Ignorar Navegação

Previsão de Abandono de Clientes

A Previsão de Abandono de Clientes utiliza componentes do Cortana Intelligence Suite para prever a probabilidade de abandono e ajuda a detetar padrões nos dados existentes associados à taxa de abandono prevista.

Descrição

Nota: se já tiver implementado esta solução, clique aqui para ver a sua implementação.

Para obter mais informações sobre como esta solução é criada, visite o guia de soluções no GitHub.

Tempo de Aprovisionamento Estimado: 25 Minutos

Manter os clientes existentes é cinco vezes mais barato do que o que custa adquirir novos clientes. Por esta razão, os executivos de marketing veem-se frequentemente na posição de tentar calcular a probabilidade de abandono por parte dos clientes e de determinar as ações necessárias para minimizar a taxa de abandono.

A Previsão de Abandono de Clientes utiliza o Azure Machine Learning para prever a probabilidade de abandono e ajuda a detetar padrões nos dados existentes associados à taxa de abandono prevista. Esta informação dota as empresas de informações acionáveis que permitem melhorar a fidelização de clientes e aumentar as margens de lucros.

Este guia serve para demonstrar os pipelines de dados preditivos que os revendedores utilizam para prever o abandono dos clientes. Os revendedores podem utilizar estas predições para impedir o abandono dos clientes ao aplicarem os conhecimentos da respetiva área e as estratégias de marketing adequadas para abordar clientes em risco. Este guia também mostra de que forma pode reestruturar os modelos de abandono de clientes para tirar partido de dados adicionais à medida que ficam disponíveis.

Recursos Subjacentes

A solução ponto a ponto é implementada na cloud através do Microsoft Azure. A solução é composta por vários componentes do Azure, incluindo ingestão de dados, armazenamento de dados, movimento de dados, análises avançadas e visualização. As análises avançadas são implementadas no Azure Machine Learning Studio, no qual pode utilizar as linguagens Python ou R para criar modelos de ciência de dados (ou reutilizar bibliotecas existentes, sejam estas internas ou de terceiros). Com a ingestão de dados, a solução pode fazer predições com base nos dados transferidos para o Azure a partir de um ambiente no local.

Dashboard de Soluções

O instantâneo abaixo mostra um dashboard do PowerBI de exemplo com informações sobre as taxas de abandono previstas em toda a base de clientes.

Informações

Exclusão de Responsabilidade

©2017 Microsoft Corporation. Todos os direitos reservados. A informação é fornecida "tal como está" e pode ser alterada sem aviso prévia. A Microsoft não faz garantias, de forma expressa ou implícita, em relação à informação aqui fornecida. Foram utilizados dados de terceiros para gerar a Solução. É responsável por respeitar os direitos de outros, incluindo a aquisição e conformidade com as licenças relevantes para criar conjuntos de dados semelhantes.

Arquiteturas de soluções relacionadas

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

Cliente 360

Um profundo entendimento entre os interesses e os padrões de compra do cliente é um elemento essencial de qualquer operação de business intelligence do setor de retalho. Esta solução implementa um processo de agregação de dados do cliente num perfil “360 graus” e utiliza modelos avançados de aprendizagem automática, apoiados pela fiabilidade e potência de processamento do Azure, para fornecer informações preditivas sobre clientes simulados.