略過導覽

客戶流失預測

客戶流失預測使用 Cortana Intelligence Suite 元件來預測流失可能性,並協助在現有的資料中尋找與預測之流失率建立關聯的模式。

說明

注意:若您已部署了此解決方案,按一下這裡即可檢視部署。

如需如何建置此解決方案的詳細資料,請瀏覽 GitHub 中的解決方案指南。

預估佈建時間:25 分鐘

留住既有客戶的成本比取得新客戶的成本便宜五倍。因此,行銷人員經常發現自己嘗試估計客戶流失可能性,並尋找降低流失率所需採取的動作。

客戶流失預測使用 Azure Machine Learning 來預測流失可能性,並協助在現有的資料中尋找與預測之流失率相關的模式。這項資訊提供企業可採取動作的情報,以留住客戶並改善獲利率。

本指南的目標在於示範可讓零售商預測客戶流失的預測性資料管線。零售商可以使用這些預測,對有風險的客戶應用其領域知識和適當的行銷策略,以避免客戶流失。本指南也說明如何重新定型客戶流失模型,以在其他資料可用時利用這些資料。

實際運作狀況

此端對端解決方案是使用 Microsoft Azure 在雲端中實作。此解決方案是由數個 Azure 元件所組成,包括資料擷取、資料儲存、資料移動、進階分析和視覺化。進階分析是在 Azure Machine Learning Studio 中實作,使用者可以在其中使用 Python 或 R 語言來建立資料科學模型 (或重複使用現有的內部或協力廠商程式庫)。透過資料內嵌,解決方案可以根據從內部部署環境轉送至 Azure 的資料來進行預測。

解決方案儀表板

下面快照集顯示範例 PowerBI 儀表板,提供有關在客戶群之間預測到之流失率的深入解析。

深入資訊

免責聲明

© 2017 Microsoft Corporation.著作權所有,並保留一切權利。這項資訊依照「現況」提供,且可能變更而不另行通知。Microsoft 對於此處提供的資訊不提供任何明示或默示的擔保。產生此解決方案的過程中使用了協力廠商的資料。您必須尊重他人的權利,包括取得及遵從相關授權以建立相似的資料集。

相關解決方案架構

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

Customer 360

深入了解客戶興趣與購買模式對於任何零售商業智慧營運而言都很重要。此解決方案實作將客戶資料彙總成「全方位」設定檔的程序,並使用具備 Azure 可靠性和處理能力的進階機器學習服務模型,來提供有關模擬客戶的預測性深入解析。