需求
自 Covid-19 以来，严格的旅行限制导致漫游收入急剧下降。使得该公司不得不寻找创造性
的方法来增加收入。然而，旧平台无法处理客户流失分析所需的所有数据。提高客户保留
率是产生更多收入的主要策略之一。该公司正在寻找一种能够有效处理大量数据的企业就
绪技术。
商业挑战
获得新客户的成本比留住可能离开的客户的成本高 6倍！
预测客户流失对于电信公司有效留住客户至关重要。电信公司使用 AI/ML 模型来预测客户流失的可能性并采取行动留住客户。电信公司需要数据驱动的分析来识别客户离开的客户生命阶段，让他们了解使用哪些策略来增强他们与品牌的互动并提高他们的忠诚度。
商业冲击
数据挖掘技术应用在当前的数据仓库系统之上，但模型在使用这些数据时表现不佳。由于处理它们的复杂性，大量的数据源被忽略了。数据仓库无法同时获取、存储和处理海量数据。此外，数据源属于不同类型，将它们放在数据仓库中是一个非常困难的过程。这意味着添加数据挖掘算法所需的新功能需要大量的时间投入、高处理能力和更多的存储容量。
为什么选择 SQream？
- 能够快速连接具有大型数据集的许多表。
- 进行更改时识别增量的能力。
- 能够查询 PB 量的大型数据集。
- 能够在 Kafka 中使用 Pub/Sub 并根据业务事件触发转换。
各方面取得的积极成果
- SQream 使用多个连接器实施，收集了包括 CDR 在内的 10 个月的数据
- 知识产权保护
- 网络数据（掉话；数据使用）；社交媒体数据
- 专家们决定在客户实际流失行动前两个月预测客户流失，以审查向这些客户提供的报价，并向他们提供更符合他们需求的报价。
