تريد كل شركة ، بغض النظر عن حجمها ، تقديم أفضل المنتجات والخدمات لعملائها. لتحقيق ذلك ، ترغب الشركات في فهم اتجاهات الصناعة وسلوك العملاء ، وتحسين العمليات الداخلية وتحليل البيانات على أساس روتيني. هذا عنصر حاسم لنجاح الشركة.
يتضمن جزء بارز جدًا من دور المحلل تصور مقاييس الأعمال (مثل إيرادات المبيعات) والتنبؤ بالأحداث المستقبلية (مثل الزيادة في الطلب) لاتخاذ قرارات أعمال تعتمد على البيانات. للتعامل مع هذا التحدي الأول ، يمكنك استخدام أمازون QuickSight، خدمة ذكاء الأعمال على نطاق السحابة (BI) التي توفر رؤى سهلة الفهم وتمنح صانعي القرار الفرصة لاستكشاف المعلومات وتفسيرها في بيئة مرئية تفاعلية. للمهمة الثانية ، يمكنك استخدام قماش أمازون سيج ميكر، خدمة سحابية توسع الوصول إلى التعلم الآلي (ML) من خلال تزويد محللي الأعمال بواجهة مرئية للنقر والنقر تسمح لك بإنشاء تنبؤات دقيقة للتعلم الآلي بنفسك.
عند النظر إلى هذه المقاييس ، غالبًا ما يحدد محللو الأعمال أنماطًا في سلوك العملاء ، من أجل تحديد ما إذا كانت الشركة تخاطر بفقدان العميل. هذه المشكلة تسمى زبد العملاء، ونماذج ML لديها سجل حافل في التنبؤ بهؤلاء العملاء بدقة عالية (على سبيل المثال ، انظر تساعد حلول الذكاء الاصطناعي من Elula البنوك على تحسين الاحتفاظ بالعملاء).
يمكن أن يكون بناء نماذج ML عملية صعبة لأنها تتطلب فريقًا خبيرًا لإدارة إعداد البيانات وتدريب نموذج ML. ومع ذلك ، باستخدام Canvas ، يمكنك القيام بذلك دون أي معرفة خاصة وبدون أسطر من التعليمات البرمجية. لمزيد من المعلومات ، تحقق من توقع تضخيم العميل من خلال التعلم الآلي بدون رمز باستخدام Amazon SageMaker Canvas.
في هذا المنشور ، نوضح لك كيفية تصور التنبؤات التي تم إنشاؤها من Canvas في لوحة معلومات QuickSight ، مما يتيح اتخاذ القرارات الذكية عبر ML.
نظرة عامة على الحل
في هذا المنصب توقع تضخيم العميل من خلال التعلم الآلي بدون رمز باستخدام Amazon SageMaker Canvas، لقد أخذنا دور محلل الأعمال في قسم التسويق لدى مشغل الهاتف المحمول ، وقمنا بنجاح بإنشاء نموذج ML لتحديد العملاء الذين لديهم مخاطر محتملة من الاضطراب. بفضل التوقعات التي تم إنشاؤها بواسطة نموذجنا ، نريد الآن إجراء تحليل للنتيجة المالية المحتملة لاتخاذ قرارات تجارية قائمة على البيانات حول الترقيات المحتملة لهؤلاء العملاء والمناطق.
تظهر البنية التي ستساعدنا في تحقيق ذلك في الرسم البياني التالي.
خطوات سير العمل كالتالي:
- قم بتحميل مجموعة بيانات جديدة مع مجتمع العملاء الحاليين في Canvas.
- قم بتشغيل توقع دفعة وتنزيل النتائج.
- قم بتحميل الملفات في QuickSight لإنشاء أو تحديث المرئيات.
يمكنك تنفيذ هذه الخطوات في Canvas دون كتابة سطر واحد من التعليمات البرمجية. للحصول على القائمة الكاملة لمصادر البيانات المدعومة ، يرجى الرجوع إلى استيراد البيانات في Amazon SageMaker Canvas.
