Kampanjeoptimalisering med SQL Server

Denne løsningen demonstrerer hvordan du bygger og distribuerer en maskinlæringsmodell med SQL Server 2016 med R Services for å anbefale tiltak for å maksimalisere kjøp av potensielle kunder som en kampanje er rettet mot.

Beskrivelse

Merk: Hvis du allerede har distribuert denne løsningen, kan du klikke her for å vise distribusjonen.

Estimert klargjøringstid: 30 minutter

STOPP før du fortsetter, hvis du enda ikke har distribuert en Data Science Virtual Machine på Azure-abonnementet ditt, må du først godta bruksvilkårene.

Oversikt

Når en bedrift lanserer en markedsføringskampanje for å interessere kunder i nye eller eksisterende produkter, bruker de ofte et sett med forretningsregler for å velge ut de potensielle kundene som kampanjen skal rettes mot. Maskinlæring kan brukes for å hjelpe med å øke svarprosenten fra disse potensielle kundene. Denne løsningen demonstrerer hvordan du bruker en modell for å forutsi handlinger som forventes å maksimalisere kjøp fra potensielle kunder som kampanjen rettes mot. Disse forutsigelsene fungerer som et grunnlag for anbefalinger som kan brukes av en fornyet kampanje om hvordan kontakt skal opprettes (for eksempel e-post, SMS eller telefon) og når en skal ta kontakt (ukedag og klokkeslett) med de potensielle kundene. Løsningen som presenteres her bruker simulerte data fra forsikringsbransjen for å bygge en modell over svar fra potensielle kunder i kampanjen. Modellvariablene inkluderer demografiske detaljer om de potensielle kundene, historisk kampanjeytelse og produktspesifikke detaljer. Modellen forutser sannsynligheten for at hver av de potensielle kundene foretar et kjøp fra en kanal, på hver av ukedagene, ved forskjellige tidspunkt. Anbefalinger om hvilken kanal, ukedag og hvilket klokkeslett som skal brukes ved kundekontakt er basert på kombinasjonen av kanalen og tiden som modellen forutser vil ha den høyeste sannsynligheten for at et kjøp vil finne sted.

Microsoft Marketing Campaign Optimization-løsningen er en kombinasjon av en prognosemodell for maskinlæring og et interaktivt virtualiseringsverktøy, PowerBI. Løsningen benyttes for å øke svarprosenten til en kampanje ved å anbefale kanalen for kontakt (for eksempel e-post, SMS eller telefon) i tillegg til når det skal opprettes kontakt (ukedag og klokkeslett) med potensielle kunder i en ny kampanje. Løsningen bruker simulerte data som enkelt kan konfigureres for å bruke dataene til din egen organisasjon, for å bygge en modell over svar i kjøpskampanjen. Modellen bruker variabler slik som demografiske data, historisk kampanjeytelse og produktdetaljer. Løsningen forutsier sannsynligheten for å salg til en potensiell kunde fra hver kanal, til forskjellige klokkeslett og ukedager, for hver potensielle kunde i databasen. Den endelige anbefalingen for å målrette hver potensielle kunde avgjøres av kombinasjonen av kanal, ukedag og klokkeslett med den høyeste sannsynligheten for salg. Løsninger er modellert etter en standard vitenskaplig prosess, hvor dataklargjøring, modellopplæring og vurdering enkelt kan utføres av en dataforsker og innsikten kan visualiseres og korreleres til nøkkelindikatorer for markedsføring via visualisering i PowerBI.

Business Manager-perspektiv

Denne løsningsmalen bruker (simulerte) historiske data for å forutsi hvordan og når du skal ta kontakt med potensielle kunder i kampanjen din. Anbefalinger inkluderer de beste kanalene for å ta kontakt med en potensiell kunde (i vårt eksempel e-post, SMS eller telefon), og den beste ukedagen og beste tid på dagen for når kontakten skal opprettes.

SQL Server R-tjenester bringer beregning til dataene ved å kjøre R på samme datamaskin som databasen. Det inkluderer en databasetjeneste som kjører utenfor SQL Server-prosessen og kommuniserer sikkert med R-kjøretiden.

Denne løsningen viser hvordan du oppretter og raffinerer data, opplærer R-modeller og utfører scoring på SQL Server-maskinen. Den endelige prognosetabellen i SQL Server gir anbefalinger om hvordan og når hver potensielle kunde skal kontaktes. Disse dataene blir så visualisert i PowerBI.

