Kampanjoptimering med SQL Server

Data Science Virtual Machine
Virtual Machines

Lösnings idé Solution Idea

Om du vill se den här artikeln med mer information, implementerings information, prissättnings vägledning eller kod exempel kan du berätta för oss med GitHub feedback!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!

Den här lösningen visar hur du skapar och distribuerar en maskin inlärnings modell med SQL Server 2016 med R Services för att rekommendera åtgärder för att maximera inköps takten för leads som är mål för en kampanj.This solution demonstrates how to build and deploy a machine learning model with SQL Server 2016 with R Services to recommend actions to maximize the purchase rate of leads targeted by a campaign.

ArkitekturArchitecture

Arkitektur diagram Ladda ned en SVG -arkitektur.Architecture Diagram Download an SVG of this architecture.

ÖversiktOverview

När ett företag lanserar en marknadsförings kampanj för att göra det intressant för kunder i nya eller befintliga produkter, använder de ofta en uppsättning affärs regler för att välja leads för kampanj till mål.When a business launches a marketing campaign to interest customers in new or existing product(s), they often use a set of business rules to select leads for their campaign to target. Machine Learning kan användas för att öka svars frekvensen från dessa leads.Machine learning can be used to help increase the response rate from these leads. Den här lösningen visar hur du använder en modell för att förutsäga åtgärder som förväntas maximera inköps takten för leads som kampanjen riktar sig till.This solution demonstrates how to use a model to predict actions that are expected to maximize the purchase rate of leads targeted by the campaign. Dessa förutsägelser fungerar som underlag för rekommendationer som ska användas av en förnyad kampanj om hur du kontaktar (till exempel e-post, SMS eller kalla samtal) och när du ska kontakta (dag i vecka och tid på dagen) riktade leads.These predictions serve as the basis for recommendations to be used by a renewed campaign on how to contact (for example, e-mail, SMS, or cold call) and when to contact (day of week and time of day) the targeted leads. Lösningen som presenteras här använder simulerade data från försäkrings branschen för att modellera svar på leads till kampanjen.The solution presented here uses simulated data from the insurance industry to model responses of the leads to the campaign. Modell förutsägelserna innehåller demografisk information om leads, historiska kampanj resultat och produktspecifik information.The model predictors include demographic details of the leads, historical campaign performance, and product-specific details. Modellen förutsäger sannolikheten för att varje lead i databasen gör ett köp från en kanal, på varje dag i veckan vid olika tidpunkter på dagen.The model predicts the probability that each lead in the database makes a purchase from a channel, on each day of the week at various times of day. Rekommendationer för vilken kanal, veckodag och tid på dagen som ska användas när mål användare baseras på kanal-och timing-kombinationen som modellen förutsäger kommer att få den högsta sannolikheten att ett inköp görs.Recommendations on which channel, day of week and time of day to use when targeting users are based then on the channel and timing combination that the model predicts will have the highest probability a purchase being made.

Lösningen för optimering av Microsoft marknadsförings kampanj är en kombination av en modell för maskin inlärnings förutsägelse och ett interaktivt visualiserings verktyg, PowerBI.The Microsoft Marketing Campaign Optimization solution is a combination of a Machine learning prediction model and an interactive visualization tool, PowerBI. Lösningen används för att öka svars hastigheten till en kampanj genom att rekommendera kanal att kontakta (till exempel e-post, SMS eller kalla samtal) samt när du ska kontakta (veckodag och tid på dagen) riktade leads för användning i en ny kampanj.The solution is used to increase the response rate to a campaign by recommending the channel to contact (for example, e-mail, SMS, or cold call) as well as when to contact (day of week and time of day) targeted leads for use in a new campaign. Lösningen använder simulerade data som enkelt kan konfigureras för att använda din organisations data för att modellera kampanj kampanj svaret.The solution uses simulated data, which can easily be configured to use your own organization's data, to model the acquisition campaign response. Modellen använder förutsägelser, till exempel demografiska, historiska kampanj prestanda och produkt information.The model uses predictors such as demographics, historical campaign performance and product details. Lösningen förutsäger sannolikheten för en lead-konvertering från varje kanal, vid olika tidpunkter på dagen och dagar i veckan, för varje lead i databasen.The solution predicts the probability of a lead conversion from each channel, at various times of the day and days of the week, for every lead in the database. Den slutgiltiga rekommendationen för att rikta varje lead bestäms utifrån kombinationen av kanal, veckodag och tid på dagen med den högsta sannolikheten för konvertering.The final recommendation for targeting each lead is decided based upon the combination of channel, day of week and time of day with the highest probability of conversion. Lösningen har modeller ATS efter en standardiserad data vetenskaps process, där förberedelse av data, modell utbildning och utvärdering kan utföras av data expert och insikter som visualiseras och korreleras med KPI: er efter marknadsföring via Power BI visualisering.The solution has been modeled after a standardized data science process, where the data preparation, model training and evaluation can be easily done by a data scientist and the insights visualized and correlated to KPIs by marketing via Power BI visualization.

Business Manager-perspektivBusiness Manager Perspective

Den här lösnings mal len använder (simulerade) historiska data för att förutsäga hur och när du ska kontakta leads för din kampanj.This solution template uses (simulated) historical data to predict how and when to contact leads for your campaign. Rekommendationerna omfattar den bästa kanalen för att kontakta ett lead (i vårt exempel, e-post, SMS eller kalla samtal), den bästa dagen i veckan och den bästa tiden på dagen då kontakten ska göras.The recommendations include the best channel to contact a lead (in our example, email, SMS, or cold call), the best day of the week and the best time of day in which to make the contact.