المتطلبات الأساسية المسبقة
لهذه الإرشادات التفصيلية ، تأكد من استيفاء المتطلبات الأساسية التالية:
استخدم نموذج زبد العميل
بعد إكمال المتطلبات الأساسية ، يجب أن يكون لديك نموذج تم تدريبه على البيانات التاريخية في Canvas ، ويكون جاهزًا للاستخدام مع بيانات العملاء الجديدة للتنبؤ بتضخم العميل ، والذي يمكنك استخدامه بعد ذلك في QuickSight.
- قم بإنشاء ملف جديد
churn-no-labels.csv
عن طريق اختيار 1,500 سطر عشوائيًا من مجموعة البيانات الأصلية churn.csv وإزالةChurn?
العمود.
نستخدم مجموعة البيانات الجديدة هذه لإنشاء تنبؤات.
نكمل الخطوات التالية في Canvas. يمكنك فتح Canvas عبر ملف وحدة تحكم إدارة AWS، أو عبر تطبيق SSO الذي يوفره مسؤول السحابة لديك. إذا لم تكن متأكدًا من كيفية الوصول إلى Canvas ، فارجع إلى الشروع في استخدام Amazon SageMaker Canvas.
- في وحدة التحكم Canvas ، اختر قواعد البيانات في جزء التنقل.
- اختار استيراد.
- اختار تحميل واختيار
churn-no-labels.csv
الملف الذي قمت بإنشائه. - اختار تواريخ الاستيراد.
يعتمد وقت عملية استيراد البيانات على حجم الملف. في حالتنا ، يجب أن تكون حوالي 10 ثوانٍ. عندما تكتمل ، يمكننا أن نرى أن مجموعة البيانات موجودة Ready
الحالة.
- لمعاينة أول 100 صف من مجموعة البيانات ، اختر قائمة الخيارات (ثلاث نقاط) واختر أرسال.
- اختار الموديلات في جزء التنقل ، ثم اختر نموذج التغيير الذي قمت بإنشائه كجزء من المتطلبات الأساسية.
- على تنبؤ علامة التبويب، اختر حدد مجموعة البيانات.
- إختار ال
churn-no-labels.csv
مجموعة البيانات ، ثم اختر توليد تنبؤات.
يعتمد وقت الاستدلال على مدى تعقيد النموذج وحجم مجموعة البيانات ؛ في حالتنا ، يستغرق الأمر حوالي 10 ثوانٍ. عندما تنتهي المهمة ، فإنها تغير حالتها إلى جاهزة ويمكننا تنزيل النتائج.
- اختر قائمة الخيارات (ثلاث نقاط) ، تحميلو قم بتنزيل كافة القيم.
اختياريًا ، يمكننا إلقاء نظرة سريعة على اختيار النتائج أرسال. العمودان الأولان عبارة عن تنبؤات من النموذج.
لقد نجحنا في استخدام نموذجنا للتنبؤ بمخاطر الانقطاع عن العملاء الحاليين. نحن الآن جاهزون لتصور مقاييس الأعمال بناءً على توقعاتنا.
استيراد البيانات إلى QuickSight
كما ناقشنا سابقًا ، يحتاج محللو الأعمال إلى تصور للتنبؤات جنبًا إلى جنب مع مقاييس الأعمال من أجل اتخاذ قرارات أعمال تعتمد على البيانات. للقيام بذلك ، نستخدم QuickSight ، الذي يوفر رؤى سهلة الفهم ويمنح صانعي القرار الفرصة لاستكشاف وتفسير المعلومات في بيئة مرئية تفاعلية. باستخدام QuickSight ، يمكننا إنشاء تصورات مثل الرسوم البيانية والمخططات في ثوانٍ باستخدام واجهة سحب وإفلات بسيطة. في هذا المنشور ، نبني العديد من التصورات لفهم مخاطر العمل بشكل أفضل وكيف يمكننا إدارتها ، مثل المكان الذي يجب أن نطلق فيه حملات تسويقية جديدة.
