Navigation überspringen

Kampagnenoptimierung mit SQL Server

Mit dieser Lösung wird veranschaulicht, wie Sie ein Machine Learning-Modell mit SQL Server 2016 mit R Services erstellen und bereitstellen, um Maßnahmen zur Maximierung der Abschlussquote bei Leads zu empfehlen, die Zielgruppe einer Kampagne sind.

Beschreibung

Hinweis: Wenn Sie diese Lösung bereits bereitgestellt haben, klicken Sie hier, um sich Ihre Bereitstellung anzeigen zu lassen.

Geschätzte Bereitstellungszeit: 30 Minuten

EINEN MOMENT NOCH, BITTE! Falls Sie noch keinen virtuellen Data Science-Computer in Ihrem Azure-Abonnement bereitgestellt haben, müssen Sie zuerst die Nutzungsbedingungen annehmen.

Übersicht

Wenn ein Unternehmen eine Marketingkampagne startet, um Kunden für neue oder bestehende Produkte zu begeistern, dann werden unter Verwendung von Geschäftsregeln bestimmte Leads als Zielgruppe der Kampagne ausgewählt. Mithilfe von Machine Learning lässt sich die Beantwortungsquote unter diesen Leads erhöhen. Die vorliegende Lösung veranschaulicht, wie mithilfe eines Modells Maßnahmen prognostiziert werden, die mit einer gewissen Wahrscheinlichkeit zur Maximierung der Abschlussquote unter den Leads führen, die Zielgruppe der Kampagne sind. Diese Vorhersagen dienen als Grundlage für Empfehlungen, die im Rahmen einer Wiederholungskampagne verwendet werden. Diese Empfehlungen geben an, wie die Kontaktaufnahme der anzusprechenden Leads erfolgen soll (beispielsweise per E-Mail, SMS oder Kaltakquise) und wann der beste Zeitpunkt für die Kontaktaufnahme ist (Wochentag, Uhrzeit). Die hier präsentierte Lösung verwendet zur Modellierung der Reaktionen der Leads auf die Kampagne Simulationsdaten aus der Versicherungsbranche. Zu den Modellprädiktoren gehören demografische Angaben zu den Leads, Informationen zur Leistungsfähigkeit früherer Kampagnen und produktspezifische Details. Das Modell prognostiziert die Wahrscheinlichkeit dafür, dass jeder Lead in der Datenbank einen Kauf über einen Kanal tätigt, für jeden Wochentag und zu unterschiedlichen Tageszeiten. Empfehlungen für Kanal, Wochentag und Tageszeit für die Ansprache der jeweiligen Benutzer basieren dann auf derjenigen Kombination von Kanal und Timing, die nach Prognose des Modells die höchste Wahrscheinlichkeit für einen Abschluss bietet.

Die Microsoft Marketing Campaign Optimization-Lösung ist eine Kombination aus Machine Learning-Vorhersagemodell und dem interaktiven Visualisierungstool Power BI. Die Lösung dient der Steigerung der Reaktionsquote für eine Kampagne. Hierzu werden für neue Kampagnen Empfehlungen für den Kontaktkanal (z.B. E-Mail, SMS oder Kaltakquise) sowie den Zeitpunkt der Kontaktaufnahme (Wochentag, Tageszeit) mit Leads gegeben, die zur Zielgruppe gehören. Die Lösung verwendet Simulationsdaten, die sich unkompliziert konfigurieren lassen. Sie können z.B. die Daten Ihrer eigenen Organisation verwenden, um Reaktionen auf die Abschlusskampagne zu modellieren. Das Modell verwendet verschiedene Prädiktoren wie demografische Daten, die Leistungsfähigkeit früherer Kampagnen und Produktdetails. Für jeden Lead in der Datenbank prognostiziert die Lösung die Wahrscheinlichkeit eines Abschlusses über die einzelnen Kanäle an den verschiedenen Wochentagen und zu unterschiedlichen Tageszeiten. Die endgültige Empfehlung für die Ansprache jedes einzelnen Leads wird auf Grundlage der Kombination aus Kanal, Wochentag und Uhrzeit mit der höchsten Abschlusswahrscheinlichkeit abgegeben. Die Lösung wurde nach einem standardisierten Data Science-Prozess modelliert. Hierbei lassen sich Datenaufbereitung, Modelltraining und Bewertung problemlos durch einen Data Scientist erledigen, und die gewonnenen Erkenntnisse können durch die Power BI-Visualisierung veranschaulicht und KPIs werbespezifisch zugeordnet werden.

Geschäftsleiterperspektive

Die Lösungsvorlage verwendet (simulierte) Verlaufsdaten, um zu prognostizieren, wie und wann Sie Leads für Ihre Kampagne ansprechen sollten. Die Empfehlungen umfassen den besten Kanal (in unserem Beispiel E-Mail, SMS oder Kaltakquise), den besten Wochentag und die geeignetste Tageszeit für die Kontaktaufnahme mit dem Lead.

Mit SQL Server R Services kann R auf demselben Computer ausgeführt werden, der auch die Datenbank hostet – so kommt Compute direkt zu den Daten. Enthalten ist ein Datenbankdienst, der außerhalb des SQL Server-Prozesses ausgeführt wird und sicher mit der R-Runtime kommuniziert.

Dieses Lösungspaket zeigt, wie Sie die Daten erstellen und verfeinern, R-Modelle trainieren und Prognosen auf dem SQL Server-Computer durchführen. Die fertige Datenbanktabelle in SQL Server enthält Empfehlungen dafür, wie und wann Sie die verschiedenen Leads kontaktieren sollten. Diese Daten werden dann in Power BI veranschaulicht.

