Aktiver intelligent beslutningstagning med Amazon SageMaker Canvas og Amazon QuickSight

Enhver virksomhed, uanset dens størrelse, ønsker at levere de bedste produkter og tjenester til sine kunder. For at opnå dette ønsker virksomheder at forstå branchetrends og kundeadfærd og optimere interne processer og dataanalyser på en rutinemæssig basis. Dette er en afgørende komponent for en virksomheds succes.

En meget fremtrædende del af analytikerrollen omfatter visualisering af forretningsmålinger (såsom salgsindtægter) og forudsigelse af fremtidige begivenheder (som stigning i efterspørgsel) for at træffe datadrevne forretningsbeslutninger. For at nærme dig denne første udfordring, kan du bruge Amazon QuickSight, en cloud-scale business intelligence (BI) service, der giver letforståelig indsigt og giver beslutningstagere mulighed for at udforske og fortolke information i et interaktivt visuelt miljø. Til den anden opgave kan du bruge Amazon SageMaker lærred, en skytjeneste, der udvider adgangen til maskinlæring (ML) ved at give forretningsanalytikere en visuel peg-og-klik-grænseflade, der giver dig mulighed for at generere nøjagtige ML-forudsigelser på egen hånd.

Når man ser på disse målinger, identificerer forretningsanalytikere ofte mønstre i kundeadfærd, for at afgøre, om virksomheden risikerer at miste kunden. Dette problem kaldes kunde churn, og ML-modeller har en dokumenteret track record i at forudsige sådanne kunder med høj nøjagtighed (se f.eks. Elulas AI-løsninger hjælper banker med at forbedre kundefastholdelse).

Opbygning af ML-modeller kan være en vanskelig proces, fordi det kræver et eksperthold til at styre dataforberedelsen og ML-modeltræningen. Men med Canvas kan du gøre det uden nogen særlig viden og med nul linjer kode. For mere information, tjek Forudsig kundeafgang med kodefri maskinlæring ved hjælp af Amazon SageMaker Canvas.

I dette indlæg viser vi dig, hvordan du visualiserer forudsigelserne genereret fra Canvas i et QuickSight-dashboard, hvilket muliggør intelligent beslutningstagning via ML.

Oversigt over løsning

I stillingen Forudsig kundeafgang med kodefri maskinlæring ved hjælp af Amazon SageMaker Canvas, påtog vi os rollen som forretningsanalytiker i marketingafdelingen hos en mobiltelefonoperatør, og vi har med succes skabt en ML-model til at identificere kunder med potentiel risiko for churn. Takket være forudsigelserne genereret af vores model, ønsker vi nu at lave en analyse af et potentielt økonomisk resultat for at træffe datadrevne forretningsbeslutninger om potentielle kampagner for disse kunder og regioner.

Arkitekturen, der vil hjælpe os med at opnå dette, er vist i følgende diagram.

Workflow-trinene er som følger:

1. Upload et nyt datasæt med den aktuelle kundepopulation til Canvas.
2. Kør en batch-forudsigelse og download resultaterne.
3. Upload filerne til QuickSight for at oprette eller opdatere visualiseringer.

Du kan udføre disse trin i Canvas uden at skrive en enkelt linje kode. Se den fulde liste over understøttede datakilder Import af data i Amazon SageMaker Canvas.

Forudsætninger

For denne gennemgang skal du sørge for, at følgende forudsætninger er opfyldt:

Brug kundeafgang-modellen

Når du har gennemført forudsætningerne, bør du have en model trænet i historiske data i Canvas, klar til at blive brugt med nye kundedata til at forudsige kundeafgang, som du derefter kan bruge i QuickSight.

1. Opret en ny fil churn-no-labels.csv ved tilfældigt at vælge 1,500 linjer fra det originale datasæt churn.csv og fjernelse af Churn? kolonne.

Vi bruger dette nye datasæt til at generere forudsigelser.

Vi fuldfører de næste trin i Canvas. Du kan åbne Canvas via AWS Management Console, eller via SSO-applikationen leveret af din cloud-administrator. Hvis du ikke er sikker på, hvordan du får adgang til Canvas, se Kom godt i gang med at bruge Amazon SageMaker Canvas.

2. Vælg på Canvas-konsollen datasæt i navigationsruden.
3. Vælg Importere.

4. Vælg Upload og vælg churn-no-labels.csv fil, du har oprettet.
5. Vælg Import datoer.

Dataimportens procestid afhænger af filens størrelse. I vores tilfælde bør det være omkring 10 sekunder. Når det er færdigt, kan vi se, at datasættet er inde Ready status.

