Omitir navegación

Predicción sobre la renovación de los clientes

Esta solución utiliza componentes de Cortana Intelligence Suite para predecir la probabilidad de pérdida de clientes y ayuda a encontrar patrones en los datos actuales asociados a la tasa de pérdida estimada.

Descripción

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

Para obtener más información sobre cómo se crea esta solución, visite la guía de la solución en GitHub.

Tiempo de aprovisionamiento estimado: 25 minutos

Mantener a los clientes actuales es cinco veces más económico que conseguir clientes nuevos. Por este motivo, es frecuente que los ejecutivos de marketing intenten calcular la probabilidad de pérdida de clientes y buscar las medidas necesarias para minimizar esta tasa.

La solución de predicción de pérdida de clientes utiliza Azure Machine Learning para predecir la probabilidad de pérdida y ayuda a encontrar patrones en los datos actuales asociados a la tasa de pérdida prevista. Esta información aporta a las empresas un conocimiento realmente útil que les permite mejorar la retención de clientes y los márgenes de beneficios.

El objetivo de esta guía es mostrar canalizaciones de datos predictivos para que los minoristas puedan predecir la tasa de pérdida de clientes. Los minoristas pueden usar estas predicciones para evitar la pérdida de clientes usando su experiencia en el sector y estrategias de marketing adecuadas para tratar a los clientes en riesgo de pérdida. La guía muestra también cómo se pueden volver a entrenar los modelos de predicción de pérdida de clientes para aprovechar más datos conforme van estando disponibles.

Funcionamiento interno

La solución se implementa íntegramente en la nube usando Microsoft Azure. Consta de varios componentes de Azure para la ingesta, el almacenamiento y el traslado de datos, análisis avanzado y visualización. El análisis avanzado se implementa en Azure Machine Learning Studio, donde se pueden usar los lenguajes Python o R para crear modelos de ciencia de datos (o bien reutilizar bibliotecas internas o de terceros). Con la ingesta de datos, la solución puede hacer predicciones basándose en los datos que se transfieren a Azure desde un entorno local.

Panel de la solución

La imagen siguiente muestra un panel de Power BI de ejemplo que aporta conocimiento sobre las tasas de pérdida de clientes estimadas para la base de datos de clientes.

Conocimiento

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

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: perfil de cliente completo

Un buen entendimiento entre los intereses de los clientes y los patrones de compra es un componente crítico de cualquier operación de inteligencia empresarial minorista. Esta solución implementa un proceso de agregación de datos de clientes en un perfil completo y utiliza modelos de aprendizaje automático avanzados con el respaldo de la confiabilidad y la capacidad de procesamiento de Azure para proporcionar conocimiento predictivo sobre clientes simulados.