解决方案构想
本文是一种解决方案构想。 如果你希望我们在内容中扩充更多信息，例如潜在用例、备用服务、实现注意事项或定价指南，请通过提供 GitHub 反馈来告知我们。
客户流失预测使用 Azure AI 平台来预测流失概率，并帮助查找现有数据中与预测的流失率相关的模式。
体系结构
下载此体系结构的 Visio 文件。
数据流
使用 Azure 事件中心将所有实时数据流式传输到 Azure。
使用 Azure 流分析处理实时数据。 流分析可将处理后的数据输出到 Azure Synapse。 这样，客户就可合并现有数据和历史数据，在 Power BI 中创建仪表板和报表。
使用 Azure Synapse 或其他 ETL 工具将历史数据大规模引入 Azure Blob 存储。
在 Azure 机器学习中使用 Azure Synapse 将流数据与历史数据相结合来进行报告或试验。
使用 Azure 机器学习生成模型来预测流失概率，并确定数据模式以提供智能见解。
使用 Power BI 在 Azure Synapse 的基础上生成操作报表和仪表板。 可使用 Azure 机器学习模型进一步增强报告，并帮助企业制定决策。
组件
- Azure 事件中心是一项事件引入服务，每秒可处理数百万个事件。 可使用任何实时分析提供程序转换和存储发送到数据中心的数据。
- Azure 流分析是一种实时分析引擎，旨在分析和处理大量快速流数据。 在数据中识别的关系和模式可用于触发操作和启动工作流，例如创建警报、向报告工具馈送信息或存储转换后的数据供以后使用。
- Azure Blob 存储是一种云服务，用于更轻松且经济高效地存储大量非结构化数据，例如文本、二进制数据、音频和文档。 数据科学家可使用 Azure Blob 存储快速访问数据来进行试验和 AI 模型构建。
- Azure Synapse Analytics 是一种快速、可靠的数据仓库，具有无限分析功能，它将数据集成、企业数据仓库和大数据分析结合在一起。 通过它，你可根据你自己的情况使用无服务器或专用资源查询数据，并提供数据来满足即时 BI 和机器学习需求。
- 无论你是否喜欢编写 R 代码的 Python，都可使用 Azure 机器学习来进行任何监督和无监督机器学习。 可在 Azure 机器学习工作区中生成、训练和跟踪机器学习模型。
- Power BI 是一套工具，可向组织提供强大的见解。 Power BI 连接到各种数据源，简化来自不同源的数据准备和模型创建。 增强整个组织的团队协作来生成分析报表和仪表板，从而支持作出业务决策，并将其发布到 Web 和移动设备上供用户使用。
方案详细信息
留住现有客户的成本比获得新客户的成本要低五倍。 因此，营销专员通常会尝试评估客户流失的可能性，并确定可尽量降低客户流失率的必要措施。
可能的用例
此解决方案使用 Azure 机器学习来预测流失概率，并帮助查找现有数据中与预测的流失率相关的模式。 通过使用历史数据和准实时数据，用户能够创建预测模型来分析特征并识别现有受众的预测器。 此信息为企业提供可操作的智能来提高客户保留率和利润率。
此解决方案针对零售行业进行了优化。
部署此方案
若要更详细地了解如何生成和部署此解决方案，请访问 GitHub 中的解决方案指南。
本指南旨在演示零售商用于预测客户流失率的预测数据管道。 零售商可使用这些预测结果，运用他们的领域知识和适当的营销策略来处理可能流失的客户，从而防止客户流失。 本指南还演示了如何重新训练客户流失模型，使其在更多数据可用时使用这些数据。
背景揭秘
端到端解决方案是使用 Microsoft Azure 在云中实现的。 该解决方案包含多个 Azure 组件，例如数据引入、数据存储、数据移动、高级分析和可视化。 高级分析在 Azure 机器学习中实现，你可在其中使用 Python 或 R 语言生成数据科学模型。 或者，可重复使用现有的内部库或第三方库。 通过引入数据，解决方案可根据从本地环境传输到 Azure 的数据进行预测。
解决方案仪表板
下面的快照显示了一个示例 Power BI 仪表板，供你深入了解整个客户群的预测流失率。
后续步骤
- 关于 Azure 事件中心
- 欢迎使用 Azure 流分析
- 什么是 Azure Synapse Analytics？
- Azure Blob 存储简介
- 什么是 Azure 机器学习？
- 什么是 Power BI？
相关资源
体系结构指南：
参考体系结构：