Çözüm fikirleri
Bu makale bir çözüm fikridir. İçeriği olası kullanım örnekleri, alternatif hizmetler, uygulama konuları veya fiyatlandırma yönergeleri gibi daha fazla bilgiyle genişletmemizi isterseniz GitHub geri bildirimi sağlayarak bize bildirin.
Müşteri Değişim Sıklığı Tahmini, değişim sıklığı olasılığını tahmin etmek için Azure AI platformunu kullanır ve tahmin edilen değişim sıklığıyla ilişkili mevcut verilerde desenlerin bulunmasına yardımcı olur.
Mimari
Bu mimarinin bir Visio dosyasını indirin.
Veri akışı
Tüm canlı verileri Azure'a akışla aktarmak için Azure Event Hubs'ı kullanın.
Azure Stream Analytics'i kullanarak gerçek zamanlı verileri işleme. Stream Analytics işlenmiş verileri Azure Synapse'e aktarabilir. Bu, müşterilerin Power BI'da panolar ve raporlar oluşturmak için mevcut ve geçmiş verileri birleştirmesine olanak tanır.
Azure Synapse veya başka bir ETL aracı kullanarak geçmiş verilerini büyük ölçekte Azure Blob Depolama alın.
Azure Machine Learning'de raporlama veya deneme için akış verilerini geçmiş verilerle birleştirmek için Azure Synapse'i kullanın.
Değişim olasılığını tahmin etmeye yönelik modeller oluşturmak ve akıllı içgörüler sunmak için veri desenlerini belirlemek için Azure Machine Learning'i kullanın.
Azure Synapse üzerinde operasyonel raporlar ve panolar oluşturmak için Power BI'ı kullanın. Azure Machine Learning modelleri, raporlamayı daha da geliştirmek ve işletmelere karar verme süreçlerinde yardımcı olmak için kullanılabilir.
Components
- Azure Event Hubs , saniyede milyonlarca olayı işleyebilen bir olay alma hizmetidir. Olay hub'ına gönderilen veriler herhangi bir gerçek zamanlı analiz sağlayıcısı kullanılarak dönüştürülebilir ve depolanabilir.
- Azure Stream Analytics , yüksek hacimli hızlı akış verilerini analiz etmek ve işlemek için tasarlanmış gerçek zamanlı bir analiz altyapısıdır. Verilerde tanımlanan ilişkiler ve desenler, eylemleri tetikleyip uyarı oluşturma, bir raporlama aracına bilgi besleme veya dönüştürülmüş verileri daha sonra kullanmak üzere depolama gibi iş akışlarını başlatmak için kullanılabilir.
- Azure Blob Depolama metin, ikili veri, ses ve belgeler gibi büyük miktarlarda yapılandırılmamış verileri daha kolay ve uygun maliyetli bir şekilde depolamaya yönelik bir bulut hizmetidir. Azure Blob Depolama, veri bilimciler tarafından deneme ve yapay zeka modeli oluşturma için verilere hızlı erişim sağlar.
- Azure Synapse Analytics , veri tümleştirmesi, kurumsal veri ambarı ve büyük veri analizini bir araya getiren sınırsız analize sahip hızlı ve güvenilir bir veri ambarıdır. Sunucusuz veya ayrılmış kaynakları kullanarak koşullarınızdaki verileri sorgulama ve anında IŞ zekası ve makine öğrenmesi gereksinimleri için veri sunma özgürlüğü sunar.
- Azure Machine Learning , Python of R kodu yazmayı tercih edip etmediğinize bakılmaksızın denetimli ve denetimsiz makine öğrenmesi için kullanılabilir. Azure Machine Leaning çalışma alanında makine öğrenmesi modelleri oluşturabilir, eğitebilir ve izleyebilirsiniz.
- Power BI , kuruluşlara güçlü içgörüler sunan bir araç paketidir. Power BI çeşitli veri kaynaklarına bağlanır, farklı kaynaklardan veri hazırlığı ve model oluşturmayı basitleştirir. İş kararlarını desteklemek ve kullanıcıların kullanabilmesi için bunları web ve mobil cihazlarda yayımlamak üzere analiz raporları ve panolar oluşturmak için kuruluş genelinde ekip işbirliğini geliştirin.
Senaryo ayrıntıları
Mevcut müşterileri tutmak, yeni müşteri edinme maliyetinden beş kat daha ucuzdur. Bu nedenle, pazarlama yöneticileri genellikle müşteri dalgalanması olasılığını tahmin etmeye ve dalgalanma oranını en aza indirmek için gerekli eylemleri bulmaya çalışır.
Olası kullanım örnekleri
Bu çözüm, değişim sıklığı olasılığını tahmin etmek için Azure Machine Learning'i kullanır ve tahmin edilen değişim sıklığıyla ilişkili mevcut verilerdeki desenleri bulmaya yardımcı olur. Kullanıcılar hem geçmiş hem de yakın gerçek zamanlı verileri kullanarak özellikleri analiz etmek ve mevcut hedef kitlenin tahmincilerini belirlemek için tahmine dayalı modeller oluşturabilir. Bu bilgiler, işletmelere müşteri elde tutma ve kar marjlarını geliştirmek için eyleme dönüştürülebilir zeka sağlar.
Bu çözüm perakende sektörü için optimize edilmiştir.
Bu senaryoyu dağıtın
Bu çözümü derleme ve dağıtma hakkında daha fazla bilgi için GitHub'daki çözüm kılavuzunu ziyaret edin.
Bu kılavuzun amacı, perakendecilerin müşteri dalgalanmasını tahmin edebilmesi için tahmine dayalı veri işlem hatlarının tanıtılmasıdır. Bu tahminleri kullanan perakendeciler, etki alanıyla ilgili kendi bilgilerini ve riskli müşterileri hedefleyen doğru pazarlama stratejilerini kullanarak müşteri dalgalanmasını önleyebilir. Kılavuz ayrıca müşteri değişim sıklığı modellerinin kullanılabilir hale geldikçe daha fazla veri kullanmak için nasıl yeniden eğitilebileceğini de gösterir.
Temel bileşenler
Uçtan uca çözüm, Microsoft Azure kullanılarak bulutta uygulanır. Çözüm, veri alma, veri depolama, veri taşıma, gelişmiş analiz ve görselleştirme gibi çeşitli Azure bileşenlerinden oluşur. Gelişmiş analiz, veri bilimi modelleri oluşturmak için Python veya R dilini kullanabileceğiniz Azure Machine Learning'de uygulanır. Ya da mevcut şirket içi veya üçüncü taraf kitaplıklarını yeniden kullanabilirsiniz. Veri alımı ile çözüm, şirket içi ortamdan Azure'a aktarılan verileri temel alarak tahminlerde bulunabilir.
Çözüm panosu
Aşağıdaki anlık görüntüde, müşteri tabanında tahmin edilen değişim oranları hakkında içgörüler sağlayan örnek bir Power BI panosu gösterilmektedir.
Sonraki adımlar
- Azure Event Hubs hakkında
- Azure Stream Analytics'e hoş geldiniz
- Azure Synapse Analytics nedir?
- Azure Blob Depolama’ya giriş
- Azure Machine Learning nedir?
- Power BI nedir?
İlgili kaynaklar
Mimari kılavuzları:
- Yapay zeka (AI)
- Microsoft'un makine öğrenmesi ürünlerini ve teknolojilerini karşılaştırma
- Makine öğrenmesi işlemleri (MLOps) çerçevesi
Başvuru mimarileri: