M365Con 2027 – conferenza online gratuita · 11–22 Jan 2027 · 120 sessions m365con.net

Churn prediction

Concetto

La previsione dell'abbandono (churn prediction) usa modelli di IA per stimare la probabilità che un cliente smetta di acquistare, annulli o si disimpegni, come segnale su dove un team dovrebbe guardare per primo.

✦ CONCETTOChurn predictionM365.FM
Immagine del titolo: Churn prediction (Concetto)

Trattati anche

L’episodio su Churn prediction parla anche di Semantic link (Microsoft Fabric), Semantic Link Labs, Copilot in Power BI, Prep data for AI, Power BI Premium e Object-level security (OLS).

Descrizione

La previsione dell'abbandono (churn prediction) è una tecnica di analisi predittiva in cui modelli di IA stimano la probabilità che un cliente smetta di acquistare, annulli o si disimpegni. Il risultato è un segnale, non un verdetto: indica dove un team di vendita, assistenza o marketing dovrebbe guardare per primo, così che qualcuno possa intervenire prima che un cliente venga effettivamente perso. Nell'ecosistema Microsoft il concetto compare in Dynamics 365, Azure e Power Platform.

Gli episodi di M365.FM menzionano la previsione dell'abbandono soprattutto come uno dei casi d'uso all'interno di un insieme più ampio di funzionalità di IA. In "The Human Side of CRM with Thomas Sandsør [MVP]" è elencata tra le funzioni di analisi predittiva in Dynamics 365, insieme al lead scoring, alla segmentazione dei clienti, ai suggerimenti di prodotti, al prezzo dinamico e alla previsione della domanda. L'episodio spiega che la previsione dell'abbandono permette a un team di intervenire prima di perdere un cliente, e che l'analisi predittiva in generale aiuta a individuare le persone giuste da contattare e a riconoscere i clienti che potrebbero andarsene.

In "Azure AI Infrastructure Architecture for C-Level Leaders", la previsione dell'abbandono è collocata nella riga di Azure Machine Learning di una panoramica dei servizi di IA di Azure. Lì Azure Machine Learning è descritto come il servizio per l'addestramento e lo sviluppo di modelli di machine learning, con la previsione dell'abbandono dei clienti citata come caso d'uso accanto alla manutenzione predittiva, al rilevamento delle frodi e alla previsione della domanda. Questo inquadra la previsione dell'abbandono come un'attività di costruzione di modelli: i dati storici sui clienti vengono usati per addestrare un modello che assegna un punteggio ai clienti in futuro.

L'episodio "Segment Customers with Dynamics 365 Customer Insights" collega la previsione dell'abbandono alla segmentazione e all'attivazione. Essa figura tra le parole chiave per costruire segmenti dinamici a partire da dati comportamentali e transazionali, insieme al punteggio di coinvolgimento e ai segnali di upselling. L'obiettivo dichiarato è attivare questi segmenti in Marketing, Sales e Power Automate, sostituendo le liste generiche con un targeting in tempo reale basato sull'intento. In questo contesto un segnale di abbandono non è solo un numero su una dashboard: può alimentare un segmento che avvia un'azione di follow-up.

In "Build Intelligent Power Apps with AI Builder", la previsione dell'abbandono è indicata tra gli scenari Sales/RevOps, insieme al lead scoring e alla next-best action nelle app basate su modello. Lo stesso episodio elenca le insidie comuni dei modelli di IA che si applicano direttamente ai modelli di abbandono: dati di addestramento disordinati, per i quali suggerisce una guida all'etichettatura, la rimozione dei duplicati, classi bilanciate e una suddivisione di validazione, e i modelli usa-e-getta (one-and-done), per i quali suggerisce una cadenza di riaddestramento e il monitoraggio del drift.

Nel complesso, gli episodi descrivono uno schema decisionale tipico. Un team sceglie dove risiede il modello (ad esempio Azure Machine Learning per un addestramento personalizzato, oppure le funzionalità di IA integrate in Dynamics 365 e AI Builder), decide quali dati descrivono il comportamento e le transazioni dei clienti, e definisce cosa succede quando un cliente viene segnalato, come un segmento, un flusso di lavoro in Power Automate o un suggerimento per un venditore. La qualità dei dati e il riaddestramento continuo sono le avvertenze ricorrenti, perché un punteggio di abbandono è utile solo quanto i dati e la manutenzione che lo sostengono.

Panoramica compilata con l'AI dagli episodi di M365.FM e dai dati di questa pagina. Puoi migliorarla con il pulsante di modifica qui sotto.

TipoConcetto

Domande frequenti

Le domande contrassegnate con AI sono state scritte con l'AI a partire dai fatti riportati in questa pagina.

Cosa fa la previsione dell'abbandono? (AI)

Usa modelli di IA per stimare la probabilità che un cliente smetta di acquistare, annulli o si disimpegni. La stima mostra a un team dove guardare per primo, così da poter intervenire prima di perdere il cliente.

Dove compare la previsione dell'abbandono nell'ecosistema Microsoft, secondo gli episodi? (AI)

Gli episodi la menzionano nell'analisi predittiva di Dynamics 365, in Azure Machine Learning come caso d'uso di addestramento dei modelli, nella segmentazione di Dynamics 365 Customer Insights e negli scenari Sales/RevOps di AI Builder.

Quali insidie citano gli episodi per i modelli di IA come la previsione dell'abbandono? (AI)

L'episodio su AI Builder cita dati di addestramento disordinati e i modelli usa-e-getta (one-and-done), e suggerisce una guida all'etichettatura, la rimozione dei duplicati, classi bilanciate, una suddivisione di validazione e una cadenza regolare di riaddestramento.

Glossario

Community wiki

Short info above, community knowledge below: add practical tips, examples or corrections. New contributions are reviewed first; trusted members publish directly.

Esperti e aziende per questo argomento

Nessuno ha ancora indicato questo argomento. Aggiungilo al tuo profilo.

Mantenuto da Mirko Peters (Microsoft MVP) · Ultimo aggiornamento: