يعتبر فهم سلوك العملاء من أهم أولويات كل عمل تجاري اليوم. يمكن أن يساعد اكتساب نظرة ثاقبة حول سبب وكيفية شراء العملاء على زيادة الأرباح. لكن خسارة العملاء (وتسمى أيضًا بضخ العميل) يمثل دائمًا مخاطرة ، ويمكن أن تكون الرؤى حول سبب مغادرة العملاء مهمة بنفس القدر للحفاظ على الإيرادات والأرباح. يمكن أن يساعدك التعلم الآلي (ML) في الحصول على الرؤى ، ولكن حتى الآن كنت بحاجة إلى خبراء تعلم الآلة لبناء نماذج للتنبؤ بالتباطؤ ، والذي قد يؤدي عدم وجوده إلى تأخير الإجراءات التي تعتمد على البصيرة من قبل الشركات للاحتفاظ بالعملاء.
في هذا المنشور ، نوضح لك كيف يمكن لمحللي الأعمال بناء نموذج ML مع العميل قماش أمازون سيج ميكر، لا يوجد كود مطلوب. يوفر Canvas لمحللي الأعمال واجهة مرئية للنقر والنقر تتيح لك إنشاء نماذج وإنشاء تنبؤات تعلم دقيقة بنفسك - دون الحاجة إلى أي خبرة في تعلم الآلة أو الحاجة إلى كتابة سطر واحد من التعليمات البرمجية.
نظرة عامة على الحل
في هذا المنشور ، نفترض دور محلل التسويق في قسم التسويق بمشغل الهاتف المحمول. لقد تم تكليفنا بتحديد العملاء الذين يحتمل أن يكونوا معرضين لخطر الاضطراب. لدينا إمكانية الوصول إلى استخدام الخدمة وبيانات سلوك العملاء الأخرى ، ونريد معرفة ما إذا كانت هذه البيانات يمكن أن تساعد في توضيح سبب مغادرة العميل. إذا تمكنا من تحديد العوامل التي تفسر الاضطراب ، فيمكننا اتخاذ إجراءات تصحيحية لتغيير السلوك المتوقع ، مثل تشغيل حملات الاحتفاظ المستهدفة.
للقيام بذلك ، نستخدم البيانات الموجودة لدينا في ملف CSV ، والذي يحتوي على معلومات حول استخدام العميل والارتباك. نستخدم Canvas لأداء الخطوات التالية:
- قم باستيراد مجموعة بيانات الزبد من خدمة تخزين أمازون البسيطة (أمازون S3).
- تدريب وبناء النموذج.
- تحليل نتائج النموذج.
- تنبؤات الاختبار مقابل النموذج.
بالنسبة لمجموعة البيانات الخاصة بنا ، نستخدم ملف مجموعة البيانات الاصطناعية من شركة اتصالات الهاتف المحمول. تحتوي مجموعة البيانات النموذجية هذه على 5,000 سجل ، حيث يستخدم كل سجل 21 سمة لوصف ملف تعريف العميل. السمات هي كما يلي:
- الولايه او المحافظه - الولاية الأمريكية التي يقيم فيها العميل ، ويشار إليها باختصار مكون من حرفين ؛ على سبيل المثال ، OH أو NJ
- طول الحساب - عدد الأيام التي تم فيها تنشيط هذا الحساب
- رمز المنطقة - رمز المنطقة المكون من ثلاثة أرقام لرقم هاتف العميل
- الهاتف: - رقم الهاتف المكون من سبعة أرقام المتبقي
- الخطة الدولية - ما إذا كان العميل لديه خطة مكالمات دولية (نعم / لا)
- خطة VMail - ما إذا كان لدى العميل ميزة البريد الصوتي (نعم / لا)
- رسالة VMail - متوسط عدد رسائل البريد الصوتي شهريًا
- يوم دقيقة - إجمالي عدد دقائق الاتصال المستخدمة خلال اليوم
- مكالمات يومية - إجمالي عدد المكالمات التي تم إجراؤها خلال اليوم
- تهمة اليوم - تكلفة مكالمات النهار
- عشية دقيقة, مكالمات حواء, تهمة حواء - تكلفة المكالمات المسائية
- دقائق الليل, مكالمات ليلية, الشحن الليلي - تكلفة المكالمات الليلية
- دقائق دولية, المكالمات الدولية, المسؤول الدولي - التكلفة فاتورة للمكالمات الدولية
- مكالمات CustServ - عدد المكالمات التي تم إجراؤها لخدمة العملاء
- يخض، يحرك بعنف؟ - ما إذا كان العميل قد ترك الخدمة (صح / خطأ)
السمة الأخيرة ، Churn?
