使用即時分析的客戶流失預測

Azure Machine Learning

解決方案構想

本文是解決方案概念。如果您想要使用詳細資訊來擴充內容，例如潛在的使用案例、替代服務、實作考慮或定價指引，請提供 GitHub 意見反應讓我們知道。

客戶流失預測會使用 Azure AI 平臺來預測變換機率，並協助尋找與預測變換率相關聯的現有數據模式。

架構

下載此架構的 Visio 檔案。

資料流程

使用 Azure 事件中樞將所有實時數據串流至 Azure。
使用 Azure 串流分析處理實時數據。串流分析可以將已處理的數據輸出到 Azure Synapse 。這可讓客戶結合現有和歷程記錄數據，在Power BI中建立儀錶板和報表。
使用 Azure Synapse 或其他擷取、轉換和載入（ETL）工具大規模擷取歷程記錄數據至 Azure Blob 儲存體。
使用 Azure Synapse 將串流數據與歷程記錄數據結合，以在 Azure 機器學習中報告或實驗。
使用 Azure 機器學習建置模型來預測變換機率，並識別數據模式以提供智慧型手機深入解析。
使用 Power BI 在 Azure Synapse 之上建置作業報表和儀錶板。 Azure 機器學習模型可用來進一步增強報告，並協助企業進行決策流程。

元件

Azure 事件中樞是事件擷取服務，每秒可處理數百萬個事件。傳送至事件中樞的數據可以使用任何即時分析提供者來轉換和儲存。
Azure 串流分析是一種即時分析引擎，其設計目的是分析和處理大量快速串流數據。數據中識別的關聯性和模式可用來觸發動作並起始工作流程，例如建立警示、將資訊饋送至報告工具，或儲存轉換的數據以供日後使用。
Azure Blob 儲存體是一種雲端服務，用於儲存大量的非結構化數據，例如文字、二進位數據、音訊和檔，更輕鬆且符合成本效益。 Azure Blob 儲存體可讓數據科學家快速存取實驗和 AI 模型建置的數據。
Azure Synapse Analytics 是一個快速且可靠的數據倉儲，具有無限的分析，可將數據整合、企業數據倉儲和巨量數據分析結合在一起。它可讓您自由地使用無伺服器或專用資源來查詢詞彙的數據，併為立即 BI 和機器學習需求提供數據。
不論您偏好撰寫 R 程式代碼的 Python，Azure 機器學習都可用於任何受監督和未監督的機器學習。您可以在 Azure Machine Leaning 工作區中建置、定型及追蹤機器學習模型。
Power BI 是一套工具，可為組織提供強大的見解。 Power BI 會連線到各種數據源，簡化不同來源的數據準備和模型建立。加強整個組織的小組共同作業，以產生分析報告和儀錶板，以支援商務決策，並將其發佈至 Web 和行動裝置，讓用戶取用。

案例詳細資料

保留現有客戶比取得新客戶的成本便宜五倍。因此，行銷人員經常發現自己嘗試估計客戶流失可能性，並尋找降低流失率所需採取的動作。

潛在使用案例

此解決方案會使用 Azure 機器學習來預測變換機率，並協助尋找與預測變換率相關聯的現有數據模式。藉由同時使用歷程記錄和近乎實時數據，用戶能夠建立預測模型來分析特性，並識別現有對象的預測值。這項資訊為企業提供可採取動作的情報，以改善客戶保留率和獲利率。

此解決方案已針對零售產業優化。

部署此案例

如需如何建置和部署此解決方案的詳細資訊，請流覽 GitHub 中的解決方案指南。

本指南的目標在於示範可讓零售商預測客戶流失的預測性資料管線。零售商可以使用這些預測，對有風險的客戶應用其領域知識和適當的行銷策略，以避免客戶流失。本指南也會示範如何重新定型客戶變換模型，以在數據可供使用時使用更多數據。

實際運作狀況

此端對端解決方案是使用 Microsoft Azure 在雲端中實作。此解決方案是由數個 Azure 元件所組成，包括數據內嵌、數據記憶體、數據移動、進階分析和視覺效果。進階分析會在 Azure 機器學習中實作，您可以在其中使用 Python 或 R 語言來建置數據科學模型。或者，您可以重複使用現有的內部或第三方連結庫。透過資料內嵌，解決方案可以根據從內部部署環境傳輸到 Azure 的數據進行預測。

解決方案儀表板

下列快照集顯示Power BI儀錶板範例，可深入瞭解整個客戶群的預測變換率。

Power BI 儀錶板可讓您深入瞭解整個客戶群的預測變換率。

下一步

架構指南：

參考架構：