SQL Server R Services ger data beräkningen genom att tillåta att R körs på samma dator som databasen.SQL Server R Services brings the compute to the data by allowing R to run on the same computer as the database. Den innehåller en databas tjänst som kör outside'the SQL Server process och kommunicerar säkert med R-körningsmiljön.It includes a database service that runs outside'the SQL Server process and communicates securely with the R runtime.

Detta lösnings paket visar hur du skapar och förfina data, tränar R-modeller och utför förutsägelser på den SQL Server datorn.This solution packet shows how to create and refine data, train R models, and perform predictions on the SQL Server machine. Den slutliga förutsägelse tabellen i SQL Server ger rekommendationer för hur och när du ska kontakta varje lead.The final predictions table in SQL Server provides recommendations for how and when to contact each lead. Dessa data visualiseras sedan i Power BI.This data is then visualized in Power BI.

Power BI också visar visuella sammanfattningar av effektiviteten i kampanj rekommendationerna (visas här med simulerade data).Power BI also presents visual summaries of the effectiveness of the campaign recommendations (shown here with simulated data). Du kan prova den här instrument panelen genom att klicka på länken prova nu.You can try out this dashboard by clicking the Try it Now link.

På fliken rekommendationer på den här instrument panelen visas de förutsägande rekommendationerna.The Recommendations tab of this dashboard shows the predicted recommendations. Högst upp är en tabell med enskilda leads för vår nya distribution.At the top is a table of individual leads for our new deployment. Detta inkluderar fält för Lead-ID, kampanj och produkt, som är ifyllda med leads som våra affärs regler ska tillämpas på.This includes fields for the lead ID, campaign and product, populated with leads on which our business rules are to be applied. Detta följs av modell förutsägelserna för leads, vilket ger optimal kanal och tid att kontakta var och en, och sedan uppskattade sannolikheter för att leads kommer att köpa vår produkt med hjälp av dessa rekommendationer.This is followed by the model predictions for the leads, giving the optimal channel and time to contact each one, and then the estimated probabilities that the leads will buy our product using these recommendations. Dessa sannolikheter kan användas för att öka effektiviteten hos kampanjen genom att begränsa antalet leads som kontaktas som mest troligt att köpa.These probabilities can be used to increase the efficiency of the campaign by limiting the number of leads contacted to the subset most likely to buy.

På fliken rekommendationer finns också olika sammanfattningar av rekommendationer och demografisk information om leads.Also on the Recommendations tab are various summaries of recommendations and demographic information on the leads.

På fliken kampanj sammanfattning på instrument panelen visas sammanfattningar av historiska data som används för att skapa förutsägande rekommendationer.The Campaign Summary tab of the dashboard shows summaries of the historical data used to create the predicted recommendations. Även om den här fliken visar värden för dag i vecka, tid på dag och kanal, är dessa värden faktiska tidigare observationer, inte att förväxlas med rekommendationerna som visas på fliken rekommendationer.While this tab also shows values of Day of Week, Time of Day, and Channel, these values are actual past observations, not to be confused with the recommendations shown on the Recommendations tab.

Data expert perspektivData Scientist Perspective

SQL Server R Services ger data beräkningen genom att köra R på den dator som är värd för-databasen.SQL Server R Services brings the compute to the data by running R on the computer that hosts the database. Den innehåller en databas tjänst som körs utanför SQL Servers processen och kommunicerar säkert med R-körningsmiljön.It includes a database service that runs outside the SQL Server process and communicates securely with the R runtime.

Den här lösningen vägleder dig genom stegen för att skapa och förfina data, träna R-modeller och utföra en bedömning på den SQL Server datorn.This solution walks through the steps to create and refine data, train R models, and perform scoring on the SQL Server machine. Den slutgiltiga Poäng databas tabellen i SQL Server ger rekommendationer för hur och när de ska kontakta varje lead.The final scored database table in SQL Server gives the recommendations for how and when to contact each lead. Dessa data visualiseras sedan i PowerBI, som också innehåller en sammanfattning av de rekommendationer som används i din nya kampanj när den har slutförts.This data is then visualized in PowerBI, which also contains a summary of the success of the recommendations used in your new campaign after it has completed. (Simulerade data visas i den här mallen för att illustrera funktionen.)(Simulated data is shown in this template to illustrate the feature.)

Data tekniker som testar och utvecklar lösningar kan arbeta från bekvämligheten hos sin R IDE på sin klient dator, samtidigt som du skickar data bearbetningen till den SQL Server datorn.Data scientists who are testing and developing solutions can work from the convenience of their R IDE on their client machine, while pushing the compute to the SQL Server machine. De slutförda lösningarna distribueras till SQL Server 2016 genom att bädda in anrop till R i lagrade procedurer.The completed solutions are deployed to SQL Server 2016 by embedding calls to R in stored procedures. Dessa lösningar kan sedan automatiseras ytterligare med SQL Server Integration Services och SQL Server Agent.These solutions can then be further automated with SQL Server Integration Services and SQL Server agent.

Klicka på knappen distribuera för att testa automatiseringen och hela lösningen görs tillgänglig i din Azure-prenumeration.Click on the Deploy button to test the automation and the entire solution will be made available in your Azure subscription.

PrissättningPricing

Din Azure-prenumeration som används för distributionen debiteras förbruknings avgifter för tjänsterna som används i den här lösningen, ungefär $1.15 per timme för den virtuella standard datorn.Your Azure subscription used for the deployment will incur consumption charges on the services used in this solution, approximately $1.15/hour for the default VM.

Se till att du stoppar din VM-instans när du inte aktivt använder lösningen.Please ensure that you stop your VM instance when not actively using the solution. Att köra den virtuella datorn kommer att ådra sig högre kostnader.Running the VM will incur higher costs.

Ta bort lösningen om du inte använder den.Please delete the solution if you are not using it.