، هي السمة التي نريد أن يتنبأ بها نموذج ML. السمة الهدف ثنائية ، مما يعني أن نموذجنا يتنبأ بالإخراج كواحد من فئتين (True
or False
).
المتطلبات الأساسية المسبقة
مسؤول السحابة بامتداد حساب AWS مع الأذونات المناسبة المطلوبة لإكمال المتطلبات الأساسية التالية:
- انشر ملف الأمازون SageMaker للحصول على التعليمات ، انظر على متن الطائرة إلى Amazon SageMaker Domain.
- نشر Canvas. للحصول على التعليمات ، انظر إعداد Amazon SageMaker Canvas وإدارته (لمسؤولي تكنولوجيا المعلومات).
- تكوين سياسات مشاركة الموارد عبر الأصل (CORS) لـ Canvas. للحصول على التعليمات ، انظر امنح المستخدمين القدرة على تحميل الملفات المحلية.
إنشاء نموذج زبد العميل
أولاً ، لنقم بتنزيل ملف مجموعة بيانات churn ومراجعة الملف للتأكد من وجود جميع البيانات. ثم أكمل الخطوات التالية:
- تسجيل الدخول إلى وحدة تحكم إدارة AWS، باستخدام حساب لديه الأذونات المناسبة للوصول إلى Canvas.
- قم بتسجيل الدخول إلى وحدة التحكم Canvas.
هذا هو المكان الذي يمكننا فيه إدارة مجموعات البيانات الخاصة بنا وإنشاء النماذج.
- اختار استيراد.
- اختار تحميل وحدد
churn.csv
ملف. - اختار تواريخ الاستيراد لتحميله على Canvas.
تستغرق عملية الاستيراد حوالي 10 ثوانٍ (يمكن أن يختلف ذلك اعتمادًا على حجم مجموعة البيانات). عندما تكتمل ، يمكننا أن نرى أن مجموعة البيانات موجودة Ready
الحالة.
- لمعاينة أول 100 صف من مجموعة البيانات ، مرر مؤشر الماوس فوق رمز العين.
تظهر معاينة لمجموعة البيانات. هنا يمكننا التحقق من صحة بياناتنا.
بعد أن نؤكد أن مجموعة البيانات المستوردة جاهزة ، نقوم بإنشاء نموذجنا.
- اختار النموذج الجديد.
- حدد مجموعة بيانات churn.csv واختر حدد مجموعة البيانات.
الآن نقوم بتكوين عملية نموذج البناء.
- في حالة الأعمدة المستهدفة، اختر ال
Churn?
العمود.
في حالة نوع النموذج، توصي Canvas تلقائيًا بنوع النموذج ، في هذه الحالة 2 فئة التنبؤ (ما يسميه عالم البيانات التصنيف الثنائي). هذا مناسب لحالة الاستخدام الخاصة بنا لأن لدينا فقط قيمتان محتملتان للتنبؤ: True
or False
، لذلك نتبع التوصية المقدمة من Canvas.
نحن الآن نتحقق من صحة بعض الافتراضات. نريد الحصول على نظرة سريعة حول ما إذا كان عمود الهدف يمكن توقعه بواسطة الأعمدة الأخرى. يمكننا الحصول على عرض سريع للدقة المقدرة للنموذج وتأثير العمود (الأهمية المقدرة لكل عمود في التنبؤ بعمود الهدف).
- حدد جميع الأعمدة الـ 21 واختر معاينة النموذج.
