVG of this architecture.

DescriptionDescription

Pour en savoir plus sur la création de cette solution, consultez le Guide de solution dans GitHub.For more details on how this solution is built, visit the solution guide in GitHub.

La rétention des clients existants coûte cinq fois moins cher que la recherche de nouveaux clients.Keeping existing customers is five times cheaper than the cost of attaining new ones. Dans un tel contexte, les responsables marketing cherchent souvent à évaluer la probabilité d’attrition de leurs clients et à mettre en place des actions appropriées pour minimiser le taux d’attrition.For this reason, marketing executives often find themselves trying to estimate the likelihood of customer churn and finding the necessary actions to minimize the churn rate.

Prédiction de l’attrition clients utilise Azure Machine Learning pour prédire la probabilité de l’attrition, et aide à trouver des patterns dans les données existantes associées au taux d’attrition prédit.Customer Churn Prediction uses Azure Machine Learning to predict churn probability and helps find patterns in existing data associated with the predicted churn rate. Ces informations dotent les entreprises d’une intelligence exploitable pour améliorer la fidélisation de la clientèle et les marges bénéficiaires.This information empowers businesses with actionable intelligence to improve customer retention and profit margins.

Ce guide a pour objectif de présenter des pipelines de données prédictifs destinés aux détaillants afin de prédire l’attrition clients.The objective of this guide is to demonstrate predictive data pipelines for retailers to predict customer churn. Les détaillants peuvent utiliser ces prédictions pour prévenir l’attrition clients en faisant appel à leur connaissance du domaine et des stratégies marketing adaptées afin de gérer les clients à risque.Retailers can use these predictions to prevent customer churn by using their domain knowledge and proper marketing strategies to address at-risk customers. Ce guide montre également comment les modèles d’attrition clients peuvent être reformés pour tirer parti des données supplémentaires dès qu’elles sont disponibles.The guide also shows how customer churn models can be retrained to leverage additional data as it becomes available.

Sous le capotWhat's Under the Hood

La solution de bout en bout est implémentée dans le cloud, à l’aide de Microsoft Azure.The end-to-end solution is implemented in the cloud, using Microsoft Azure. La solution s’articule sur plusieurs composants Azure, notamment l’ingestion, le stockage et le déplacement des données, ainsi que l’analytique avancée et la visualisation.The solution is composed of several Azure components, including data ingest, data storage, data movement, advanced analytics and visualization. L’analytique avancée est implémentée dans Azure Machine Learning, où il est possible d’utiliser le langage Python ou R pour générer des modèles de science des données (ou réutiliser des bibliothèques internes ou tierces existantes).The advanced analytics are implemented in Azure Machine Learning, where one can use Python or R language to build data science models (or reuse existing in-house or third-party libraries). Avec l’ingestion des données, la solution peut effectuer des prédictions en fonction des données transférées vers Azure depuis un environnement local.With data ingest, the solution can make predictions based on data that being transferred to Azure from an on-premises environment.

Tableau de bord de la solutionSolution Dashboard

La capture instantanée ci-dessous montre un exemple de tableau de bord PowerBI proposant des insights sur les taux de variation prédits dans la base de clients.The snapshot below shows an example PowerBI dashboard that gives insights into the the predicted churn rates across the customer base.

Insights