للبدء ، أكمل الخطوات التالية:
- في وحدة تحكم QuickSight ، اختر قواعد البيانات في جزء التنقل.
- اختار مجموعة بيانات جديدة.
يدعم QuickSight العديد من مصادر البيانات. في هذا المنشور ، نستخدم ملفًا محليًا ، وهو الملف الذي أنشأناه سابقًا في Canvas ، كبيانات المصدر الخاصة بنا.
- اختار تحميل ملف.
- اختر الملف الذي تم تنزيله مؤخرًا مع التوقعات.
يقوم QuickSight بتحميل الملف وتحليله.
- تحقق من أن كل شيء كما هو متوقع في المعاينة ، ثم اختر التالى.
- اختار تصور.
تم الآن استيراد البيانات بنجاح ونحن جاهزون لتحليلها.
قم بإنشاء لوحة معلومات بمقاييس الأعمال للتنبؤات المتضاربة
حان الوقت لتحليل بياناتنا وإنشاء لوحة معلومات واضحة وسهلة الاستخدام تلخص جميع المعلومات اللازمة لقرارات العمل القائمة على البيانات. يعد هذا النوع من لوحات المعلومات أداة مهمة في ترسانة محللي الأعمال.
ما يلي هو مثال على لوحة المعلومات التي يمكن أن تساعد في تحديد والعمل على مخاطر زخم العميل.
في لوحة المعلومات هذه ، نتخيل العديد من مقاييس العمل المهمة:
- من المحتمل أن يتخبط العملاء - يمثل المخطط الدائري المجوف الأيسر عدد ونسبة المستخدمين الذين تزيد احتمالية تعرضهم لخطر التموج بنسبة 50٪. يساعدنا هذا المخطط على فهم حجم المشكلة المحتملة بسرعة.
- خسارة الإيرادات المحتملة - يمثل الرسم البياني الدائري الأوسط العلوي مقدار خسارة الإيرادات من المستخدمين بنسبة تزيد عن 50٪ من مخاطر الاضطراب. يساعدنا هذا الرسم البياني في فهم حجم خسارة الإيرادات المحتملة من الاضطراب بسرعة. يوضح الرسم البياني أيضًا أننا قد نخسر العديد من العملاء ذوي المستوى الأعلى من المتوسط نظرًا لأن نسبة مئوية من الإيرادات المحتملة تُفقد أكبر من نسبة المستخدمين المعرضين لخطر الاضطراب.
- خسارة الإيرادات المحتملة حسب الولاية - يمثل الرسم البياني الشريطي الأفقي العلوي الأيمن حجم الإيرادات المفقودة مقابل الإيرادات من العملاء غير المعرضين لخطر الاضطراب. يمكن أن تساعدنا هذه الصورة المرئية في فهم الحالة الأكثر أهمية بالنسبة لنا من منظور حملة التسويق.
- تفاصيل حول العملاء المعرضين لخطر الاضطراب - يحتوي الجدول السفلي الأيسر على تفاصيل حول جميع عملائنا. قد يكون هذا الجدول مفيدًا إذا أردنا إلقاء نظرة سريعة على تفاصيل العديد من العملاء الذين يعانون من مخاطر الانقطاع أو بدونه.
من المحتمل أن يتخبط العملاء
نبدأ ببناء مخطط مع العملاء المعرضين لخطر الاضطراب.
- تحت قائمة الحقول، اختر ال يخض، يحرك بعنف؟ السمة.
يقوم QuickSight تلقائيًا ببناء تصور.
على الرغم من أن مخطط الشريط هو تصور شائع لفهم توزيع البيانات ، فإننا نفضل استخدام مخطط دائري مجوف. يمكننا تغيير هذا الشكل المرئي بتغيير خصائصه.
- اختر أيقونة المخطط الدائري المجوف أسفل أنواع بصرية.
- اختر الاسم الحالي (انقر نقرًا مزدوجًا) وقم بتغييره إلى من المحتمل أن يتخبط العملاء.