تستخدم هذه الميزة مجموعة فرعية من مجموعة البيانات الخاصة بنا وممر واحد فقط في النمذجة. بالنسبة لحالة الاستخدام الخاصة بنا ، يستغرق إنشاء نموذج المعاينة حوالي دقيقتين.
كما هو موضح في الصورة التالية ، فإن ملف Phone
و State
الأعمدة لها تأثير أقل بكثير على توقعاتنا. نريد توخي الحذر عند إزالة إدخال النص لأنه يمكن أن يحتوي على ميزات منفصلة وقطعية مهمة تساهم في توقعنا. هنا ، رقم الهاتف هو فقط ما يعادل رقم حساب - ليس ذا قيمة في التنبؤ باحتمالية حدوث اضطراب في الحسابات الأخرى ، ولا تؤثر حالة العميل على نموذجنا كثيرًا.
- نقوم بإزالة هذه الأعمدة لأنها لا تحتوي على أهمية رئيسية للميزة.
- بعد أن نزيل ملف
Phone
وState
أعمدة ، فلنقم بتشغيل المعاينة مرة أخرى.
كما هو موضح في الصورة التالية ، زادت دقة النموذج بنسبة 0.1٪. نموذج المعاينة الخاص بنا لديه دقة تقديرية 95.9٪ ، والأعمدة ذات التأثير الأكبر هي Night Calls
, Eve Mins
و Night Charge
. يمنحنا هذا نظرة ثاقبة حول الأعمدة التي تؤثر على أداء نموذجنا أكثر من غيرها. نحتاج هنا إلى توخي الحذر عند اختيار الميزة لأنه إذا كانت ميزة واحدة مؤثرة للغاية على نتيجة النموذج ، فهي مؤشر أساسي على الهدف التسرب، والميزة لن تكون متاحة في وقت التوقع. في هذه الحالة ، أظهر عدد قليل من الأعمدة تأثيرًا مشابهًا جدًا ، لذلك نواصل بناء نموذجنا.
يقدم Canvas خيارين للبناء:
- بناء قياسي - يبني أفضل نموذج من عملية محسّنة مدعومة من AutoML؛ يتم تبادل السرعة للحصول على أقصى قدر من الدقة
- بناء سريع - يبني نموذجًا في جزء صغير من الوقت مقارنة بالبنية القياسية ؛ يتم تبادل الدقة المحتملة للسرعة.
- لهذا المنشور ، نختار بناء قياسي الخيار لأننا نريد الحصول على أفضل نموذج ونحن على استعداد لقضاء وقت إضافي في انتظار النتيجة.
يمكن أن تستغرق عملية الإنشاء من 2 إلى 4 ساعات. خلال هذا الوقت ، تختبر Canvas المئات من خطوط الأنابيب المرشحة ، وتختار أفضل نموذج لتقديمه إلينا. في لقطة الشاشة التالية ، يمكننا أن نرى الوقت المتوقع للبناء والتقدم.
تقييم أداء النموذج
عند اكتمال عملية بناء النموذج ، توقع النموذج حدوث خلل بنسبة 97.9٪ من الوقت. يبدو هذا جيدًا ، لكن كمحللين نريد التعمق أكثر ومعرفة ما إذا كان بإمكاننا الوثوق بالنموذج لاتخاذ قرارات بناءً عليه. على ال سجل علامة التبويب ، يمكننا مراجعة المخطط المرئي لتوقعاتنا المعينة لنتائجها. هذا يتيح لنا نظرة أعمق في نموذجنا.
يفصل Canvas مجموعة البيانات إلى مجموعات تدريب واختبار. مجموعة بيانات التدريب هي البيانات التي يستخدمها Canvas لبناء النموذج. تُستخدم مجموعة الاختبار لمعرفة ما إذا كان النموذج يعمل جيدًا مع البيانات الجديدة. يوضح مخطط Sankey في لقطة الشاشة التالية كيفية أداء النموذج في مجموعة الاختبار. لمعرفة المزيد ، يرجى الرجوع إلى تقييم أداء النموذج الخاص بك في Amazon SageMaker Canvas.
