SQL Server ile Kampanya İyileştirmesi

Veri Bilimi Sanal Makineleri
Sanal Makineler

Çözüm fikri Solution Idea

Daha fazla bilgi, uygulama ayrıntıları, fiyatlandırma Kılavuzu veya kod örneği ile bu makaleyi genişletmemizi istiyorsanız GitHub geri bildirimlerindenhaberdar olalım!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!

Bu çözüm, bir kampanya tarafından hedeflenen müşteri adaylarının satın alma oranını en üst düzeye çıkarmak için SQL Server 2016 ile bir makine öğrenimi modelinin nasıl oluşturulacağını ve dağıtılacağını gösterir.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.

MimariArchitecture

Mimari diyagramı Bu mimarinin bir SVG indirin.Architecture Diagram Download an SVG of this architecture.

Genel BakışOverview

Bir iş, yeni veya mevcut ürün (ler) e ait müşterilere ilgi çekici bir pazarlama kampanyası başlattığında, genellikle kampanyalarının hedeflenmesine yönelik müşteri adaylarını seçmek için bir iş kuralları kümesi kullanırlar.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. Makine öğrenimi, bu müşteri adaylarından yanıt oranını artırmaya yardımcı olmak için kullanılabilir.Machine learning can be used to help increase the response rate from these leads. Bu çözüm, kampanyanın hedeflediği müşteri adaylarının satın alma oranını en üst düzeye çıkarmak için beklenen eylemleri tahmin etmek için bir modelin nasıl kullanılacağını gösterir.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. Bu Öngörüler, hedeflenen müşteri adaylarına (örneğin, e-posta, SMS veya soğuk çağrı) ve ne zaman (haftanın günü ve günün saati) iletişime geçmek için, yenilenen bir kampanya tarafından kullanılacak önerilerin temelini oluşturur.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. Burada sunulan çözüm, müşteri adaylarının yanıtlarını kampanyaya modellemek için sigorta sektörünün sanal verilerini kullanır.The solution presented here uses simulated data from the insurance industry to model responses of the leads to the campaign. Model tahminlerine müşteri adayları, geçmiş kampanya performansı ve ürüne özgü ayrıntıların demografik ayrıntıları bulunur.The model predictors include demographic details of the leads, historical campaign performance, and product-specific details. Model, veritabanındaki her bir müşteri adayının haftanın her gününde, günün çeşitli saatlerinde bir satın alma yaptığı olasılığını tahmin eder.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. Kullanıcıları hedeflemek için gereken kanal, haftanın günü ve günün saati ile ilgili öneriler, bir satınalmanın en yüksek olasılığa sahip olacağı kanal ve zamanlama birleşimine göre yapılır.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.

Microsoft pazarlama kampanyası Iyileştirme çözümü, bir makine öğrenimi tahmin modelinin ve etkileşimli görselleştirme aracının, PowerBI 'ın bir birleşimidir.The Microsoft Marketing Campaign Optimization solution is a combination of a Machine learning prediction model and an interactive visualization tool, PowerBI. Çözüm, yeni bir kampanyada kullanılmak üzere, hedeflenen müşteri adaylarını (örneğin, e-posta, SMS veya soğuk çağrı) ve ne zaman iletişim kurabileceği (örneğin, günün günü ve günün saati) iletişim kurmak için bir kampanyanın yanıt hızını artırmak için kullanılır.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. Çözüm, satın alma kampanyası yanıtını modellemek için kendi kuruluşunuzun verilerini kullanmak üzere kolayca yapılandırılabilen sanal verileri kullanır.The solution uses simulated data, which can easily be configured to use your own organization's data, to model the acquisition campaign response. Model demografik, geçmiş kampanya performansı ve ürün ayrıntıları gibi öngörülerini kullanır.The model uses predictors such as demographics, historical campaign performance and product details. Çözüm, her bir kanaldan bir müşteri adayı dönüştürme olasılığını tahmin eder. Bu, veritabanındaki her bir müşteri adayı için günün çeşitli saatlerinde ve haftanın günleriyle elde edilen bir süre.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. Her müşteri adayının hedeflenmesi için nihai öneri, en yüksek dönüştürme olasılığına sahip olan kanal, haftanın günü ve günün saati temelinde belirlenir.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. Çözüm standartlaştırılmış bir veri bilimi işleminden sonra modellenmiştir, burada veri hazırlama, model eğitimi ve değerlendirmesi bir veri bilimcu tarafından kolayca yapılabilir ve Power BI görselleştirme aracılığıyla pazarlama ile ilgili KPI 'Lara yönelik Öngörüler ve ilişkili ÖngörülerThe 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.

İş Yöneticisi perspektifiBusiness Manager Perspective

Bu çözüm şablonu, kampanyalarınıza ilişkin müşteri adaylarına nasıl ve ne zaman iletişim kuracaklarını tahmin etmek için (benzetimli) geçmiş verileri kullanır.This solution template uses (simulated) historical data to predict how and when to contact leads for your campaign. Öneriler, bir müşteri adayına (bizim örneğimizde, e-posta, SMS veya soğuk çağrı), haftanın en iyi günü ve günün en iyi saati ile iletişim kurmak için en iyi kanalı içerir.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, R 'nin veritabanıyla aynı bilgisayarda çalışmasına izin vererek verileri işleme getirir.SQL Server R Services brings the compute to the data by allowing R to run on the same computer as the database. Bu, SQL Server işlem çalıştıran ve R çalışma zamanı ile güvenli bir şekilde iletişim kuran bir veritabanı hizmeti içerir.It includes a database service that runs outside'the SQL Server process and communicates securely with the R runtime.

