Navigation überspringen

Prognose der Kundenabwanderung

Bei der Prognose der Kundenabwanderung kommen Cortana Intelligence Suite-Komponenten zum Einsatz, um die Abwanderungswahrscheinlichkeit vorherzusagen und Muster in vorhandenen Daten zu finden, die mit der prognostizierten Abwanderungsquote in Zusammenhang stehen.

Beschreibung

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

Weitere Informationen zur Struktur dieser Lösung entnehmen Sie dem Lösungsleitfaden auf GitHub.

Geschätzte Bereitstellungszeit: 25 Minuten

Vorhandene Kunden zu binden, ist fünfmal kostengünstiger als neue Kunden zu akquirieren. Aus diesem Grund versuchen Marketingverantwortliche häufig, die Wahrscheinlichkeit der Abwanderung von Kunden einzuschätzen und Maßnahmen zu ermitteln, um die Abwanderungsquote zu minimieren.

Bei der Prognose der Kundenabwanderung kommt Azure Machine Learning zum Einsatz, um die Abwanderungswahrscheinlichkeit vorherzusagen und Muster in vorhandenen Daten zu finden, die mit der prognostizierten Abwanderungsquote in Zusammenhang stehen. Anhand dieser Informationen können Unternehmen Maßnahmen ergreifen, um Kundenbindung und Gewinnspannen zu verbessern.

Ziel des vorliegenden Leitfadens ist es, Pipelines für Prognosedaten zu veranschaulichen, mit denen Händler eine mögliche Kundenabwanderung vorhersagen können. Mithilfe solcher Prognosen können Händler die Abwanderung möglicherweise verhindern, indem sie ihre Fachkenntnisse und sinnvolle Marketingstrategien einsetzen, um Kunden anzusprechen, bei denen die Gefahr einer Abwanderung besteht. Der Leitfaden zeigt auch, wie Modelle zur Kundenabwanderung erneut trainiert werden können, um zusätzliche Daten einzubeziehen, sobald diese verfügbar werden.

Funktionsweise

Die gesamte Lösung wird mithilfe von Microsoft Azure in der Cloud implementiert. Die Lösung umfasst verschiedene Azure-Komponenten für Datenerfassung, Datenspeicherung, Datenverschiebung, erweiterte Analyse und Visualisierung. Die erweiterte Analyse wird in Azure Machine Learning Studio implementiert – dort können Benutzer zum Erstellen von Data Science-Modellen Python oder R verwenden (oder vorhandene interne oder Drittanbieterbibliotheken wiederverwenden). Durch Datenerfassung kann die Lösung Prognosen basierend auf Daten erstellen, die aus einer lokalen Umgebung nach Azure übertragen werden.

Lösungsdashboard

Die Momentaufnahme unten zeigt ein Power BI-Beispieldashboard, das Einblicke in die prognostizierten Abwanderungsquoten für alle Bestandskunden bietet.

Einblicke

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

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

Das umfassende Verständnis des Zusammenhangs von Kundeninteressen und Kaufmustern stellt eine kritische Komponente aller Business Intelligence-Vorgänge im Handel dar. Die vorliegende Lösung implementiert eine Aggregation von Kundendaten in ein Rundumprofil und verwendet erweiterte Machine Learning-Modelle, die sich die Zuverlässigkeit und die Verarbeitungsleistung von Azure zunutze machen, um Predictive Insights zu simulierten Kunden bereitzustellen.