Power BI zeigt außerdem optische Zusammenfassungen der Wirksamkeit der Kampagnenempfehlungen (hier anhand von Simulationsdaten gezeigt). Klicken Sie auf den Link „Try It Now“ (Jetzt ausprobieren), um das Power BI-Dashboard auszuprobieren.

Die Registerkarte „Recommendations“ (Empfehlungen) des Dashboards zeigt die prognostizierten Empfehlungen. Ganz oben befindet sich eine Tabelle mit den einzelnen Leads für unsere neue Bereitstellung. Diese umfasst Felder für die Lead-ID, die Kampagne und das Produkt. Diese sind mit Leads aufgefüllt, auf die unsere Geschäftsregeln angewendet werden. Darauf folgen die Modellvorhersagen für die Leads, die den optimalen Kanal und Zeitpunkt für die jeweilige Kontaktaufnahme angeben, sowie die geschätzten Wahrscheinlichkeiten dafür, dass die Leads unser Produkt bei Umsetzung dieser Empfehlungen kaufen werden. Mithilfe dieser Wahrscheinlichkeiten kann die Effizienz der Kampagne gesteigert werden, indem die Leads auf die Teilmenge mit der höchsten Kaufwahrscheinlichkeit beschränkt werden.

Ebenfalls auf der Registerkarte „Recommendations“ finden Sie verschiedene Zusammenfassungen mit Empfehlungen und demografischen Daten zu den Leads.

Auf der Registerkarte „Campaign Summary“ (Kampagnen) werden Zusammenfassungen der Verlaufsdaten gezeigt, unter deren Verwendung die prognostizierten Empfehlungen erstellt wurden. Zwar gibt diese Registerkarte auch Werte für Wochentag, Uhrzeit und Kanal an, doch beziehen sich diese auf vergangene Beobachtungen und dürfen nicht mit den Empfehlungen verwechselt werden, die auf der Registerkarte „Recommendations“ erscheinen.

Data Scientist-Perspektive

Mit SQL Server R Services wird R auf demselben Computer ausgeführt, der auch die Datenbank hostet – so kommt Compute direkt zu den Daten. Enthalten ist ein Datenbankdienst, der außerhalb des SQL Server-Prozesses ausgeführt wird und sicher mit der R-Runtime kommuniziert.

Diese Lösung beschreibt exemplarisch die Schritte zum Erstellen und Verfeinern von Daten, zum Trainieren der R-Modelle und zum Durchführen von Bewertungen auf dem SQL Server-Computer. Die Datenbanktabelle mit den Bewertungen in SQL Server enthält Empfehlungen dafür, wie und wann Sie die verschiedenen Leads kontaktieren sollten. Diese Daten werden dann in Power BI visualisiert. Die Visualisierung umfasst auch eine Zusammenfassung zum Erfolg der in Ihrer neuen Kampagne verwendeten Empfehlungen nach deren Abschluss. (Die Simulationsdaten werden in dieser Vorlage angezeigt, um das Feature zu veranschaulichen.)

Data Scientists, die Lösungen testen und entwickeln, können in der gewohnten Umgebung ihrer R-IDE auf ihrem Clientcomputer arbeiten und alle Computevorgänge dem SQL Server-Computer überlassen. Die fertigen Lösungen werden dann auf SQL Server 2016 durch Einbetten von R-Aufrufen in gespeicherte Prozeduren bereitgestellt. Mithilfe von SQL Server Integration Services und dem SQL Server-Agent lassen sich diese Lösungen nachfolgend noch weiter automatisieren.

Klicken Sie auf die Schaltfläche „Bereitstellen“, um die Automation zu testen. Daraufhin wird die gesamte Lösung in Ihrem Azure-Abonnement bereitgestellt.

Preise

Für die mit dieser Lösung verwendeten Dienste fallen Kosten an, mit denen das Azure-Abonnement belastet wird, das Sie für die Bereitstellung verwenden. Diese Kosten liegen bei ca. $1.15 pro Stunde für die Standard-VM.

Achten Sie darauf, Ihre VM-Instanz zu beenden, wenn Sie die Lösung nicht verwenden. Durch Ausführung der VM fallen höhere Kosten an.

Löschen Sie daher die Lösung, wenn Sie diese nicht verwenden.

Haftungsausschluss

©2017 Microsoft Corporation. Alle Rechte vorbehalten. Alle Informationen werden im vorliegenden Zustand bereitgestellt und können sich ohne Vorankündigung ändern. Microsoft leistet weder ausdrücklich noch stillschweigend Gewähr hinsichtlich der hier zur Verfügung gestellten Informationen. Zur Erstellung der Lösung wurden Drittanbieterdaten verwendet. Sie sind dafür verantwortlich, die Rechte Dritter zu berücksichtigen. Hierzu zählen u.a. das Beschaffen relevanter Lizenzen, die zur Erstellung ähnlicher Datensätze benötigt werden, und das Erfüllen der jeweiligen Lizenzbedingungen.

Zugehörige Lösungsarchitekturen

Kampagnenoptimierung mit Azure HDInsight Spark-Clustern

Diese Lösung veranschaulicht, wie Sie ein Machine Learning-Modell mit Microsoft R Server in Azure HDInsight Spark-Clustern erstellen und bereitstellen, um Maßnahmen zur Maximierung der Abschlussquote bei Leads zu empfehlen, die Zielgruppe einer Kampagne sind. Die Lösung ermöglicht eine effiziente Verarbeitung von Big Data in Spark mit Microsoft R Server.