- لتخصيص التأثيرات المرئية الأخرى (إزالة وسيلة الإيضاح وإضافة القيم وتغيير حجم الخط) ، اختر رمز القلم الرصاص وقم بإجراء تغييراتك.
كما هو موضح في لقطة الشاشة التالية ، قمنا بزيادة مساحة الدونات ، بالإضافة إلى إضافة بعض المعلومات الإضافية في الملصقات.
خسارة الإيرادات المحتملة
من المقاييس المهمة الأخرى التي يجب مراعاتها عند حساب تأثير الأعمال على زخم العملاء هو خسارة الإيرادات المحتملة. هذا مقياس مهم لأنه يساعدنا على فهم تأثير الأعمال من العملاء غير المعرضين لخطر الاضطراب. في صناعة الاتصالات ، على سبيل المثال ، يمكن أن يكون لدينا العديد من العملاء غير النشطين الذين لديهم مخاطر عالية للتضخم ولكن بدون عائد. يمكن أن يساعدنا هذا المخطط في فهم ما إذا كنا في مثل هذا الموقف أم لا. لإضافة هذا المقياس إلى لوحة المعلومات الخاصة بنا ، نقوم بإنشاء حقل محسوب مخصص من خلال توفير الصيغة الرياضية لحساب خسارة الإيرادات المحتملة ، ثم تصورها على أنها مخطط دائري دائري آخر.
- على أضف القائمة، اختر إضافة حقل محسوب.
- اسم الحقل إجمالي الرسوم.
- أدخل الصيغة {Day Charge} + {Eve Charge} + {Intl Charge} + {Night Charge}.
- اختار حفظ.
- على أضف القائمة، اختر أضف مرئي.
- تحت أنواع بصرية، اختر رمز المخطط الدائري المجوف.
- تحت قائمة الحقولاسحب يخض، يحرك بعنف؟ إلى المجموعة / اللون.
- سحب الكلفة الاجماليه إلى القيم.
- على القيم القائمة، اختر كما تظهر واختر العملة.
- اختر رمز القلم الرصاص لتخصيص التأثيرات المرئية الأخرى (إزالة وسيلة الإيضاح وإضافة القيم وتغيير حجم الخط).
في هذه اللحظة ، تحتوي لوحة القيادة الخاصة بنا على تصورين.
يمكننا بالفعل أن نلاحظ أنه إجمالاً قد نخسر 18٪ (270) من العملاء ، وهو ما يعادل 24٪ (6,280،XNUMX دولارًا أمريكيًا) في الإيرادات. دعنا نستكشف المزيد من خلال تحليل خسارة الإيرادات المحتملة على مستوى الولاية.
خسارة الإيرادات المحتملة حسب الولاية
لتصور خسارة الإيرادات المحتملة حسب الولاية ، دعنا نضيف رسمًا بيانيًا شريطيًا أفقيًا.
- على أضف القائمة، اختر أضف مرئي.
- تحت أنواع بصرية¸ اختر رمز المخطط الشريطي الأفقي.
- تحت قائمة الحقوليجر يخض، يحرك بعنف؟ إلى المجموعة / اللون.
- سحب الكلفة الاجماليه إلى القيم.
- على القيم القائمة، اختر كما تظهر و العملة.
- سحب المسرح إلى المحور ص.
- اختر رمز القلم الرصاص لتخصيص التأثيرات المرئية الأخرى (إزالة وسيلة الإيضاح وإضافة القيم وتغيير حجم الخط).
- يمكننا أيضًا فرز صورنا المرئية الجديدة عن طريق الاختيار الكلفة الاجماليه في الأسفل واختيار تنازلي.
يمكن أن تساعدنا هذه الصورة المرئية في فهم الحالة الأكثر أهمية من منظور حملة التسويق. على سبيل المثال ، في هاواي ، من المحتمل أن نخسر نصف عائداتنا (253,000 دولار) بينما في واشنطن ، هذه القيمة أقل من 10٪ (52,000 دولار). يمكننا أيضًا أن نرى أنه في ولاية أريزونا ، فإننا نجازف بفقدان كل عميل تقريبًا.
