Previsione dell'abbandono dei clienti con analisi in tempo reale

La stima della varianza dei clienti usa la piattaforma di intelligenza artificiale di Azure per stimare la probabilità di varianza e consente di trovare modelli nei dati esistenti associati alla varianza stimata.

Architecture

Scaricare un file di Visio di questa architettura.

Flusso di dati

1. Usare Hub eventi di Azure per trasmettere tutti i dati live in Azure.

2. Elaborare i dati in tempo reale usando Analisi di flusso di Azure. Analisi di flusso può restituire dati elaborati in Azure Synapse . In questo modo i clienti possono combinare dati esistenti e cronologici per creare dashboard e report in Power BI.

3. Inserire dati cronologici su larga scala in Archiviazione BLOB di Azure usando Azure Synapse o un altro strumento ETL.

4. Usare Azure Synapse per combinare i dati di streaming con i dati cronologici per la creazione di report o la sperimentazione in Azure Machine Learning.

5. Usare Azure Machine Learning per creare modelli per stimare la probabilità di varianza e identificare i modelli di dati per fornire informazioni dettagliate intelligenti.

6. Usare Power BI per creare report operativi e dashboard su Azure Synapse. I modelli di Azure Machine Learning possono essere usati per migliorare ulteriormente la creazione di report e per aiutare le aziende nei processi decisionali.

Componenti

• Hub eventi di Azure è un servizio di inserimento eventi in grado di elaborare milioni di eventi al secondo. I dati inviati all'hub eventi possono essere trasformati e archiviati usando qualsiasi provider di analisi in tempo reale.
• Analisi di flusso di Azure è un motore di analisi in tempo reale progettato per analizzare ed elaborare volumi elevati di dati di streaming rapidi. Le relazioni e i modelli identificati nei dati possono essere usati per attivare azioni e avviare flussi di lavoro come la creazione di avvisi, l'alimentazione di informazioni a uno strumento di creazione di report o l'archiviazione dei dati trasformati per un uso successivo.
• Archiviazione BLOB di Azure è un servizio cloud per l'archiviazione di grandi quantità di dati non strutturati, ad esempio testo, dati binari, audio e documenti in modo più semplice e conveniente. Archiviazione BLOB di Azure consente ai data scientist di accedere rapidamente ai dati per la sperimentazione e la creazione di modelli di intelligenza artificiale.
• Azure Synapse Analytics è un data warehouse veloce e affidabile con analisi illimitate che riunisce l'integrazione dei dati, il data warehousing aziendale e l'analisi dei Big Data. Offre la libertà di eseguire query sui dati in base alle proprie condizioni, usando risorse serverless o dedicate e fornire dati per esigenze immediate di Business Intelligence e Machine Learning.
• Azure Machine Learning può essere usato per qualsiasi machine learning supervisionato e non supervisionato, indipendentemente dal fatto che si preferisca scrivere codice Python di R. È possibile compilare, eseguire il training e tenere traccia dei modelli di Machine Learning in un'area di lavoro di Azure Machine Leaning.
• Power BI è una suite di strumenti che offre informazioni dettagliate avanzate alle organizzazioni. Power BI si connette a varie origini dati, semplifica la preparazione dei dati e la creazione di modelli da origini diverse. Migliorare la collaborazione tra i team nell'organizzazione per produrre report analitici e dashboard per supportare le decisioni aziendali e pubblicarle nel Web e nei dispositivi mobili per consentire agli utenti di utilizzarli.

Dettagli dello scenario

Mantenere i clienti esistenti è cinque volte più economico del costo di ottenere nuovi clienti. È per questo motivo che i responsabili marketing spesso si trovano a dover stimare la probabilità di abbandono dei clienti e a individuare le azioni necessarie per ridurre al minimo il tasso di abbandono.

Potenziali casi d'uso

Questa soluzione usa Azure Machine Learning per stimare la probabilità di varianza e consente di trovare modelli nei dati esistenti associati alla varianza stimata. Usando dati cronologici e quasi in tempo reale, gli utenti possono creare modelli predittivi per analizzare le caratteristiche e identificare i predittori del pubblico esistente. Queste informazioni forniscono alle aziende un'intelligenza pratica per migliorare la conservazione dei clienti e i margini di profitto.

Questa soluzione è ottimizzata per il settore della vendita al dettaglio.

Distribuire lo scenario

Per altre informazioni su come compilare e distribuire questa soluzione, vedere la guida alla soluzione in GitHub.

Obiettivo di questa guida è illustrare le pipeline di dati predittivi per consentire ai rivenditori di stimare il tasso di abbandono dei clienti. I rivenditori possono usare queste stime per prevenire l'abbandono usando la loro conoscenza del settore e adottando strategie di marketing adeguate appositamente pensate per i clienti a rischio. La guida mostra anche come ripetere il training dei modelli di varianza dei clienti per usare più dati man mano che diventano disponibili.

Risorse della soluzione

La soluzione end-to-end viene implementata nel cloud, usando Microsoft Azure. La soluzione è costituita da diversi componenti di Azure, tra cui inserimento dati, archiviazione dei dati, spostamento dei dati, analisi avanzata e visualizzazione. L'analisi avanzata viene implementata in Azure Machine Learning, in cui è possibile usare python o linguaggio R per creare modelli di data science. Oppure è possibile riutilizzare librerie interne o di terze parti esistenti. Con l'inserimento dei dati, la soluzione può eseguire stime in base ai dati trasferiti in Azure da un ambiente locale.

Dashboard della soluzione

Lo snapshot seguente mostra un dashboard di Power BI di esempio che fornisce informazioni dettagliate sulle percentuali di varianza stimate in una base clienti.

Passaggi successivi

• Informazioni su Hub eventi di Azure
• Introduzione ad Analisi di flusso di Azure
• Che cos'è Azure Synapse Analytics?
• Introduzione all'Archiviazione BLOB di Azure
• Cos'è Azure Machine Learning?
• Che cos'è Power BI?

Risorse correlate

Guide all'architettura:

• Intelligenza artificiale (IA)
• Confrontare i prodotti e le tecnologie di apprendimento automatico di Microsoft
• Framework delle operazioni di Machine Learning (MLOps)

Architetture di riferimento:

• Assegnazione dei punteggi batch per i modelli di Deep Learning
• Assegnazione dei punteggi batch dei modelli Python in Azure
• Creare una pipeline di trascrizione riconoscimento vocale