Ideas de solución
Este artículo es una idea de solución. Si te gustaría que ampliemos este artículo con más información, como posibles casos de uso, servicios alternativos, consideraciones de implementación o una guía de precios, comunícalo a través de los Comentarios de GitHub.
La solución de predicción sobre el abandono de clientes usa la plataforma de IA de Azure para predecir la probabilidad de abandono y ayuda a encontrar patrones en los datos existentes asociados a la tasa de abandono prevista.
Architecture
Descargue un archivo Visio de esta arquitectura.
Flujo de datos
Use Azure Event Hubs para transmitir todos los datos en directo a Azure.
Procesar datos en tiempo real con Azure Stream Analytics. Stream Analytics puede generar datos procesados en Azure Synapse. Esto permite a los clientes combinar los datos históricos y existentes para crear paneles e informes en Power BI.
Ingiera datos históricos a escala en Azure Blob Storage mediante Azure Synapse u otra herramienta ETL.
Use Azure Synapse para combinar datos de streaming con datos históricos para informes o experimentación en Azure Machine Learning.
Use Azure Machine Learning para crear modelos que predigan la probabilidad de abandono e identificar los patrones de datos para ofrecer información inteligente.
Use Power BI para crear paneles e informes operativos sobre Azure Synapse. Los modelos de Azure Machine Learning se pueden usar para mejorar aún más los informes y ayudar a las empresas en los procesos de toma de decisiones.
Componentes
- Azure Event Hubs es un servicio de ingesta de eventos que puede procesar millones de eventos por segundo. Los datos enviados a un centro de eventos se pueden transformar y almacenar con cualquier proveedor de análisis en tiempo real.
- Azure Stream Analytics es un motor de análisis en tiempo real diseñado para analizar y procesar un gran volumen de datos de streaming rápido. Las relaciones y los patrones identificados en los datos se pueden usar para desencadenar acciones e iniciar flujos de trabajo, como la creación de alertas, la provisión de información a una herramienta de generación de informes o el almacenamiento de datos transformados para usarlos posteriormente.
- Azure Blob Storage es un servicio en la nube para almacenar grandes cantidades de datos no estructurados, como texto, datos binarios, audio y documentos de forma más fácil y rentable. Azure Blob Storage permite a los científicos de datos acceder rápidamente a los datos para la experimentación y la creación de modelos de IA.
- Azure Synapse Analytics es un almacén de datos rápido y confiable con análisis ilimitados que combina la integración de datos, el almacenamiento de datos empresariales y el análisis de macrodatos. Le ofrece la libertad de consultar datos según sus términos, mediante recursos dedicados o sin servidor y suministrar datos para necesidades inmediatas de BI y aprendizaje automático.
- Azure Machine Learning se puede usar con cualquier aprendizaje automático supervisado y no supervisado, tanto si prefiere escribir código Python o R. Puede crear, entrenar y realizar un seguimiento de los modelos de aprendizaje automático en un área de trabajo de Azure Machine Learning.
- Power BI es un conjunto de herramientas que proporciona a las organizaciones valiosas conclusiones. Power BI se conecta a varios orígenes de datos y simplifica la preparación de datos y la creación de modelos desde orígenes dispares. Mejore la colaboración en equipo en toda la organización de forma que se generen informes y paneles analíticos que respalden las decisiones empresariales y publíquelos en los dispositivos web y móviles para que los usuarios los puedan usar.
Detalles del escenario
Conservar los clientes existentes es cinco veces más económico que conseguir clientes nuevos. Por ello, los ejecutivos de marketing a menudo intentar calcular la probabilidad de abandono de clientes y buscan las acciones necesarias para minimizar la tasa de abandono.
Posibles casos de uso
La solución utiliza Azure Machine Learning para predecir la probabilidad de abandono y ayuda a encontrar patrones en los datos existentes asociados a la tasa de abandono prevista. Al utilizar los datos históricos y casi en tiempo real, los usuarios pueden crear modelos predictivos para analizar características e identificar los predictores de la audiencia existente. Esta información proporciona a las empresas información sobre la que actuar y les permite mejorar la retención de clientes y los márgenes de beneficios.
Esta solución está optimizada para el sector minorista.
Implementación de este escenario
Para obtener más detalles sobre cómo compilar e implementar esta solución, consulte la guía de la solución en GitHub.
El objetivo de esta guía es demostrar las canalizaciones de datos predictivos para que los minoristas puedan predecir el abandono de clientes. Los minoristas pueden utilizar estas predicciones para evitar el abandono de clientes mediante el conocimiento del dominio y las estrategias de marketing adecuadas para abordar a los clientes en riesgo. En la guía también se muestra cómo se pueden volver a entrenar los modelos de abandono de clientes para usar más datos a medida que estén disponibles.
Los entresijos de la solución
La solución de un extremo a otro se implementa en la nube, mediante Microsoft Azure. La solución consta de varios componentes de Azure, como ingesta de datos, almacenamiento de datos, movimiento de datos, análisis avanzado y visualización. El análisis avanzado se implementa en Azure Machine Learning, donde se puede usar el lenguaje Python o R para crear modelos de ciencia de datos. O bien, puede reutilizar las bibliotecas locales o de terceros existentes. Con la ingesta de datos, la solución puede hacer predicciones basadas en los datos que se transfieren a Azure desde un entorno local.
Panel de soluciones
La siguiente instantánea muestra un panel de Power BI de ejemplo que proporciona información detallada sobre las tasas de abandono previstas en la base de clientes.
Pasos siguientes
- Información acerca de Azure Event Hubs
- Bienvenido a Azure Stream Analytics
- ¿Qué es Azure Synapse Analytics?
- Introducción a Azure Blob Storage
- ¿Qué es Azure Machine Learning?
- ¿Qué es Power BI?
Recursos relacionados
Guías de arquitectura:
- Inteligencia artificial (IA)
- Comparación de productos y tecnologías de aprendizaje automático de Microsoft
- Marco de operaciones de Machine Learning (MLOps)
Arquitecturas de referencia: