Stima del tasso di abbandono dei clienti

La soluzione Stima del tasso di abbandono dei clienti usa componenti di Cortana Intelligence Suite per stimare la probabilità di abbandoni e consente di individuare nei dati esistenti criteri associati al tasso di abbandono stimato.

Descrizione

Nota: se hai già distribuito questa soluzione, fai clic qui per visualizzare la distribuzione.

Per altri dettagli sulla struttura di questa soluzione, vedere la guida relativa alla soluzione in GitHub.

Tempo stimato per il provisioning: 25 minuti

Il costo relativo al mantenimento dei clienti esistenti è cinque volte inferiore a quello dell'acquisizione di 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.

La soluzione Stima del tasso di abbandono dei clienti usa Azure Machine Learning per stimare la probabilità di abbandoni e consente di individuare nei dati esistenti criteri associati al tasso di abbandono stimato. Queste informazioni permettono alle aziende dotate di intelligenza competitiva di migliorare la fidelizzazione dei clienti e i margini di profitto.

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 in che modo riqualificare i modelli del tasso di abbandono dei clienti per sfruttare altri dati non appena disponibili.

Risorse della soluzione

La soluzione end-to-end viene implementata nel cloud, usando Microsoft Azure. La soluzione è costituita da numerosi componenti di Azure, tra cui inserimento dei dati, archiviazione dei dati, spostamento dei dati, nonché analisi e visualizzazione avanzate. Le funzionalità di analisi avanzate sono implementate in Azure Machine Learning Studio, in cui è possibile usare il linguaggio Python o R per creare modelli di data science o riutilizzare librerie interne o di terze parti esistenti. Grazie all'inserimento dei dati, la soluzione può eseguire stime basate su dati che verranno trasferiti in Azure da un ambiente locale.

Dashboard della soluzione

Lo snapshot seguente mostra un dashboard di PowerBI di esempio che include dati dettagliati sui tassi di abbandono stimati nell'intera base di clienti.

Informazioni dettagliate

Dichiarazione di non responsabilità

©2017 Microsoft Corporation. Tutti i diritti sono riservati. Queste informazioni vengono fornite "così come sono" e sono soggette a modifiche senza preavviso. Microsoft non fornisce alcuna garanzia, espressa o implicita, in merito alle informazioni fornite qui. Per la generazione della soluzione sono stati usati dati di terze parti. La responsabilità per il rispetto dei diritti di altri, inclusi l'acquisizione e la conformità delle licenze rilevanti per la creazione di set di dati simili, è a tuo carico.

Architetture delle soluzioni correlate

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

Clienti a 360°

Una comprensione completa della relazione tra interessi dei clienti e modelli di acquisto è un componente essenziale di qualsiasi operazione di business intelligence per la vendita al dettaglio. Questa soluzione implementa un processo di aggregazione dei dati dei clienti in un profilo a "360°" e usa modelli avanzati di Machine Learning basati sull'affidabilità e sulle capacità di elaborazione di Azure per fornire informazioni dettagliate predittive su clienti simulati.