6. For at få vist de første 100 rækker af datasættet skal du vælge indstillingsmenuen (tre prikker) og vælge Eksempel.

7. Vælg Modeller i navigationsruden, og vælg derefter den churn-model, du har oprettet som en del af forudsætningerne.

8. På Forudsige fanebladet, vælg Vælg datasæt.

9. Vælg churn-no-labels.csv datasæt, og vælg derefter Generer forudsigelser.

Inferenstiden afhænger af modellens kompleksitet og datasættets størrelse; i vores tilfælde tager det omkring 10 sekunder. Når jobbet er færdigt, ændrer det sin status til Klar, og vi kan downloade resultaterne.

10. Vælg indstillingsmenuen (tre prikker), Hentog Download alle værdier.

Eventuelt kan vi tage et hurtigt kig på resultaterne ved at vælge Eksempel. De to første kolonner er forudsigelser fra modellen.

Vi har med succes brugt vores model til at forudsige churn-risiko for vores nuværende kundepopulation. Nu er vi klar til at visualisere forretningsmålinger baseret på vores forudsigelser.

Importer data til QuickSight

Som vi diskuterede tidligere, kræver forretningsanalytikere, at forudsigelser visualiseres sammen med forretningsmålinger for at kunne træffe datadrevne forretningsbeslutninger. Til det bruger vi QuickSight, som giver letforståelig indsigt og giver beslutningstagere mulighed for at udforske og fortolke information i et interaktivt visuelt miljø. Med QuickSight kan vi bygge visualiseringer som grafer og diagrammer på få sekunder med en simpel træk-og-slip-grænseflade. I dette indlæg bygger vi flere visualiseringer for bedre at forstå forretningsrisici, og hvordan vi kunne håndtere dem, såsom hvor vi skal lancere nye marketingkampagner.

For at komme i gang skal du udføre følgende trin:

1. Vælg på QuickSight-konsollen datasæt i navigationsruden.
2. Vælg Nyt datasæt.

QuickSight understøtter mange datakilder. I dette indlæg bruger vi en lokal fil, den vi tidligere har genereret i Canvas, som vores kildedata.

3. Vælg Upload en fil.

4. Vælg den nyligt downloadede fil med forudsigelser.

QuickSight uploader og analyserer filen.

5. Tjek, at alt er som forventet i forhåndsvisningen, og vælg derefter Næste.

6. Vælg Visualiser.

Dataene er nu importeret, og vi er klar til at analysere dem.

Opret et dashboard med forretningsmålinger af forudsigelser om afgang

Det er tid til at analysere vores data og lave et klart og brugervenligt dashboard, der opsummerer al den information, der er nødvendig for datadrevne forretningsbeslutninger. Denne type dashboard er et vigtigt værktøj i en virksomhedsanalytikers arsenal.

Følgende er et eksempel på et dashboard, der kan hjælpe med at identificere og reagere på risikoen for kundeafgang.

På dette dashboard visualiserer vi flere vigtige forretningsmålinger:

• Kunder vil sandsynligvis frafalde – Det venstre donut-diagram repræsenterer antallet og procentdelen af ​​brugere med over 50 % risiko for at tude. Dette diagram hjælper os med hurtigt at forstå størrelsen af ​​et potentielt problem.
• Potentielt indtægtstab – Det øverste midterste donut-diagram repræsenterer mængden af ​​indtægtstab fra brugere over 50 % risiko for at vælte. Dette diagram hjælper os med hurtigt at forstå størrelsen af ​​det potentielle indtægtstab fra afgang. Diagrammet viser også, at vi kan miste adskillige kunder over gennemsnittet, da en procentdel af den potentielle tabte omsætning er større end procentdelen af ​​brugere, der risikerer at trække sig.
• Potentielt indtægtstab pr. stat – Det vandrette søjlediagram øverst til højre repræsenterer størrelsen af ​​tabt omsætning i forhold til omsætning fra kunder, der ikke risikerer at trække sig. Denne visualisering kan hjælpe os med at forstå, hvilken tilstand der er den vigtigste for os fra et marketingkampagneperspektiv.
• Oplysninger om kunder, der er i fare for at trække sig – Den nederste venstre tabel indeholder detaljer om alle vores kunder. Denne tabel kunne være nyttig, hvis vi hurtigt vil se på detaljerne for flere kunder med og uden churn-risiko.

Kunder vil sandsynligvis frafalde

Vi starter med at opbygge et diagram med kunder, der risikerer at trække sig.

1. Under Liste over felter, Vælg Churn? attribut.

QuickSight bygger automatisk en visualisering.