للحصول على رؤى أكثر تفصيلاً تتجاوز ما هو معروض في مخطط Sankey ، يمكن لمحللي الأعمال استخدام ملف الارتباك مصفوفة تحليل حلول أعمالهم. على سبيل المثال ، نريد أن نفهم بشكل أفضل احتمالية قيام النموذج بتنبؤات خاطئة. يمكننا رؤية هذا في مخطط سانكي ، لكننا نريد المزيد من الأفكار ، لذلك نختار المقاييس المتقدمة. لقد تم تقديم مصفوفة الارتباك ، والتي تعرض أداء نموذج بتنسيق مرئي مع القيم التالية ، الخاصة بالفئة الإيجابية - نحن نقيس بناءً على ما إذا كانت ستتحول في الواقع أم لا ، لذا فإن صنفنا الإيجابي هو True
في هذا المثال:
- إيجابي حقيقي (TP) - عدد ال
True
النتائج التي تم توقعها بشكل صحيح كـTrue
- سلبي حقيقي (TN) - عدد ال
False
النتائج التي تم توقعها بشكل صحيح كـFalse
- إيجابية كاذبة (FP) - عدد ال
False
النتائج التي تم توقعها بشكل خاطئ كـTrue
- سلبي كاذب (FN) - عدد ال
True
النتائج التي تم توقعها بشكل خاطئ كـFalse
يمكننا استخدام مخطط المصفوفة هذا لتحديد ليس فقط مدى دقة نموذجنا ، ولكن عندما يكون خاطئًا ، وكم مرة قد يكون ذلك وكيف يكون خاطئًا.
المقاييس المتقدمة تبدو جيدة. يمكننا الوثوق بنتيجة النموذج. نرى ايجابيات كاذبة منخفضة وسلبيات كاذبة. هذا إذا كان النموذج يعتقد أن العميل في مجموعة البيانات سوف يتخبط وهم في الواقع لا (إيجابية كاذبة) ، أو إذا كان النموذج يعتقد أن العميل سوف يتخبط وهو في الواقع (سلبي كاذب). قد تجعلنا الأرقام الكبيرة لأي منهما نفكر أكثر فيما إذا كان بإمكاننا استخدام النموذج لاتخاذ القرارات.
دعنا نعود إلى نبذة علامة التبويب ، لمراجعة تأثير كل عمود. يمكن أن تساعد هذه المعلومات فريق التسويق في اكتساب رؤى تؤدي إلى اتخاذ إجراءات لتقليل زخم العميل. على سبيل المثال ، يمكننا أن نرى أن كلاهما منخفض وعالي CustServ Calls
تزيد من احتمالية حدوث اضطراب. يمكن لفريق التسويق اتخاذ إجراءات لمنع تضاؤل العملاء بناءً على هذه الدروس. تتضمن الأمثلة إنشاء أسئلة شائعة مفصلة على مواقع الويب لتقليل مكالمات خدمة العملاء ، وتشغيل حملات تعليمية مع العملاء في الأسئلة الشائعة التي يمكن أن تحافظ على المشاركة.
نموذجنا يبدو دقيقًا جدًا. يمكننا إجراء تنبؤ تفاعلي مباشر على تنبؤ علامة التبويب ، إما على شكل دفعة أو توقع فردي (في الوقت الفعلي). في هذا المثال ، أجرينا بعض التغييرات على قيم أعمدة معينة وقمنا بتنفيذ تنبؤ في الوقت الفعلي. يظهر لنا قماش نتيجة التوقع جنبًا إلى جنب مع مستوى الثقة.
لنفترض أن لدينا عميلاً حاليًا لديه الاستخدام التالي: Night Mins
غير 40 و Eve Mins
هي 40. يمكننا إجراء توقع ، ويعيد نموذجنا درجة ثقة تبلغ 93.2٪ أن هذا العميل سوف يتخبط (True
). قد نختار الآن تقديم خصومات ترويجية للاحتفاظ بهذا العميل.