تفاصيل حول العملاء المعرضين لخطر الاضطراب
لنقم ببناء جدول يحتوي على تفاصيل حول العملاء المعرضين لخطر الاضطراب.
- على أضف القائمة، اختر أضف مرئي.
- تحت أنواع بصرية، اختر رمز الجدول.
- تحت قوائم الحقولاسحب الهاتف:, الولايه او المحافظه, الخطة الدولية, خطة Vmail, يخض، يحرك بعنف؟و طول الحساب إلى مجموعة من.
- سحب الاحتمالات إلى القيم.
- على القيم القائمة، اختر كما تظهر و في المئة.
تخصيص لوحة القيادة الخاصة بك
يوفر QuickSight العديد من الخيارات لتخصيص لوحة المعلومات الخاصة بك ، مثل ما يلي.
- لإضافة اسم على أضف القائمة، اختر أضف العنوان.
- أدخل عنوانًا (لهذا المنشور ، نعيد تسمية لوحة التحكم الخاصة بنا تحليل تورن).
- لتغيير حجم المرئيات الخاصة بك ، اختر الزاوية اليمنى السفلية من الرسم البياني واسحب إلى الحجم المطلوب.
- لنقل مرئي ، اختر المركز العلوي للمخطط واسحبه إلى موقع جديد.
- لتغيير السمة ، اختر الثيمات في جزء التنقل.
- اختر موضوعك الجديد (على سبيل المثال ، أزرق ليلي )، و اختار التقديم.
انشر لوحة القيادة الخاصة بك
لوحة المعلومات هي لقطة للقراءة فقط لتحليل يمكنك مشاركتها مع مستخدمي QuickSight الآخرين لأغراض إعداد التقارير. تحتفظ لوحة المعلومات بتكوين التحليل في وقت نشره ، بما في ذلك أشياء مثل التصفية والمعلمات وعناصر التحكم وترتيب الفرز. لا يتم التقاط البيانات المستخدمة في التحليل كجزء من لوحة المعلومات. عند عرض لوحة المعلومات ، فإنها تعكس البيانات الحالية في مجموعات البيانات التي يستخدمها التحليل.
لنشر لوحة التحكم ، أكمل الخطوات التالية:
- على مشاركة القائمة، اختر نشر لوحة القيادة.
- أدخل اسمًا للوحة القيادة الخاصة بك.
- اختار نشر لوحة القيادة.
تهانينا ، لقد نجحت في إنشاء لوحة معلومات لتحليل الزخم.
تحديث لوحة القيادة الخاصة بك مع توقع جديد
مع تطور النموذج وقيامنا بإنشاء بيانات جديدة من الشركة ، قد نحتاج إلى تحديث لوحة المعلومات هذه بمعلومات جديدة. أكمل الخطوات التالية:
- قم بإنشاء ملف جديد
churn-no-labels-updated.csv
عن طريق اختيار 1,500 سطر آخر عشوائيًا من مجموعة البيانات الأصلية churn.csv وإزالةChurn?
العمود.
نستخدم مجموعة البيانات الجديدة هذه لإنشاء تنبؤات جديدة.
- كرر الخطوات من ملف استخدم نموذج زبد العميل قسم من هذا المنشور للحصول على تنبؤات لمجموعة البيانات الجديدة وتنزيل الملف الجديد.
- في وحدة تحكم QuickSight ، اختر قواعد البيانات في جزء التنقل.
- اختر مجموعة البيانات التي أنشأناها.
- اختار تحرير مجموعة البيانات.
- في القائمة المنسدلة ، اختر ملف التحديث.
- اختار تحميل الملف.
- اختر الملف الذي تم تنزيله مؤخرًا مع التوقعات.
- راجع المعاينة ، ثم اختر قم بتأكيد تحديث الملف.
بعد ظهور الرسالة "تم تحديث الملف بنجاح" ، يمكننا أن نرى أن اسم الملف قد تغير أيضًا.
