Omitir navegación

Optimización de campañas con SQL Server

Esta solución muestra cómo crear e implementar un modelo de aprendizaje automático con SQL Server 2016 con R Services para recomendar acciones que maximicen la tasa de compras de los clientes potenciales a los que va dirigida una campaña.

Descripción

Nota: Si ya ha implementado esta solución, haga clic aquí para ver la implementación.

Tiempo de aprovisionamiento estimado: 30 minutos

DETÉNGASE antes de continuar. Si aún no ha implementado una máquina virtual de ciencia de datos en su suscripción de Azure, debe aceptar los términos de uso primero.

Información general

Cuando una empresa lanza una campaña de marketing para llamar la atención de los clientes sobre productos nuevos o que ya existían, a menudo utiliza un conjunto de reglas de negocio para seleccionar clientes potenciales a los que dirigir la campaña. Para aumentar la tasa de respuesta de estos clientes potenciales, se puede usar Machine Learning. Esta solución muestra cómo usar un modelo para predecir acciones que se espera que maximicen la tasa de compras de los clientes potenciales a los que va dirigida la campaña. Estas predicciones sirven de base para recomendaciones que deben usarse en una campaña renovada en cuanto a cómo ponerse en contacto con los clientes potenciales (por ejemplo, por correo electrónico, SMS o telemarketing) y cuándo (día de la semana y hora del día). La solución que se presenta aquí utiliza datos simulados del sector asegurador para elaborar un modelo de respuestas de los clientes potenciales a la campaña. Como factores de predicción del modelo, se utilizan los datos demográficos de los clientes potenciales, el rendimiento histórico de las campañas y los detalles específicos de los productos. El modelo predice la probabilidad de que cada cliente potencial de la base de datos realice una compra en un canal, cada día de la semana a varias horas del día. Las recomendaciones sobre qué canal, qué día de la semana y qué hora del día son mejores para dirigirse a los usuarios se basan, por tanto, en la combinación de canal, día y hora que, según el modelo, tiene la mayor probabilidad de que se realice una compra.

La solución Microsoft Marketing Campaign Optimization es una combinación de un modelo de predicción de Machine Learning y una herramienta de visualización interactiva: PowerBI. Se utiliza para aumentar la tasa de respuesta a una campaña recomendando el canal (por ejemplo, correo electrónico, SMS o telemarketing) y el momento (día de la semana y hora del día) para ponerse en contacto con los clientes potenciales a los que va dirigida una nueva campaña. La solución utiliza datos simulados para elaborar un modelo de la respuesta a la campaña de captación, pero se puede configurar fácilmente para usar los datos de su organización. El modelo utiliza factores de predicción como los datos demográficos, el rendimiento histórico de las campañas y los detalles de los productos. La solución predice la probabilidad de conversión de un cliente potencial en cada canal, a diferentes horas del día y días de la semana, para cada cliente potencial de la base de datos. La recomendación final para dirigirse a cada cliente potencial se decide por la combinación de canal, día de la semana y hora del día con la mayor probabilidad de conversión. La solución sigue el modelo de un proceso de ciencia de datos normalizado donde un científico de datos puede encargarse fácilmente de la preparación de los datos, el entrenamiento de modelos y la evaluación, y donde el conocimiento obtenido se puede visualizar y poner en correlación con KPI de marketing a través de Power BI.

Perspectiva de director comercial

Esta plantilla de solución utiliza datos históricos (simulados) para predecir cómo y cuándo debe ponerse en contacto con clientes potenciales para una campaña. Ofrece recomendaciones como el mejor canal para ponerse en contacto con el cliente potencial (en nuestro ejemplo, correo electrónico, SMS o telemarketing), el mejor día de la semana y la mejor hora del día para ponerse en contacto.

SQL Server R Services aporta capacidad de proceso para los datos porque permite ejecutar R en el mismo equipo donde está la base de datos. Incluye un servicio de base de datos que se ejecuta fuera del proceso de SQL Server y que se comunica de forma segura con el entorno de ejecución de R.

Esta solución muestra cómo crear y restringir los datos, entrenar modelos de R y hacer predicciones en la máquina de SQL Server. La tabla de SQL Server con las predicciones finales proporciona recomendaciones sobre cómo y cuándo ponerse en contacto con cada cliente potencial. Después, estos datos se visualizan en Power BI.

