Gezintiyi Atla

SQL Server ile Kampanya İyileştirmesi

Bu çözüm, bir kampanya tarafından hedeflenen müşteri adaylarının satın alım oranını en yüksek seviyeye çıkarmak üzere eylemler önermek için R Services’ın dahil olduğu SQL Server 2016 ile nasıl makine öğrenme modeli oluşturup dağıtılacağını gösterir.

Açıklama

Not: Bu çözümü zaten dağıttıysanız dağıtımınızı görüntülemek için buraya tıklayın.

Tahmini Sağlama Süresi: 30 Dakika

Henüz Azure Aboneliğinize Veri Bilimi Sanal Makinesi’ni dağıtmadıysanız devam etmeden önce DURUN. Önce Kullanım Koşullarını kabul etmelisiniz.

Genel Bakış

Bir işletme, müşterilerin yeni ve heyecan verici ürünlerle ilgilenmeleri için bir pazarlama kampanyası başlattığında, kampanyalarının hedefleyeceği müşteri adaylarını seçmek için genelde bir iş kuralları kümesi kullanır. Bu müşterilerin yanıt oranını artırmada yardımcı olması için makine öğrenme kullanılabilir. Bu çözüm, kampanya tarafından hedeflenen müşteri adaylarının satın alım oranını en yüksek seviyeye çıkarması beklenen eylemleri tahmin etmek için nasıl model kullanılacağını gösterir. Bu tahminler, hedeflenen müşteri adaylarıyla nasıl (örneğin, e-posta, SMS veya telefon görüşmesi) ve ne zaman (haftanın günü ve günün saati) iletişime geçileceği hakkında, yenilenen bir kampanya tarafından kullanılacak önerilerin temelini oluşturur. Burada sunulan çözüm, sigorta sektörüne ait sanal verileri kullanarak, müşteri adaylarının kampanyaya olan yanıtlarını modeller. Model göstergeler, müşteri adaylarının demografik ayrıntılarını, geçmiş kampanya performansını ve ürüne özel ayrıntıları içerir. Model, veritabanındaki her müşteri adayının bir kanaldan, haftanın her günü çeşitli saatlerde satın alım yapma işlemi olasılığını tahmin eder. Kullanıcıları hedeflerken hangi kanal, gün ve saatin kullanılacağına dair öneriler, modelin tahmin ettiği satın alma işleminin yapılma olasılığı en yüksek kanal ve zamanlama bileşimini temel alır.

Microsoft Pazarlama Kampanyası İyileştirmesi çözümü, Makine öğrenme tahmin modeli ve etkileşimli görselleştirme aracı Power BI’ın bir bileşimidir. Çözüm, yeni kampanyada kullanılmak üzere kanala hedeflenen müşteri adaylarıyla nasıl (örneğin, e-posta, SMS veya telefon görüşmesi) ve ne zaman (haftanın günü ve günün saati) iletişime geçileceğini önererek bir kampanyaya olan yanıt oranını artırmak için kullanılır. Çözüm, kendi kuruluşunuzun verilerini kullanmak üzere kolayca yapılandırılabilecek sanal verileri kullanarak, alım kampanya yanıtını modeller. Model, demografi bilgileri, geçmiş kampanya performansı ve ürün ayrıntıları gibi göstergeleri kullanır. Çözüm, veritabanındaki her müşteri adayı için günün çeşitli saatlerinde ve haftanın çeşitli günlerinde, tüm kanallardaki müşteri adayı dönüşümü olasılığını tahmin eder. Müşteri adaylarını hedeflemeye yönelik son öneriye, dönüşüm olasılığı en yüksek olan kanal, haftanın günü ve günün saati bileşimi temel alınarak karar verilir. Çözüm, veri hazırlığının, model eğitiminin ve değerlendirmenin veri bilimcileri tarafından kolaylıkla yapılabileceği ve Power BI görselleştirmesi aracılığıyla pazarlanarak öngörülerin KPI’lara görselleştirildiği ve ilişkilendirildiği standartlaştırılmış veri bilimi işlemi temel alınarak modellenmiştir.

İşletme Yöneticisi Perspektifi

Bu çözüm şablonu, (sanal) geçmiş verileri kullanarak, kampanyanız için müşteri adaylarıyla nasıl ve ne zaman iletişime geçileceğini tahmin eder. Öneriler, müşteri adayıyla iletişime geçilecek en iyi kanalı (bizde geçerli olan örnek, e-posta, SMS veya telefon görüşmesi), haftanın en iyi gününü ve günün en iyi saatini içerir.

SQL Server R Services, veritabanıyla aynı bilgisayarda R çalıştırarak verilere işlem uygular. SQL Server işlemi dışında çalıştırılan ve R çalışma zamanıyla güvenli bir şekilde iletişim kuran bir veritabanı hizmeti içerir.

Bu çözüm paketinde, SQL Server makinesinde verilerin nasıl oluşturulup geliştirileceği, R modellerinin nasıl eğitileceği ve tahminlerin nasıl gerçekleştirileceği gösterilir. SQL Server’daki son tahmin tablosu, müşteri adaylarıyla nasıl ve ne zaman iletişime geçileceği hakkında öneriler sağlar. Bu veriler daha sonra Power BI’da görselleştirilir.