- اختار احفظ وانشر.
- عندما تظهر رسالة "تم الحفظ والنشر بنجاح" ، يمكنك العودة إلى القائمة الرئيسية عن طريق اختيار شعار QuickSight في الزاوية العلوية اليسرى.
- اختار لوحات القيادة في جزء التنقل واختر لوحة المعلومات التي أنشأناها من قبل.
يجب أن تشاهد لوحة القيادة الخاصة بك مع القيم المحدثة.
لقد قمنا للتو بتحديث لوحة معلومات QuickSight الخاصة بنا بأحدث التوقعات من Canvas.
تنظيف
لتجنب الرسوم المستقبلية ، تسجيل الخروج من Canvas.
وفي الختام
في هذا المنشور ، استخدمنا نموذج ML من Canvas للتنبؤ بالعملاء المعرضين لخطر الاضطراب وقمنا ببناء لوحة معلومات ذات تصورات ثاقبة لمساعدتنا في اتخاذ قرارات أعمال تعتمد على البيانات. لقد فعلنا ذلك دون كتابة سطر واحد من التعليمات البرمجية بفضل واجهات سهلة الاستخدام وتصورات واضحة. يتيح ذلك لمحللي الأعمال أن يكونوا رشيقين في بناء نماذج تعلم الآلة ، وإجراء التحليلات واستخراج الرؤى باستقلالية كاملة من فرق علوم البيانات.
لمعرفة المزيد حول استخدام Canvas ، راجع الإنشاء والمشاركة والنشر: كيف يحقق محللو الأعمال وعلماء البيانات وقتًا أسرع للتسويق باستخدام ML بدون كود و Amazon SageMaker Canvas. لمزيد من المعلومات حول إنشاء نماذج ML باستخدام حل بدون رمز ، راجع الإعلان عن Amazon SageMaker Canvas - قدرة التعلم الآلي المرئية بدون تعليمات برمجية لمحللي الأعمال. لمعرفة المزيد حول أحدث ميزات QuickSight وأفضل الممارسات ، راجع مدونة البيانات الضخمة في AWS.
عن المؤلف
ألكسندر باتروشيف هو AI / ML Specialist Solutions Architect في AWS ، ومقرها في لوكسمبورغ. إنه شغوف بالسحابة والتعلم الآلي والطريقة التي يمكن أن يغيروا بها العالم. خارج العمل ، يستمتع بالتنزه والرياضة وقضاء الوقت مع أسرته.
دافيد جاليتيلي مهندس حلول متخصص للذكاء الاصطناعي / تعلم الآلة في منطقة أوروبا والشرق الأوسط وإفريقيا. يقيم في بروكسل ويعمل بشكل وثيق مع العملاء في جميع أنحاء البنلوكس. لقد كان مطورًا منذ أن كان صغيرًا جدًا ، حيث بدأ البرمجة في سن السابعة. بدأ تعلم الذكاء الاصطناعي / تعلم الآلة في الجامعة ، ووقع في حبها منذ ذلك الحين.
- AI
- ai الفن
- مولد الفن ai
- الروبوت ai
- أمازون QuickSight
- الأمازون SageMaker
- قماش أمازون سيج ميكر
- تحليلات
- الذكاء الاصطناعي
- شهادة الذكاء الاصطناعي
- الذكاء الاصطناعي في البنوك
- روبوت ذكاء اصطناعي
- روبوتات الذكاء الاصطناعي
- برنامج ذكاء اصطناعي
- التعلم الآلي من AWS
- سلسلة كتلة
- مؤتمر blockchain ai
- عملة عبقرية
- الذكاء الاصطناعي للمحادثة
- مؤتمر التشفير ai
- دال
- التعلم العميق
- google ai
- آلة التعلم
- أفلاطون
- أفلاطون ع
- الذكاء افلاطون البيانات
- لعبة أفلاطون
- أفلاطون داتا
- بلاتوغمينغ
- مقياس ai
- بناء الجملة
- الكيفية الفنية
- زفيرنت