Bu çözüm paketi, SQL Server makinesinde veri oluşturma ve iyileştirme, R modellerini eğitme ve tahmin gerçekleştirme işlemlerinin nasıl yapılacağını gösterir.This solution packet shows how to create and refine data, train R models, and perform predictions on the SQL Server machine. SQL Server son tahmine dayalı tablosu, her bir müşteri adayının nasıl ve ne zaman iletişim kuracağından ilgili öneriler sağlar.The final predictions table in SQL Server provides recommendations for how and when to contact each lead. Bu veriler daha sonra Power BI içinde görselleştirilir.This data is then visualized in Power BI.

Power BI Ayrıca kampanya önerilerinin verimliliğine ilişkin görsel özetler sunar (burada benzetimli verilerle gösterilir).Power BI also presents visual summaries of the effectiveness of the campaign recommendations (shown here with simulated data). Şimdi deneyin bağlantısına tıklayarak bu panoyu deneyebilirsiniz.You can try out this dashboard by clicking the Try it Now link.

Bu panonun öneriler sekmesinde öngörülen öneriler gösterilmektedir.The Recommendations tab of this dashboard shows the predicted recommendations. En üstte yeni dağıtımımız için tek tek müşteri adaylarının bir tablosudur.At the top is a table of individual leads for our new deployment. Bu, iş kurallarımızın uygulanacağı müşteri adaylarıyla doldurulan lider KIMLIĞI, kampanya ve ürün alanlarını içerir.This includes fields for the lead ID, campaign and product, populated with leads on which our business rules are to be applied. Bu, müşteri adayları için model tahminlerinin ardından, her biriyle iletişim kurmak için en iyi kanal ve zamana ve bu önerileri kullanarak müşteri adaylarının ürünümüzü satın alacak tahmini olasılıklara göre yapılır.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. Bu olasılıklara, en büyük olasılıkla satın alma olabilecek alt kümeyle iletişim kurulan müşteri adaylarının sayısını sınırlayarak kampanyanın verimliliğini artırmak için kullanılabilir.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.

Ayrıca, öneriler sekmesinde, müşteri adaylarına ilişkin önerilerin ve demografik bilgilerinin çeşitli özetleri bulunur.Also on the Recommendations tab are various summaries of recommendations and demographic information on the leads.

Panonun Kampanya Özeti sekmesi, tahmin edilen önerileri oluşturmak için kullanılan geçmiş verilerinin özetlerini gösterir.The Campaign Summary tab of the dashboard shows summaries of the historical data used to create the predicted recommendations. Bu sekme ayrıca haftanın günü, günün saati ve kanal değerlerini de gösterir, ancak bu değerler gerçek geçmiş gözlemlerdir, öneriler sekmesinde gösterilen önerilerle karıştırılmamalıdır.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.

Veri bilimcisi perspektifiData Scientist Perspective

SQL Server R Services, veritabanını barındıran bilgisayarda R çalıştırarak verileri işleme getirir.SQL Server R Services brings the compute to the data by running R on the computer that hosts the database. SQL Server işlem dışında çalışan ve R çalışma zamanı ile güvenli bir şekilde iletişim kuran bir veritabanı hizmeti içerir.It includes a database service that runs outside the SQL Server process and communicates securely with the R runtime.

Bu çözüm, SQL Server makinesinde veri oluşturma ve iyileştirme, R modellerini eğitme ve Puanlama yapma adımlarını açıklar.This solution walks through the steps to create and refine data, train R models, and perform scoring on the SQL Server machine. SQL Server ' deki nihai puanlanmış veritabanı tablosu, her müşteri adayının nasıl ve ne zaman başvurululmasına ilişkin öneriler sağlarThe final scored database table in SQL Server gives the recommendations for how and when to contact each lead. Bu veriler daha sonra PowerBI 'da görselleştirilir ve bu da yeni kampanyada tamamlandıktan sonra kullanılan önerilerin başarısı hakkında bir Özet içerir.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. (Sanal veriler, özelliği göstermek için bu şablonda gösterilmiştir.)(Simulated data is shown in this template to illustrate the feature.)

Çözümleri test eden ve geliştiren veri bilimcileri, istemci makinesinde R IDE 'nin rahatlığını, işlem SQL Server makineyeitmekten daha kolay bir şekilde çalışabilir.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. Tamamlanmış çözümler, saklı yordamlarda R 'ye çağrılar katıştırarak 2016 SQL Server dağıtılır.The completed solutions are deployed to SQL Server 2016 by embedding calls to R in stored procedures. Bu çözümler daha sonra SQL Server Integration Services ve SQL Server aracılarıyla otomatik hale getirilebilir.These solutions can then be further automated with SQL Server Integration Services and SQL Server agent.

Otomasyon 'u test etmek için dağıt düğmesine tıklayın ve tüm çözüm Azure aboneliğinizde kullanıma sunulacaktır.Click on the Deploy button to test the automation and the entire solution will be made available in your Azure subscription.

FiyatlandırmaPricing

Dağıtım için kullanılan Azure aboneliğiniz, bu çözümde kullanılan hizmetler üzerinde tüketim ücretleri, varsayılan VM için yaklaşık olarak $1.15/saat olur.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.

Lütfen çözümü etkin bir şekilde kullanmadığınız durumlarda VM örneğinizi durdurduğunuzdan emin olun.Please ensure that you stop your VM instance when not actively using the solution. VM 'nin çalıştırılması daha yüksek maliyetler oluşturacak.Running the VM will incur higher costs.

Lütfen çözümü kullanmıyorsanız silin.Please delete the solution if you are not using it.