고객 이탈 예측

고객 이탈 예측은 Cortana Intelligence Suite 구성 요소를 사용하여 이탈 가능성을 예측하고 기존 데이터에서 예측된 이탈 비율과 관련된 패턴을 찾는 데 도움이 됩니다.

설명

참고: 이 솔루션을 이미 배포한 경우 여기를 클릭하여 배포를 확인하세요.

이 솔루션을 빌드하는 방법에 대한 자세한 내용은 GitHub에서 솔루션 가이드를 참조하세요.

예상 프로비전 시간: 25분

기존 고객을 유지하는 것이 신규 고객을 유치하는 비용보다 5배 더 저렴합니다. 이런 이유로 마케팅 책임자는 종종 고객 이탈 가능성을 직접 예측해 보려고 하고 이탈 비율을 최소화하는 데 필요한 작업을 찾습니다.

고객 이탈 예측은 Azure Machine Learning을 사용하여 이탈 가능성을 예측하고 기존 데이터에서 예측된 이탈 비율과 관련된 패턴을 찾는 데 도움이 됩니다. 이 정보를 기반으로 비즈니스는 고객 유지 및 수익 폭을 개선하기 위한 실행 가능한 인텔리전스를 갖출 수 있습니다.

이 가이드의 목표는 소매업자가 고객 이탈을 예측할 수 있도록 예측 데이터 파이프라인을 보여 주는 것입니다. 소매업자는 도메인 지식 및 적절한 마케팅 전략을 사용하여 위험에 처한 고객의 위험한 상태를 해결하는 방식으로 이러한 예측을 통해 고객 이탈을 방지할 수 있습니다. 또한 가이드에서는 사용 가능해진 추가 데이터를 이용하도록 고객 이탈 모델을 다시 학습하는 방법을 보여 줍니다.

비결

종단 간 솔루션은 Microsoft Azure를 사용하여 클라우드에서 구현됩니다. 솔루션은 데이터 수집, 데이터 저장, 데이터 이동, 고급 분석, 시각화 등의 여러 Azure 구성 요소로 구성됩니다. 고급 분석은 Python 또는 R 언어를 사용하여 데이터 과학 모델을 빌드하거나 기존의 사내 또는 타사 라이브러리를 다시 사용할 수 있는 Azure Machine Learning Studio에서 구현됩니다. 데이터 수집을 통해 솔루션은 온-프레미스 환경에서 Azure로 전송되는 데이터를 기반으로 예측을 수행할 수 있습니다.

솔루션 대시보드

아래 스냅숏은 고객층에서 예측된 이탈 비율에 대한 자세한 정보를 제공하는 예제 PowerBI 대시보드를 보여 줍니다.

자세한 정보

고지 사항

©2017 Microsoft Corporation. All rights reserved. 이 정보는 “있는 그대로” 제공되며 예고 없이 변경될 수 있습니다. Microsoft는 여기에 제공된 정보에 대해 어떠한 명시적 또는 묵시적 보증도 하지 않습니다. 타사 데이터는 솔루션을 생성하는 데 사용되었습니다. 유사한 데이터 집합을 만들기 위해 관련 라이선스를 확보하고 준수하는 것을 비롯한 다른 사람의 권리를 존중하는 것은 귀하의 책임입니다.

관련 솔루션 아키텍처

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

고객 360

고객 관심과 구매 패턴을 깊이 이해하는 것은 소매업 인텔리전스 작업의 중요한 구성 요소입니다. 이 솔루션은 고객 데이터를 “360도” 프로필로 집계하는 프로세스를 구현하고 Azure의 안정성 및 처리 능력으로 지원되는 고급 기계 학습 모델을 사용하여 시뮬레이트된 고객에 대한 예측 정보를 제공합니다.