PowerBI presenterer også visuelle sammendrag over effektivetaten til kampanjens anbefalinger (vist her med simulerte data). Du kan prøve dette dashbordet ved å klikke på koblingen Prøv nå.

Anbefalinger-fanen på dette dashbordet viser de forutsagte anbefalingene. På toppen finner du en tabell over individuelle potensielle kunder for ny utvikling. Dette inkluderer felt for potensiell kunde-ID, kampanje og produkt, som er fylt med informasjon om hvilke forretningsregler som skal brukes. Dette etterfølges av modellforutsigelser for de potensielle kundene som gir den optimale kanalen og tiden for å kontakte hver av den, og deretter de estimerte sannsynlighetene for at de potensielle kundene kommer til å kjøpe produktet vårt etter at disse anbefalingene er benyttet. Disse sannsynlighetene kan brukes for å øke effektiviteten til kampanjen ved å begrense antallet potensielle kunder som skal kontaktes basert på underkategorien mest sannsynlig å kjøpe.

Anbefalinger-fanen gir også forskjellige sammendrag av anbefalinger og demografisk informasjon om de potensielle kundene.

Kampanjesammendrag-fanen på dashbordet viser sammendrag over historiske data som brukes for å opprette de forutsagte anbefalingene. Mens denne fanen også viser verdier for ukedag, tidspunkt og kanal, er disse verdiene faktiske tidligere observasjoner som ikke må forvirres med anbefalingene vist i Anbefalinger-fanen.

Perspektivet til dataforskere

SQL Server R-tjenester bringer beregning til dataene ved å kjøre R på datamaskinen som drifter databasen. Det inkluderer en databasetjeneste som kjører utenfor SQL Server-prosessen og kommuniserer sikkert med R-kjøretiden.

Denne løsningen går igjennom trinnene for å opprette og raffinere data, opplære R-modeller og utføre scoring på SQL Server-maskinen. Den endelige scorede databasetabellen i SQL Server gir anbefalinger om hvordan og når hver potensielle kunde skal kontaktes. Disse dataene visualiseres så i PowerBI som også inneholder et sammendrag av hvor vellykkede de brukte anbefalingene var i den nye kampanje etter at den er fullført. (Simulerte data vises i denne malen for å illustrere funksjonen.)

Dataforskere som tester og utvikler løsninger kan jobbe behagelig fra sine R IDE på deres klientmaskiner, mens de skyver databehandlingen til SQL Server-maskinen. De fullførte løsningene distribueres til SQL Server 2016 ved å bygge inn oppkall til R i lagrede prosedyrer. Disse løsningene kan deretter automatiseres videre med SQL Server Integration Services og SQL Server-agent.

Klikk på Distribuer-knappen for å teste automatiseringen, hele løsningen blir deretter tilgjengelig i Azure-abonnementet ditt.

Priser

Azure-abonnementet som brukes for distribusjonen blir belastet for forbruk av tjenestene som brukes i denne løsningen, omtrent $1.15/timer for den standard virtuelle maskinen.

Påse at du stopper VM-forekomsten når du ikke bruker løsningen aktivt. Kjøring av den virtuelle maskinen vil påløpe høyere kostnader.

Slett løsningen hvis du ikke bruker den.

Ansvarsfraskrivelse

©2017 Microsoft Corporation. Med enerett. Denne informasjonen gis «som den er» og kan endres uten varsel. Microsoft gir ingen garantier, uttrykkelig eller underforstått, i forbindelse med informasjonen som oppgis her. Tredjepartsdata ble benyttet for å generere løsningen. Du er ansvarlig for å respektere andres rettigheter, inkludert anskaffelse og overhold av relevante lisenser for å opprette lignende datasett.

Relaterte løsningsarkitekturer

Kampanjeoptimalisering med Azure HDInsight Spark-klynger

Denne løsningen demonstrerer hvordan du bygger og distribuerer en maskinlæringsmodell med Microsoft R Server på Azure HDInsight Spark-klynger med R Services for å anbefale tiltak for å maksimalisere kjøp av potensielle kunder som en kampanje er rettet mot. Denne løsningen muliggjør effektiv behandling av store data på Spark med Microsoft R Server.