Power BI muestra también resúmenes visuales de la efectividad de las recomendaciones para la campaña (aquí se muestran con datos simulados). Para probar este panel, haga clic en el vínculo Probarlo ahora.

La ficha Recommendations (Recomendaciones) de este panel muestra las recomendaciones previstas. En la parte superior, hay una tabla de clientes potenciales individuales para la nueva implementación. Esta tabla incluye campos para el identificador del cliente potencial, la campaña y el producto, rellenos con clientes potenciales a los que se van a aplicar nuestras reglas de negocio. Le siguen las predicciones de modelo para los clientes potenciales, con el canal y la hora óptimos para ponerse en contacto con cada uno de ellos. Finalmente, hay una estimación de las probabilidades de que los clientes potenciales compren nuestro producto usando estas recomendaciones. Estas probabilidades se pueden usar para aumentar la eficacia de la campaña limitando el número de clientes potenciales con los que se establece contacto al subconjunto con mayor probabilidad de compra.

La ficha Recommendations (Recomendaciones) incluye también varios resúmenes de recomendaciones e información demográfica de los clientes potenciales.

La ficha Campaign Summary (Resumen de campaña) del panel muestra resúmenes de los datos históricos usados para crear las recomendaciones previstas. Si bien esta ficha muestra también valores de día de la semana, hora del día y canal, estos valores son observaciones pasadas reales, no deben confundirse con las recomendaciones que se muestran en la ficha Recommendations (Recomendaciones).

Perspectiva de científico de datos

SQL Server R Services aporta capacidad de proceso para los datos porque ejecuta R en el equipo que hospeda la base de datos. Incluye un servicio de base de datos que se ejecuta fuera del proceso de SQL Server y que se comunica de forma segura con el entorno de ejecución de R.

Esta solución muestra los pasos para crear y restringir los datos, entrenar modelos de R y realizar puntuaciones en la máquina de SQL Server. La tabla de la base de datos de SQL Server con las puntuaciones finales ofrece recomendaciones sobre cómo y cuándo debe ponerse en contacto con cada cliente potencial. Estos datos se visualizan después en PowerBI, que también contiene un resumen de la eficacia de las recomendaciones utilizadas en su nueva campaña una vez finalizada. En esta plantilla, se incluyen datos simulados para mostrar la característica.

Los científicos de datos que prueban y desarrollan soluciones pueden trabajar desde la comodidad de su IDE de R en su máquina cliente, mientras envían el proceso a la máquina de SQL Server. Las soluciones completadas se implementan en SQL Server 2016 insertando llamadas a R en procedimientos almacenados. Después, estas soluciones se pueden automatizar más con SQL Server Integration Services y el Agente SQL Server.

Haga clic en el botón Implementar para probar la automatización y toda la solución estará disponible en su suscripción de Azure.

Precios

La suscripción de Azure que utilice para la implementación incurrirá en cargos por el consumo de los servicios que utilice la solución, aproximadamente, $1.15/hora para la máquina virtual predeterminada.

No olvide detener la instancia de Virtual Machines cuando no esté usando la solución. La ejecución de la máquina virtual conlleva costos superiores.

Elimine la solución si no la está usando.

Declinación de responsabilidades

©2017 Microsoft Corporation. Todos los derechos reservados. Esta información se proporciona "tal cual" y puede cambiar sin previo aviso. Microsoft no ofrece ninguna garantía, ni expresa ni implícita, respecto a la información que aquí se proporciona. Para generar la solución, se utilizaron datos de terceros. Usted es responsable de respetar los derechos de otros, incluida la adquisición y el cumplimiento de las licencias correspondientes para crear conjuntos de datos similares.

Arquitecturas de soluciones relacionadas

Optimización de campañas con clústeres de Azure HDInsight Spark

Esta solución muestra cómo crear e implementar un modelo de aprendizaje automático con Microsoft R Server en clústeres de Azure HDInsight Spark para recomendar acciones que maximicen la tasa de compras de los clientes potenciales a los que va dirigida una campaña. Esta solución permite un control eficaz de macrodatos en Spark con Microsoft R Server.