실시간 분석을 사용한 고객 변동 예측

고객 이탈 예측은 Azure AI 플랫폼을 사용하여 이탈 가능성을 예측하며 예측 이탈률과 연결된 기존 데이터에서 패턴을 찾는 데 도움이 됩니다.

아키텍처

이 아키텍처의 Visio 파일을 다운로드합니다.

데이터 흐름

1. Azure Event Hubs를 사용하여 모든 라이브 데이터를 Azure로 스트리밍합니다.

2. Azure Stream Analytics를 사용하여 실시간 데이터를 처리합니다. Stream Analytics는 처리된 데이터를 Azure Synapse에 출력할 수 있습니다. 이를 통해 고객은 기존 데이터와 과거 데이터를 결합하여 Power BI에서 대시보드 및 보고서를 만들 수 있습니다.

3. Azure Synapse 또는 다른 ETL 도구를 사용하여 과거 데이터를 대규모로 Azure Blob Storage에 수집합니다.

4. Azure Synapse를 사용하여 Azure Machine Learning에서 보고 또는 실험을 위해 스트리밍 데이터를 과거 데이터와 결합합니다.

5. Azure Machine Learning을 사용하여 이탈 가능성을 예측하는 모델을 빌드하고 데이터 패턴을 식별하여 지능형 인사이트를 제공합니다.

6. Power BI를 사용하여 Azure Synapse를 기반으로 운영 보고서 및 대시보드를 빌드합니다. Azure Machine Learning 모델을 사용하여 보고 기능을 더욱 강화하고 비즈니스의 의사 결정 프로세스를 지원할 수 있습니다.

구성 요소

• Azure Event Hubs는 초당 수백만 개의 이벤트를 처리할 수 있는 이벤트 수집 서비스입니다. 이벤트 허브로 전송된 데이터는 실시간 분석 공급자를 사용하여 변환 및 저장할 수 있습니다.
• Azure Stream Analytics는 대량의 빠른 스트리밍 데이터를 분석하고 처리하도록 설계된 실시간 분석 엔진입니다. 데이터에서 식별된 관계 및 패턴을 사용하여 경고를 만들거나, 보고 도구에 정보를 공급하거나, 나중에 사용할 수 있도록 변환된 데이터를 저장하는 등의 작업을 트리거하고 워크플로를 시작할 수 있습니다.
• Azure Blob Storage는 텍스트, 이진 데이터, 오디오 및 문서 등의 대량의 비정형 데이터를 보다 쉽고 비용 효율적으로 저장할 수 있는 클라우드 서비스입니다. Azure Blob Storage를 사용하면 데이터 과학자가 실험 및 AI 모델 빌드를 위해 데이터에 빠르게 액세스할 수 있습니다.
• Azure Synapse Analytics는 데이터 통합, 엔터프라이즈 데이터 웨어하우징과 빅 데이터 분석을 결합한 무제한 분석 기능을 갖춘 빠르고 안정적인 데이터 웨어하우스입니다. 서버리스 또는 전용 리소스를 사용하여 원하는 방식으로 데이터를 자유롭게 쿼리하고 즉각적인 BI 및 기계 학습 요구 사항에 맞게 데이터를 제공할 수 있습니다.
• Azure Machine Learning은 R 코드의 Python 작성을 선호하든 관계없이 감독된 기계 학습 및 감독되지 않는 기계 학습에 사용할 수 있습니다. Azure Machine Leaning 작업 영역에서 기계 학습 모델을 빌드, 학습 및 추적할 수 있습니다.
• Power BI는 조직에 강력한 인사이트를 제공하는 도구 모음입니다. Power BI는 다양한 데이터 원본에 연결하고, 서로 다른 원본에서 데이터 준비 및 모델 생성을 간소화합니다. 조직 전체에서 팀 협업을 강화하여 비즈니스 결정을 지원하고 사용자가 사용할 수 있도록 웹 및 모바일 디바이스에 게시하는 분석 보고서 및 대시보드를 생성합니다.

시나리오 정보

기존 고객을 유지하는 것이 신규 고객을 유치하는 비용보다 5배 더 저렴합니다. 이러한 이유로, 마케팅 임원들은 고객 이탈 가능성을 추정하고 이탈률을 최소화하기 위해 필요한 조치를 찾으려고 노력하는 경우가 많습니다.

잠재적인 사용 사례

이 솔루션은 Azure Machine Learning을 사용하여 이탈 가능성을 예측하며 예측 이탈률과 연결된 기존 데이터에서 패턴을 찾는 데 도움이 됩니다. 사용자는 과거 데이터와 근 실시간 데이터를 모두 사용하여 예측 모델을 만들어서 특성을 분석하고 기존 대상 그룹의 예측 변수를 식별할 수 있습니다. 이런 정보는 비즈니스에 고객 유지 및 수익 마진을 개선하기 위한 실행 가능한 인텔리전스를 제공합니다.

이 솔루션은 소매 업계에 최적화되어 있습니다.

시나리오 배포

이 솔루션을 구축하고 배포하는 방법에 대한 자세한 내용은 GitHub의 솔루션 가이드를 참조하세요.

이 가이드의 목적은 소매업체가 고객 이탈을 예측할 수 있는 예측 데이터 파이프라인을 시연하는 것입니다. 소매업체는 이러한 예측을 사용하여 도메인 지식과 적절한 마케팅 전략을 사용하여 위험에 처한 고객에 대응함으로써 고객 이탈을 방지할 수 있습니다. 또한 이 가이드는 더 많은 데이터가 생기면 이를 사용하도록 고객 이탈 모델을 다시 학습시키는 방법을 보여줍니다.

내부 살펴보기

엔드투엔드 솔루션은 Microsoft Azure를 사용하여 클라우드에서 구현됩니다. 솔루션은 데이터 수집, 데이터 스토리지, 데이터 이동, 고급 분석 및 시각화를 비롯한 여러 Azure 구성 요소로 구성됩니다. 고급 분석은 Python 또는 R 언어를 사용하여 데이터 과학 모델을 빌드할 수 있는 Azure Machine Learning에서 구현됩니다. 또는 기존 사내 라이브러리 또는 타사 라이브러리를 재사용할 수 있습니다. 이 솔루션은 데이터 수집을 통해 온-프레미스 환경에서 Azure로 전송된 데이터를 기반으로 예측을 수행할 수 있습니다.

솔루션 대시보드

아래 스냅샷은 고객층 전체에서 예측된 이탈률에 대한 인사이트를 제공하는 예제 Power BI 대시보드를 보여줍니다.

다음 단계

• Azure Event Hubs 정보
• Azure Stream Analytics 시작
• Azure Synapse Analytics란?
• Azure Blob Storage 소개
• Azure Machine Learning이란 무엇인가요?
• Power BI란?

관련 참고 자료

아키텍처 가이드:

• AI(인공 지능)
• Microsoft의 기계 학습 제품 및 기술 비교
• MLOps(기계 학습 운영) 프레임워크

참조 아키텍처:

• 심층 학습 모델에 대한 Batch 평가
• Azure에서 Python 모델 일괄 채점
• 음성 텍스트 변환 파이프라인 빌드