Selvom søjleplottet er en almindelig visualisering til at forstå datafordeling, foretrækker vi at bruge et donutdiagram. Vi kan ændre dette visuelle ved at ændre dets egenskaber.

2. Vælg doughnut-diagramikonet under Visuelle typer.
3. Vælg det aktuelle navn (dobbeltklik) og skift det til Kunder vil sandsynligvis frafalde.

4. For at tilpasse andre visuelle effekter (fjern forklaring, tilføje værdier, ændre skriftstørrelse), skal du vælge blyantikonet og foretage dine ændringer.

Som vist på det følgende skærmbillede øgede vi området af doughnutsen, samt tilføjede nogle ekstra oplysninger i etiketterne.

Potentielt indtægtstab

En anden vigtig metrik at overveje, når man beregner forretningspåvirkningen af ​​kundeafgang, er potentielt indtægtstab. Dette er en vigtig metrik, fordi den hjælper os med at forstå forretningspåvirkningen fra kunder, der ikke risikerer at trække sig. I telekommunikationsbranchen kunne vi for eksempel have mange inaktive kunder, som har en høj risiko for churn og men nul omsætning. Dette diagram kan hjælpe os med at forstå, om vi er i en sådan situation eller ej. For at tilføje denne metric til vores dashboard opretter vi et brugerdefineret beregnet felt ved at give den matematiske formel til beregning af potentielt indtægtstab, og derefter visualisere det som et andet donut-diagram.

1. På Tilføj menu, vælg Tilføj beregnet felt.

2. Navngiv feltet Samlede gebyrer.
3. Indtast formlen {Day Charge}+{Eve Charge}+{Intl Charge}+{Night Charge}.
4. Vælg Gem.

5. På Tilføj menu, vælg Tilføj visuelt.

6. Under Visuelle typer, vælg ikonet for donutdiagrammet.
7. Under Liste over felter, træk Churn? til Gruppe/Farve.
8. Træk Samlede gebyrer til Værdi.
9. På Værdi menu, vælg Vis som Og vælg Valuta.
10. Vælg blyantikonet for at tilpasse andre visuelle effekter (fjern forklaring, tilføje værdier, skift skriftstørrelse).

I øjeblikket har vores dashboard to visualiseringer.

Vi kan allerede nu konstatere, at vi i alt kan miste 18 % (270) kunder, hvilket svarer til 24 % ($6,280) i omsætning. Lad os udforske yderligere ved at analysere potentielle indtægtstab på statsniveau.

Potentielt indtægtstab pr. stat

For at visualisere potentielt indtægtstab efter stat, lad os tilføje et vandret søjlediagram.

1. På Tilføj menu, vælg Tilføj visuelt.

2. Under Visuelle typer¸ vælg det vandrette søjlediagramikon.
3. Under Liste over felter¸ træk Churn? til Gruppe/Farve.
4. Træk Samlede gebyrer til Værdi.
5. På Værdi menu, vælg Vis som , Valuta.
6. Træk Stage til Y-akse.
7. Vælg blyantikonet for at tilpasse andre visuelle effekter (fjern forklaring, tilføje værdier, skift skriftstørrelse).

8. Vi kan også sortere vores nye visuelle ved at vælge Samlede gebyrer nederst og vælge Faldende.

Denne visualisering kan hjælpe os med at forstå, hvilken tilstand der er den vigtigste fra et marketingkampagneperspektiv. For eksempel kan vi på Hawaii potentielt miste halvdelen af ​​vores omsætning ($253,000), mens denne værdi i Washington er mindre end 10 % ($52,000). Vi kan også se, at vi i Arizona risikerer at miste næsten hver eneste kunde.

Oplysninger om kunder, der er i fare for at trække sig

Lad os opbygge en tabel med detaljer om kunder, der risikerer at trække sig.

1. På Tilføj menu, vælg Tilføj visuelt.

2. Under Visuelle typer, vælg tabelikonet.
3. Under Feltlister, træk Telefon, Tilstand, Int'l Plan, Vmail plan, Churn?og Kontolængde til Gruppe af.
4. Træk sandsynlighed til Værdi.
5. På Værdi menu, vælg Vis som , procent.

Tilpas dit betjeningspanel

QuickSight tilbyder flere muligheder for at tilpasse dit dashboard, såsom følgende.

1. For at tilføje et navn, på Tilføj menu, vælg Tilføj titel.

2. Indtast en titel (for dette indlæg omdøber vi vores dashboard Churn analyse).

3. For at ændre størrelsen på dine billeder skal du vælge nederste højre hjørne af diagrammet og trække til den ønskede størrelse.
4. For at flytte en visualisering skal du vælge den øverste midte af diagrammet og trække den til en ny placering.
5. Vælg for at ændre temaet Temaer i navigationsruden.
6. Vælg dit nye tema (f.eks. Midnat), og vælg Indløs.