لنفترض أن لدينا عميلاً حاليًا لديه الاستخدامات التالية: Night Mins
غير 40 و Eve Mins
هي 40. يمكننا إجراء توقع ، ويعيد نموذجنا درجة ثقة تبلغ 93.2٪ أن هذا العميل سوف يتخبط (True
). قد نختار الآن تقديم خصومات ترويجية للاحتفاظ بهذا العميل.
يعد إجراء تنبؤ واحد أمرًا رائعًا لتحليل ماذا لو الفردي ، لكننا نحتاج أيضًا إلى إجراء تنبؤات على العديد من السجلات في وقت واحد. قماش قادر على تشغيل التنبؤات دفعة، والذي يسمح لك بتنفيذ التنبؤات على نطاق واسع.
وفي الختام
في هذا المنشور ، أوضحنا كيف يمكن لمحلل الأعمال إنشاء نموذج خداع العميل باستخدام SageMaker Canvas باستخدام بيانات نموذجية. يسمح Canvas لمحللي الأعمال لديك بإنشاء نماذج ML دقيقة وإنشاء تنبؤات باستخدام واجهة no-code ، ومرئية ، والتأشير والنقر. يمكن لمحلل التسويق الآن استخدام هذه المعلومات لتشغيل حملات الاحتفاظ المستهدفة واختبار إستراتيجيات الحملة الجديدة بشكل أسرع ، مما يؤدي إلى تقليل استغراب العملاء.
يمكن للمحللين نقل هذا إلى المستوى التالي من خلال مشاركة نماذجهم مع الزملاء في عالم البيانات. يمكن لعلماء البيانات عرض نموذج Canvas بتنسيق أمازون ساجميكر ستوديو، حيث يمكنهم استكشاف الخيارات التي قدمتها Canvas AutoML ، والتحقق من صحة نتائج النموذج ، وحتى تحويل النموذج إلى منتج ببضع نقرات. يمكن أن يؤدي ذلك إلى تسريع إنشاء القيمة المستندة إلى ML والمساعدة في توسيع نطاق النتائج المحسّنة بشكل أسرع.
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.
عن المؤلف
هنري روبالينو هو مهندس حلول في AWS ، ومقره نيوجيرسي. إنه متحمس للتعلم السحابي والآلي ، والدور الذي يمكن أن يلعبوه في المجتمع. لقد حقق ذلك من خلال العمل مع العملاء لمساعدتهم على تحقيق أهداف أعمالهم باستخدام سحابة AWS. خارج العمل ، يمكنك أن تجد هنري يسافر أو يستكشف الهواء الطلق مع ابنته المصنوعة من الفراء أرلي.
تشاوران وانغ هو مهندس حلول في AWS ، ومقره في دالاس ، تكساس. يعمل في AWS منذ تخرجه من جامعة تكساس في دالاس في 2016 بدرجة الماجستير في علوم الكمبيوتر. يساعد Chaoran العملاء على إنشاء تطبيقات قابلة للتطوير وآمنة وفعالة من حيث التكلفة وإيجاد حلول لحل تحديات أعمالهم على سحابة AWS. خارج العمل ، يحب Chaoran قضاء الوقت مع عائلته وكلبين ، Biubiu و Coco.
- كوينسمارت. أفضل بورصة للبيتكوين والعملات المشفرة في أوروبا.
- بلاتوبلوكشين. Web3 Metaverse Intelligence. تضخيم المعرفة. دخول مجاني.
- كريبتوهوك. الرادار. تجربة مجانية.
