Přeskočit navigaci

Předpověď výpovědi zákazníka

Řešení předpovědi výpovědí zákazníků s využitím komponent Cortana Intelligence Suite předvídá pravděpodobnost výpovědi a pomáhá nalézat v existujících datech vzory související s předpokládaným podílem výpovědí.

Popis

Poznámka: Pokud jste toto řešení už nasadili, můžete ho zobrazit kliknutím sem.

Další podrobnosti o postupu sestavení tohoto řešení najdete v průvodci řešením na GitHubu.

Odhadovaný čas zřízení: 25 minut

Udržování stávajících zákazníků je pětkrát levnější než získávání nových. Z toho důvodu se vedoucí pracovníci marketingu často snaží odhadnout pravděpodobnost výpovědi zákazníků a přijít na způsob, jakým podíl výpovědí minimalizovat.

Řešení předpovědi výpovědí zákazníků s využitím služby Azure Machine Learning předvídá pravděpodobnost výpovědi a pomáhá nalézat v existujících datech vzory související s předpokládaným podílem výpovědí. Tyto informace poskytují podnikům podklady užitečné při rozhodování, jak zlepšit udržení zákazníků a zvýšit zisky.

Cílem této příručky je předvést prediktivní datové kanály, pomocí kterých můžou prodejci předvídat výpovědi zákazníků. Prodejci můžou pomocí těchto předpovědí předcházet výpovědím zákazníků, když využijí své znalosti v oboru a vhodné marketingové strategie cílené na rizikové zákazníky. Tato příručka také ukazuje, jak je možné modely výpovědí zákazníků přetrénovat s využitím dalších dat, jakmile budou k dispozici.

Pohled pod kapotu

Kompletní řešení je implementované v cloudu a využívá Microsoft Azure. Toto řešení se skládá z několika komponent Azure, včetně komponent pro příjem, ukládání a přesun dat, pokročilé analýzy a vizualizace. Pokročilé analýzy jsou implementované ve službě Azure Machine Learning Studio, kde můžete s použitím jazyka Python nebo R sestavovat modely pro datové vědy (nebo opakovaně používat interní knihovny nebo knihovny třetích stran). Díky příjmu dat dokáže řešení vytvářet předpovědi na základě dat přenášených do Azure z místního prostředí.

Řídicí panel řešení

Snímek níže ukazuje příklad řídicího panelu Power BI, který poskytuje přehledy o předpokládaných podílech výpovědí napříč základnou zákazníků.

Přehledy

Právní omezení

© 2017 Microsoft Corporation. Všechna práva vyhrazena. Tyto informace se poskytují „tak, jak jsou“ a mohou se bez předchozího upozornění změnit. Společnost Microsoft neposkytuje s ohledem na uvedené informace žádné záruky, ať už výslovné, nebo implikované. K vytvoření řešení byla použita data třetích stran. Zodpovídáte za respektování práv ostatních, včetně pořízení náležitých licencí pro vytváření podobných datových sad a jejich dodržování.

Související architektury řešení

Python Web Job Event Hub ETL (Python) Machine LearningTrained model Stream Analytics Azure Storage Browsing Data Batch ETL and Predictive Pipeline 1 2 SQL DW Demographics, products, purchases Merged customer profilew/ engineered features Enriched customer profile with predictions HD Insight(Spark R Server) Enriched customer profiles Power BI Dashboard 3 4 5 6

Customer 360

Důkladné pochopení vztahu mezi zájmy zákazníka a vzory jeho chování při nákupu je v rámci maloobchodu nezbytnou součástí každé operace business intelligence. Toto řešení implementuje proces agregování zákaznických dat do komplexního profilu a využívá pokročilé modely strojového učení podporované spolehlivostí a výpočetním výkonem Azure k zajištění prediktivních přehledů o simulovaných zákaznících.