Forståelse af forretningstendenser, kundeadfærd, salgsindtægter, stigning i efterspørgsel og købertilbøjelighed starter alle med data. At udforske, analysere, fortolke og finde tendenser i data er afgørende for, at virksomheder kan opnå succesfulde resultater.
Forretningsanalytikere spiller en central rolle i at lette datadrevne forretningsbeslutninger gennem aktiviteter såsom visualisering af forretningsmålinger og forudsigelse af fremtidige begivenheder. Hurtig iteration og hurtigere time-to-value kan opnås ved at give disse analytikere et visuelt business intelligence (BI)-værktøj til enkel analyse, understøttet af teknologier som machine learning (ML).
Amazon QuickSight er en fuldt administreret, cloud-native BI-tjeneste, der gør det nemt at oprette forbindelse til dine data, oprette interaktive dashboards og rapporter og dele disse med titusindvis af brugere, enten i QuickSight eller indlejret i din applikation eller hjemmeside. Amazon SageMaker lærred er en visuel grænseflade, der gør det muligt for forretningsanalytikere at generere nøjagtige ML-forudsigelser på egen hånd uden at kræve nogen ML-erfaring eller at skulle skrive en enkelt linje kode.
I dette indlæg viser vi, hvordan du kan udgive forudsigelige dashboards i QuickSight ved hjælp af ML-baserede forudsigelser fra Canvas uden eksplicit at downloade forudsigelser og importere til QuickSight. Denne løsning hjælper dig med at sende forudsigelser fra Canvas til QuickSight, hvilket giver dig mulighed for hurtigere beslutningstagning ved hjælp af ML for at opnå effektive forretningsresultater.
Løsningsoversigt
I de følgende afsnit diskuterer vi trin, der hjælper administratorer med at konfigurere de rigtige tilladelser til problemfrit at omdirigere brugere fra Canvas til QuickSight. Derefter detaljerer vi, hvordan man bygger en model og kører forudsigelser, og demonstrerer forretningsanalytikernes erfaring.
Forudsætninger
Følgende forudsætninger er nødvendige for at implementere denne løsning:
Sørg for at bruge det samme QuickSight-område som Canvas. Du kan ændre regionen ved at navigere fra profilikonet på QuickSight-konsollen.
Administrator opsætning
I dette afsnit beskriver vi trinene til at opsætte IAM-ressourcer, forberede dataene, træne dataene med træningsdatasættet og udlede valideringsdatasættet. Derefter sender vi dataene til QuickSight for yderligere analyse.
Opret en ny IAM-politik for QuickSight-adgang
For at oprette en IAM-politik skal du udføre følgende trin:
- På IAM-konsollen skal du vælge Betingelser i navigationsruden.
- Vælg Lav politik.
- På JSON fanen, skal du indtaste følgende tilladelsespolitik i editoren:
For detaljer om IAM-politiksproget, se IAM JSON-politikreference.
- Vælg Næste: Mærker.
- Du kan føje metadata til politikken ved at vedhæfte tags som nøgleværdi-par og derefter vælge Næste: Anmeldelse.
For mere information om brug af tags i IAM, se Tagging af IAM-ressourcer.
- På Gennemgå politik side, skal du indtaste et navn (f.eks.
canvas-quicksight-access-policy
) og en valgfri beskrivelse af politikken. - Gennemgå Resumé afsnittet for at se de tilladelser, der er givet af din politik.
- Vælg Lav politik for at gemme dit arbejde.
Når du har oprettet en politik, kan du vedhæfte den til din udførelsesrolle, der giver dine brugere de nødvendige tilladelser til at sende batch-forudsigelser til brugere i QuickSight.
Vedhæft politikken til din Studio-udførelsesrolle
For at vedhæfte politikken til din Studio-udførelsesrolle skal du udføre følgende trin:
- Vælg på SageMaker-konsollen domæner i navigationsruden.
- Vælg dit domæne.
- Vælg Domæneindstillinger.
- Kopier rollenavnet under Udførelsesrolle.
- På IAM-konsollen skal du vælge roller i navigationsruden.
- I søgefeltet skal du indtaste den udførelsesrolle, du kopierede, og derefter vælge rollen.
- På siden for brugerens rolle skal du navigere til Tilladelsespolitikker sektion.
- På Tilføj tilladelser menu, vælg Vedhæft politikker.
- Søg efter den tidligere oprettede politik (
canvas-quicksight-access-policy
), vælg det og vælg Tilføj tilladelser.
Nu har du en IAM-politik knyttet til din eksekveringsrolle, der giver dine brugere de nødvendige tilladelser til at sende batch-forudsigelser til brugere i QuickSight.
Download datasættene
Lad os downloade de datasæt, som vi bruger til at træne modellen og lave forudsigelserne:
Byg en model og kør forudsigelser
I dette afsnit dækker vi, hvordan vi kan bygge en model og køre forudsigelser på lånedatasættet. Derefter sender vi dataene til QuickSight-dashboardet for at få forretningsindsigt.
Start Canvas
For at starte Canvas skal du udføre følgende trin:
- Vælg på SageMaker-konsollen domæner i navigationsruden.
- Vælg dit domæne.
- På Launch menu, vælg Lærred.
Upload trænings- og valideringsdatasæt
Fuldfør følgende trin for at uploade dine datasæt til Canvas:
- På Canvas-hjemmesiden skal du vælge datasæt.
- Vælg Import datoer, og upload derefter
lending_club_loan_data_train.csv
,lending_club_loan_data_test.csv
. - Vælg Gem og luk, Og vælg derefter Import datoer.
Lad os nu skabe en ny model.
- Vælg Mine modeller i navigationsruden.
- Vælg Ny model.