Udgiv dit dashboard

Et dashboard er et skrivebeskyttet øjebliksbillede af en analyse, som du kan dele med andre QuickSight-brugere til rapporteringsformål. Dit dashboard bevarer konfigurationen af ​​analysen på det tidspunkt, du udgiver den, inklusive ting som filtrering, parametre, kontroller og sorteringsrækkefølge. De data, der bruges til analysen, registreres ikke som en del af dashboardet. Når du får vist dashboardet, afspejler det de aktuelle data i de datasæt, der bruges af analysen.

Udfør følgende trin for at udgive dit dashboard:

1. På Del menu, vælg Udgiv dashboard.

2. Indtast et navn til dit dashboard.
3. Vælg Udgiv dashboard.

Tillykke, du har med succes oprettet et dashboard til churn-analyse.

Opdater dit dashboard med en ny forudsigelse

Efterhånden som modellen udvikler sig, og vi genererer nye data fra virksomheden, skal vi muligvis opdatere dette dashboard med nye oplysninger. Udfør følgende trin:

1. Opret en ny fil churn-no-labels-updated.csv ved tilfældigt at vælge yderligere 1,500 linjer fra det originale datasæt churn.csv og fjernelse af Churn? kolonne.

Vi bruger dette nye datasæt til at generere nye forudsigelser.

2. Gentag trinene fra Brug kundeafgang-modellen afsnittet i dette indlæg for at få forudsigelser for det nye datasæt og downloade den nye fil.
3. Vælg på QuickSight-konsollen datasæt i navigationsruden.
4. Vælg det datasæt, vi har oprettet.

5. Vælg Rediger datasæt.

6. Vælg i rullemenuen Opdater fil.

7. Vælg Upload fil.

8. Vælg den nyligt downloadede fil med forudsigelserne.
9. Gennemgå forhåndsvisningen, og vælg derefter Bekræft filopdatering.

Efter meddelelsen "Fil opdateret med succes" vises, kan vi se, at filnavnet også er ændret.

10. Vælg Gem og udgiv.

11. Når meddelelsen "Gem og offentliggjort med succes" vises, kan du gå tilbage til hovedmenuen ved at vælge QuickSight-logoet i øverste venstre hjørne.

12. Vælg Dashboards i navigationsruden og vælg det dashboard, vi oprettede før.

Du bør se dit dashboard med de opdaterede værdier.

Vi har netop opdateret vores QuickSight-dashboard med de seneste forudsigelser fra Canvas.

Ryd op

For at undgå fremtidige gebyrer, logge ud fra Canvas.

Konklusion

I dette indlæg brugte vi en ML-model fra Canvas til at forudsige kunder, der er i fare for at trække sig, og byggede et dashboard med indsigtsfulde visualiseringer for at hjælpe os med at træffe datadrevne forretningsbeslutninger. Det gjorde vi uden at skrive en eneste linje kode takket være brugervenlige grænseflader og klare visualiseringer. Dette gør det muligt for forretningsanalytikere at være agile i at bygge ML-modeller og udføre analyser og udtrække indsigt i fuldstændig autonomi fra datavidenskabsteams.

For at lære mere om brug af Canvas, se Byg, del, implementer: hvordan forretningsanalytikere og dataforskere opnår hurtigere time-to-market ved hjælp af no-code ML og Amazon SageMaker Canvas. For mere information om oprettelse af ML-modeller med en kodefri løsning, se Annoncering af Amazon SageMaker Canvas – en visuel, ingen kode maskinindlæringskapacitet for forretningsanalytikere. For at lære mere om de nyeste QuickSight-funktioner og bedste praksis, se AWS Big Data Blog.

---

Om forfatteren

Aleksandr Patrushev er AI/ML Specialist Solutions Architect hos AWS med base i Luxembourg. Han er passioneret omkring skyen og maskinlæring, og den måde, de kan ændre verden på. Uden for arbejdet nyder han at vandre, sporte og tilbringe tid med sin familie.

Davide Gallitelli er en Specialist Solutions Architect for AI/ML i EMEA-regionen. Han er baseret i Bruxelles og arbejder tæt sammen med kunder i hele Benelux. Han har været udvikler, siden han var meget ung, og begyndte at kode i en alder af 7. Han begyndte at lære AI/ML på universitetet, og er blevet forelsket i det siden da.