Gezintiyi Atla

Müşteri Karmaşıklığı Tahmini

Customer Churn Prediction, Cortana Intelligence Suite bileşenlerini kullanarak dalgalanma olasılığını tahmin eder ve mevcut verilerde tahmin edilen dalgalanma oranıyla ilişkili desenler bulunmasına yardımcı olur.

Açıklama

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

Bu çözümün nasıl oluşturulduğu hakkında daha fazla bilgi edinmek için, GitHub’daki çözüm kılavuzunu ziyaret edin.

Tahmini Sağlama Süresi: 25 Dakika

Mevcut müşterilerin korunması, yeni müşteriler edinmekten beş kat daha hesaplıdır. Bu nedenle, pazarlama yöneticileri genellikle müşteri dalgalanması olasılığını tahmin etmeye ve dalgalanma oranını en aza indirmek için gerekli eylemleri bulmaya çalışır.

Customer Churn Prediction, Azure Machine Learning kullanarak dalgalanma olasılığını tahmin eder ve mevcut verilerde tahmin edilen dalgalanma oranıyla ilişkili desenler bulunmasına yardımcı olur. Bu bilgiler, işletmelere müşteri tutma oranını ve kar marjlarını yükseltmek için eyleme dönüştürülebilir zeka sağlar.

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. Bu kılavuzda ayrıca müşteri dalgalanma modellerinin eklenen yeni verilerden yararlanacak şekilde nasıl yeniden eğitilebileceği de gösterilmiştir.

Temel Bileşenler

Uçtan uca çözüm, Microsoft Azure kullanılarak bulutta uygulanır. Çözüm; veri alımı, veri depolama, veri taşıma, gelişmiş analiz ve görselleştirme gibi çeşitli Azure bileşenlerinden oluşur. İleri düzey analiz uygulanan Azure Machine Learning Studio’da Python veya R dili kullanılarak veri bilimi modelleri oluşturulabilir (veya mevcut şirket içi ya da üçüncü taraf kitaplıklar yeniden kullanılabilir). Veri alımı sayesinde çözüm, şirket içi bir ortamdan Azure’a aktarılmakta olan verileri temel alarak tahminler gerçekleştirebilir.

Çözüm Panosu

Aşağıdaki anlık görüntüde, müşteri tabanında tahmin edilen dalgalanma oranlarına ilişkin öngörülerin sunulduğu bir PowerBI panosu örneği gösterilmiştir.

Öngörüler

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

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

Müşteri 360

Müşteri vade farkı ve satın alım düzenleri arasındaki derin anlayış, her perakendeci akıllı işleminin kritik bir bileşenidir. Bu çözüm, sanal müşteriler hakkında tahmini öngörüler sağlamak amacıyla, müşteri verilerini bir “360 derece” profiline toplama işlemi uygular ve Azure’un güvenilirliği ve işleme gücü tarafından desteklenen gelişmiş makine öğrenme modelleri kullanır.