- المصدر: https://aws.amazon.com/blogs/machine-learning/predicting-customer-churn-with-no-code-machine-learning-using-amazon-sagemaker-canvas/
- "
- 000
- 10
- 100
- 11
- 2016
- 7
- 9
- من نحن
- تسريع
- الوصول
- حسابي
- دقيق
- الإجراءات
- إضافي
- مشرف
- الإداريين
- متقدم
- الكل
- أمازون
- تحليل
- المحلل
- التطبيقات
- مناسب
- ما يقرب من
- المنطقة
- سمات
- متاح
- المتوسط
- AWS
- أفضل
- Beyond
- أكبر
- الحدود
- نساعدك في بناء
- ابني
- يبني
- الأعمال
- الأعمال
- يشترى
- دعوة
- الحملات
- الحملات
- يستطيع الحصول على
- مرشح
- قماش
- الفئة
- معين
- التحديات
- تغيير
- تهمة
- الخيارات
- اختار
- فئة
- تصنيف
- سحابة
- الكود
- الزملاء
- عمود
- مقارنة
- الكمبيوتر
- علوم الكمبيوتر
- الثقة
- ارتباك
- كنسولات
- يحتوي
- استمر
- فعاله من حيث التكلفه
- استطاع
- خلق
- خلق
- خلق
- زبون
- خدمة العملاء
- العملاء
- دالاس
- البيانات
- عالم البيانات
- أعمق
- تأخير
- اعتمادا
- نشر
- مفصلة
- حدد
- مباشرة
- يعرض
- لا
- التعليم
- اشتباك
- الهندسة
- مقدر
- مثال
- القائمة
- متوقع
- الخبره في مجال الغطس
- خبرائنا
- اكتشف
- عين
- العوامل
- للعائلات
- الأسئلة الشائعة
- FAST
- أسرع
- الميزات
- المميزات
- نهاية
- الاسم الأول
- متابعيك
- شكل
- توليد
- الأهداف
- خير
- عظيم
- أعظم
- النمو
- وجود
- مساعدة
- يساعد
- هنا
- مرتفع
- كيفية
- HTTPS
- مئات
- اي كون
- تحديد
- تحديد
- التأثير
- تأثيرا
- أهمية
- أهمية
- تحسن
- تتضمن
- القيمة الاسمية
- زيادة
- فرد
- معلومات
- إدخال
- رؤى
- التفاعلية
- السطح البيني
- عالميا
- IT
- قيادة
- قيادة
- تعلم
- تعلم
- يترك
- مستوى
- خط
- محلي
- آلة
- آلة التعلم
- صنع
- رائد
- القيام ب
- إدارة
- إدارة
- إدارة
- التسويق
- سادة
- مصفوفة
- معنى
- المقاييس
- مانع
- ML
- الجوال
- الهاتف المحمول
- نموذج
- عارضات ازياء
- الأكثر من ذلك
- أكثر
- سلبي
- عدد
- أرقام
- عروض
- الأمثل
- خيار
- مزيد من الخيارات
- أخرى
- في الهواء الطلق
- عاطفي
- أداء
- بلايستشن
- سياسات الخصوصية والبيع
- إيجابي
- ممكن
- محتمل
- تنبأ
- تنبؤ
- تنبؤات
- يقدم
- جميل
- أرسال
- ابتدائي
- عملية المعالجة
- ملفي الشخصي
- الأرباح
- ترقية
- الترويجية
- تزود
- ويوفر
- سريع
- في الوقت الحقيقي
- توصي
- سجل
- تسجيل
- تخفيض
- المتبقية
- إزالة
- مطلوب
- مورد
- النتائج
- عائدات
- إيرادات
- مراجعة
- المخاطرة
- يجري
- تشغيل
- تحجيم
- حجم
- علوم
- عالم
- العلماء
- ثواني
- تأمين
- الخدمة
- طقم
- مشاركة
- مشاركة
- مماثل
- الاشارات
- مقاس
- So
- جاليات
- الصلبة
- حل
- الحلول
- حل
- بعض
- سرعة
- أنفق
- الإنفاق
- معيار
- الولايه او المحافظه
- الحالة
- تخزين
- استراتيجيات
- مع الأخذ
- الهدف
- فريق
- الاتصالات
- تجربه بالعربي
- اختبارات
- تكساس
- الوقت
- اليوم
- تيشرت
- قادة الإيمان
- السفر
- الثقة
- TX
- فهم
- جامعة
- us
- تستخدم
- المستخدمين
- قيمنا
- تحقق من
- المزيد
- صوت
- المواقع
- ابحث عن
- ما هي تفاصيل
- سواء
- من الذى
- ويكيبيديا
- للعمل
- عامل
- سوف