Vásárlók lemorzsolódásának prognosztizálása

A Vásárlók lemorzsolódásának prognosztizálása a Cortana Intelligence csomag összetevőinek használatával előrejelzi a lemorzsolódás valószínűségét, és segít mintákat találni a prognosztizált lemorzsolódási rátához kapcsolódó meglévő adatokban.

Leírás

Megjegyzés: ha már üzembe helyezte ezt a megoldást, az üzemelő példányt ide kattintva érheti el.

A megoldás létrehozásával kapcsolatos további információkért olvassa el a megoldáshoz tartozó útmutatót a GitHubon.

Üzembe helyezés becsült ideje: 25 perc

A meglévő ügyfelek megtartása ötször olcsóbb az új ügyfelek szerzésénél. Ezen okból kifolyólag a marketingvezetőket gyakran foglalkoztatja, hogy hogyan tudják felmérni az ügyfelek lemorzsolódásának valószínűségét, illetve miként tudják megtalálni a szükséges lépéseket a lemorzsolódási ráta minimalizálásához.

A Vásárlók lemorzsolódásának prognosztizálása az Azure Machine Learning használatával előrejelzi a lemorzsolódás valószínűségét, és segít mintákat találni a prognosztizált lemorzsolódási rátához kapcsolódó meglévő adatokban. Ennek az információnak a felhasználásával a cégek javítani tudják az ügyfélmegtartást és a nyereségességet.

A jelen útmutató célja, hogy bemutassa, hogyan tudják a kiskereskedők prediktív adatfolyamatokkal előrejelezni az ügyfelek lemorzsolódását. A kiskereskedők ezután az előrejelzéseket felhasználva megelőzhetik az érintett ügyfelek lemorzsolódását a szakterület ismeretének és a megfelelő marketingstratégiáknak a segítségével. Az útmutató azt is demonstrálja, hogy az ügyfelek lemorzsolódási modelljei újrataníthatók oly módon, hogy kihasználják az elérhetővé váló további adatokat.

A megoldás összetevői

Ez a teljes körű megoldás a felhőben üzemel, a Microsoft Azure segítségével. A megoldás több Azure-összetevőből áll, ideértve az adatok betöltését, tárolását és áthelyezését, illetve a fejlett elemzési és vizualizációs funkciókat. A fejlett elemzési funkciók az Azure Machine Learning Studióban vannak implementálva, ahol a felhasználók Python vagy R nyelven írhatnak adatelemző modelleket (vagy felhasználhatják a meglévő céges vagy külső forrásból származó modelleket). Az adatbetöltési rendszer révén a megoldás képes előrejelzéseket készíteni a helyszíni környezetből az Azure-ba továbbított adatok alapján is.

Megoldások irányítópultja

Az alábbi képernyőképen egy olyan PowerBI-irányítópultot láthat példaként, amely betekintést nyújt a prognosztizált lemorzsolódási rátába a teljes ügyfélkörre vonatkozóan.

Elemzés

Jogi nyilatkozat

© 2017 Microsoft Corporation. Minden jog fenntartva. Ezt az információt jelen formájában nyújtjuk, és előzetes értesítés nélkül változhat. Az itt szereplő információkra a Microsoft nem vállal sem kifejezett, sem vélelmezett garanciát. A megoldás harmadik féltől származó adatok felhasználásával lett létrehozva. Ön felelős mások jogainak tiszteletben tartásáért, beleértve a hasonló adatkészletek létrehozásának céljából történő beszerzéseket és a vonatkozó licenceknek való megfelelőséget is.

Kapcsolódó megoldásarchitektúrák

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

A kiskereskedelmi üzleti intelligencia alapvető fontosságú eleme az ügyfelek érdeklődési köre és vásárlási mintái közötti szoros összefüggések megismerése. Az ebben a megoldásban elérhető folyamat egy „360 fokos” profilban egyesíti az ügyféladatokat, és az Azure által garantált megbízhatóság és számítási teljesítmény támogatásával működő fejlett gépi tanulási modellek révén prediktív előrejelzéseket kínál a szimulált ügyfelekhez.