Voorspelling voor gebruikersverloop

Voorspelling voor gebruikersverloop maakt gebruik van Cortana Intelligence Suite-onderdelen om de verloopkans te voorspellen en helpt bij het vinden van patronen in bestaande gegevens die horen bij het voorspelde verloop.

Beschrijving

Opmerking: als u deze oplossing al hebt geïmplementeerd, klikt u hier om de implementatie te bekijken.

Raadpleeg de oplossingengids in GitHub voor meer informatie over de manier waarop deze oplossing is gebouwd.

Geschatte inrichtingstijd: 25 minuten

Het is vijf keer goedkoper om bestaande klanten te houden dan om nieuwe klanten aan te trekken. Om deze reden proberen marketingmanagers dan ook vaak om de kans op klantverloop in te schatten en de noodzakelijke acties te vinden om het verloop te minimaliseren.

Voorspelling voor gebruikersverloop maakt gebruik van Azure Machine Learning om de verloopkans te voorspellen en helpt bij het vinden van patronen in bestaande gegevens die horen bij het voorspelde verloop. Deze informatie voorziet bedrijven van intelligence waarop actie kan worden uitgevoerd om klantretentie en winstmarges te verbeteren.

Het doel van deze handleiding is om pijplijnen voor voorspellende gegevens te demonstreren aan de hand waarvan retailers klantverloop kunnen voorspellen. Leveranciers kunnen deze voorspellingen gebruiken om klantverloop te voorkomen door hun eigen domeinkennis en de juiste marketingstrategieën te gebruiken om risicoklanten aan te spreken. In de handleiding leest u ook hoe klantverloopmodellen opnieuw kunnen worden getraind om gebruik te maken van aanvullende gegevens wanneer deze beschikbaar komen.

Wat zit er allemaal in

De complete oplossing wordt geïmplementeerd in de cloud met behulp van Microsoft Azure. De oplossing bestaat uit verschillende Azure-onderdelen, zoals gegevensopname, gegevensopslag, verplaatsing van gegevens, geavanceerde analyse en visualisatie. De geavanceerde analytics worden geïmplementeerd in Azure Machine Learning Studio, waar u de taal Python of R kunt gebruiken om wetenschappelijk gegevensmodellen te bouwen (of om bestaande interne bibliotheken of bibliotheken van derden te hergebruiken). Met gegevensopname kan de oplossing voorspellingen doen op basis van gegevens die worden overgebracht naar Azure vanaf een on-premises omgeving.

Dashboard van de oplossing

In de momentopname hierna staat een voorbeeld van een PowerBI-dashboard dat inzichten geeft in het voorspelde verloop van klanten.

Inzichten

Vrijwaring

© 2017 Microsoft Corporation. Alle rechten voorbehouden. Deze informatie wordt als zodanig geleverd en kan zonder kennisgeving worden gewijzigd. Microsoft biedt geen garanties, expliciet of impliciet, met betrekking tot de hier verstrekte informatie. Gegevens van derden zijn gebruikt om de oplossing te genereren. U bent verantwoordelijk voor het respecteren van de rechten van anderen, inclusief het aanschaffen en naleven van relevante licenties om vergelijkbare gegevenssets te maken.

Gerelateerde architecturen voor oplossingen

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

Klant 360-graden

Voor elke business intelligence-activiteit in de detailhandel is het van essentieel belang goed te weten wat de interesse van klanten en hun aankooppatronen is. Met behulp van deze oplossing wordt een proces geïmplementeerd waarbij klantengegevens worden samengevoegd in een ‘360 graden-profiel’. Hierbij worden geavanceerde machine learning-modellen op basis van de betrouwbaarheid en het verwerkingsvermogen van Azure gebruikt om voorspellende inzichten in gesimuleerde klanten te geven.