Hopp over navigasjon

Anslag for kundefrafall

Customer Churn Prediction bruker Cortana Intelligence Suite-komponenter for å anslå sannsynligheten for kundefrafall og hjelper med å finne mønstre i eksisterende data i forbindelse med det anslåtte kundefrafallet.

Beskrivelse

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

For mer informasjon om hvordan denne løsningen er bygd, kan du gå til løsningsveiledingen i GitHub.

Estimert klargjøringstid: 25 minutter

Å beholde eksisterende kunder er fem ganger billigere enn det koster å få nye. Av denne grunn prøver markedsføringssjefer ofte å estimere sannsynligheten for kundefrafall og finne nødvendige tiltak for å redusere kundefrafallet.

Customer Churn Prediction bruker Azure Machine Learning for å anslå sannsynligheten for kundefrafall og hjelper med å finne mønstre i eksisterende data i forbindelse med det anslåtte kundefrafallet. Denne informasjonen gir bedrifter handlingsklar informasjon for å forbedre kundelojalitet og fortjeneste.

Målet med denne veiledningen er å demonstrere prediktive datasamlebånd hvor forhandlere kan forutse kundefrafall. Forhandlere kan bruke disse prognosene for å forhindre kundefrafall ved å benytte deres bransjekunnskap og gode markedsføringsstrategier for å møte kunder i faresonen. Denne veiledningen viser også hvordan modeller for kundefrafall kan omskoleres for å benytte videre data når de blir tilgjengelige.

Hva er under panseret

Den fullstendige løsningen implementeres i skyen ved hjelp av Microsoft Azure. Løsningen består av flere Azure-komponenter, inkludert datainntak, datalagring, dataflytting, avansert analyse og visualisering. De avanserte analysene implementeres i Azure Machine Learning Studio, hvor du kan bruke Python eller R-språk for å utvikle dataforskningsmodeller (eller gjenbruke eksisterende egne eller tredjeparts biblioteker). Med datainntak kan løsningen utføre prognoser basert på data som overføres til Azure fra et lokalt miljø.

Løsningsdashbord

Øyeblikksbildet nedenfor viser et eksempel på et PowerBI-dashbord som gir innsikt om anslått kundefrafall på tvers av kundebasen.

Innsikt

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

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

Customer 360

En inngående forståelse om kundeinteresse og kjøpsmønstre er en avgjørende komponent i enhver forretningsanalyse i detaljhandelen. Denne løsningen implementerer en prosess som samler kundedata i en 360-graders profil og som bruker avanserte maskinlæringsmodeller som støttes av påliteligheten og behandlingskraften til Azure for å levere prediktiv innsikt om simulerte kunder.