Power BI ayrıca kampanya önerilerinin verimliliğine dair görsel özetler sunar (sanal verilerle birlikte burada gösterilmiştir). Şimdi Deneyin bağlantısına tıklayarak panoyu deneyebilirsiniz.

Bu panonun Öneriler sekmesi tahmin edilen önerileri gösterir. En üstte, yeni dağıtımımıza ait müşteri adaylarının teker teker gösterildiği bir tablo bulunur. Bu tablo, iş kurallarımızın uygulanacağı müşteri adaylarının doldurduğu, müşteri adayı kimliği, kampanya ve ürüne ait alanları içerir. Bunu, müşteri adaylarına yönelik, bu adaylarla ayrı ayrı iletişime geçilecek en uygun kanal ve saatleri veren model tahminleri ve sonra da bu önerileri kullanarak müşteri adaylarının ürünümüzü almasıyla ilgili tahmini olasılıklar takip eder. Bu olasılıklar, iletişime geçilen müşteri adayları sayısını, alma olasılığı yüksek olan alt kümeyle sınırlandırarak kampanyanın verimliliğinin artırılması için kullanılabilir.

Öneriler sekmesinde ayrıca müşteri adaylarına dair önerilerin ve demografik bilgilerin çeşitli özetleri bulunur.

Panonun Kampanya Özeti sekmesi, tahmin edilen önerileri oluşturmak için kullanılan geçmiş verilerin özetlerini gösterir. Bu sekme ayrıca Haftanın Günü, Günün Saati ve Kanal değerlerini de gösterir, ancak bu değerler gerçek geçmiş gözlemlerdir. Öneriler sekmesinde gösterilen önerilerle karıştırılmamalıdır.

Veri Bilimcisi Perspektifi

SQL Server R Services, veritabanını barındıran bilgisayarda R çalıştırarak verilere işlem uygular. SQL Server işlemi dışında çalıştırılan ve R çalışma zamanıyla güvenli bir şekilde iletişim kuran bir veritabanı hizmeti içerir.

Bu çözümde, SQL Server makinesinde verilerin oluşturulup geliştirilmesi, R modellerinin eğitilmesi ve puanlamaların gerçekleştirilmesinin anlatıldığı adımlar gösterilir. SQL Server’daki son puanlanmış veritabanı tablosu, müşteri adaylarıyla nasıl ve ne zaman iletişime geçileceği hakkında önerileri verir. Tamamlanmasından sonra yeni kampanyanızda kullanılan önerilerin başarı özetini içeren bu veriler daha sonra Power BI’da görselleştirilir. (Özelliği açıklamak için bu şablonda gösterilen sanal veri.)

Çözümleri test edip geliştiren veri bilimcileri, işlemleri SQL Server makinesine uygularken, istemci makinelerinde uygun oldukları R IDE’lerinden çalışabilir. Tamamlanmış çözümler, saklı yordamlardaki R’ye çağrı eklenilerek SQL Server 2016’ya dağıtılır. Bu çözümler daha sonra SQL Server Integration Services ve SQL Server aracısıyla otomatikleştirilebilir.

Dağıt düğmesine tıklayarak otomasyonu test ettiğinizde, çözümün tamamı Azure aboneliğinizde kullanılabilir hale getirilir.

Fiyatlandırma

Dağıtım için kullanılan Azure aboneliğiniz bu çözümde kullanılan hizmetler için tüketim maliyetine neden olur. Bu maliyet, varsayılan sanal makine için yaklaşık olarak saatte $1.15 tutarında olur.

Lütfen çözümü etkin olarak kullanmadığınız sırada sanal makine örneğinizi durdurduğunuzdan emin olun. Sanal makineyi çalıştırmak daha yüksek maliyetlere neden olur.

Kullanmıyorsanız lütfen çözümü silin.

Bildirim

© 2017 Microsoft Corporation. Tüm hakları saklıdır. Buradaki bilgiler “olduğu gibi” sağlanmıştır ve bildirim yapılmaksızın değiştirilebilir. Microsoft, işbu bilgilerle ilgili açık veya zımni herhangi bir garanti vermez. Çözüm oluşturulurken üçüncü taraf verileri kullanılmıştır. Benzer veri kümeleri oluşturmak için ilgili lisansları edinmek ve bunlara uymak dahil olmak üzere başkalarının haklarına saygılı olma sorumluluğu sizindir.

İlgili çözüm mimarileri

Azure HDInsight Spark Kümeleri ile Kampanya Optimizasyonu

Bu çözümde, bir kampanya tarafından hedeflenen müşteri adaylarının satın alım oranını en yüksek seviyeye çıkarmak üzere eylemler önermek için Azure HDInsight Spark kümelerinde Microsoft R Server ile nasıl makine öğrenme modeli oluşturulup dağıtılacağı gösterilmiştir. Bu çözüm, Microsoft R Server ile Spark’ta büyük verilerin etkili bir biçimde işlenmesine olanak tanır.