- Indtast et navn til din model (
Loan_Prediction
) og vælg Opret.
Hvis det er første gang, du opretter en Canvas-model, vil du blive budt velkommen af en informativ pop-up om, hvordan du bygger din første model i fire enkle trin. Du kan læse dette igennem, og derefter vende tilbage til denne guide.
- I modelvisningen på Type Fanebladet, vælg
lending_club_loan_data_train
datasæt.
Dette datasæt har 18 kolonner og 32,000 rækker.
- Vælg Vælg datasæt.
- På Byg fanen, skal du vælge målkolonnen, i vores tilfælde
loan_status
.
Canvas vil automatisk registrere, at dette er en 3+ kategori forudsigelse problem (også kendt som multi-klasse klassifikation).
- Hvis der findes en anden modeltype, skal du ændre den manuelt ved at vælge Skift type.
- Vælg Hurtig opbygning, og vælg Start hurtig opbygning fra pop-up.
Du kan også vælge Standard opbygning, som gennemgår den komplette AutoML-cyklus og genererer flere modeller, før den bedste model anbefales.
Nu bliver din model bygget. Hurtig opbygning tager normalt 2-15 minutter.
Efter modellen er bygget, kan du finde modelstatus på Analyser fane.
Lav forudsigelser med modellen
Efter at vi har bygget og trænet modellen, kan vi generere forudsigelser på denne model.
- Vælg Forudsige på den Analyser fanen, eller vælg Forudsige fane.
- Kør en enkelt forudsigelse ved at vælge Enkelt forudsigelse og levere poster.
Du vil se lånestatus-forudsigelsen til højre på siden. Du kan kopiere forudsigelsen ved at vælge Kopi, eller download det ved at vælge Download forudsigelse. Dette er ideelt til at generere what-if-scenarier og teste, hvordan forskellige kolonner påvirker forudsigelserne i vores model.
- For at køre batch-forudsigelser skal du vælge Batch forudsigelse.
Dette er bedst, når du gerne vil lave forudsigelser for et helt datasæt. Du bør lave forudsigelser med et datasæt, der matcher dit inputdatasæt.
For hver forudsigelse eller sæt forudsigelser returnerer Canvas de forudsagte værdier og sandsynligheden for, at den forudsagte værdi er korrekt.
Lad os lave forudsigelser fra den trænede model ved hjælp af valideringsdatasættet.
- Vælg Vælg datasættet.
- Type
lending_club_loan_data_test
Og vælg Generer forudsigelser.
Når dine forudsigelser er klar, kan du finde dem i datasæt afsnit. Du kan forhåndsvise forudsigelsen, downloade den til en lokal maskine, slette den eller sende den til QuickSight.
Send forudsigelser til QuickSight
Du kan nu dele forudsigelser fra disse ML-modeller som QuickSight-datasæt, der vil fungere som en ny kilde til dashboards i hele virksomheden. Du kan analysere tendenser, risici og forretningsmuligheder. Gennem denne funktion bliver ML mere tilgængelig for forretningsteams, så de kan accelerere datadrevet beslutningstagning. Deling af data med QuickSight-brugere giver dem ejertilladelser til datasættet. Flere udledte datasæt kan sendes på én gang til QuickSight.
Bemærk, at du kun kan sende forudsigelser til brugere i standardnavneområdet for QuickSight-kontoen, og brugeren skal have rollen Forfatter eller Admin i QuickSight. Forudsigelser sendt til QuickSight er tilgængelige i samme region som Canvas.
- Vælg det udledte batchdatasæt, og vælg Send til Amazon QuickSight.
- Indtast et eller flere QuickSight-brugernavne for at dele datasættet med, og tryk på Indtast.
- Vælg Send at dele data.
Når du har sendt dine batch-forudsigelser, QuickSight felt for de datasæt, du sendte, vises som Sendt.
- I bekræftelsesboksen kan du vælge Åbn Amazon QuickSight for at åbne din QuickSight-applikation.
- Hvis du er færdig med at bruge Canvas, logge ud af Canvas-applikationen.
Du kan sende batch-forudsigelser til QuickSight for numeriske, kategoriske forudsigelser og tidsserieprognosemodeller. Du kan også sende forudsigelser genereret med medbring din egen model (BYOM) metode. Billedforudsigelsesmodeller med enkelt etiket og tekstforudsigelse i flere kategorier er udelukket.
De QuickSight-brugere, som du har sendt datasæt til, kan åbne deres QuickSight-konsol og se de Canvas-datasæt, der er blevet delt med dem. Så kan de oprette forudsigelige dashboards med dataene. For mere information, se Kom godt i gang med Amazon QuickSight-dataanalyse.
Som standard har alle de brugere, som du sender forudsigelser til, ejertilladelser til datasættet i QuickSight. Ejere er i stand til at oprette analyser, opdatere, redigere, slette og videredele datasæt. De ændringer, som ejere foretager til et datasæt, ændrer datasættet for alle brugere med adgang. For at ændre tilladelserne skal du gå til datasættet i QuickSight og administrere dets tilladelser. For mere information, se Visning og redigering af tilladelsesbrugere, som et datasæt deles med.
Erfaring fra erhvervsanalytikere
Med QuickSight kan du visualisere dine data for bedre at forstå dem. Vi starter med at få noget information på højt niveau.
- Vælg på QuickSight-konsollen datasæt i navigationsruden.
- Opret en analyse på batchforudsigelsesdatasættet, der deles fra Canvas ved at vælge Lav analyse på rullemenuen med indstillinger (tre lodrette prikker).
- På analysesiden skal du vælge arkets navn og omdøbe til det Lånedataanalyse.
Lad os oprette en visualisering for at vise optællingen efter lånestatus.
- Til Visuelle typer, vælg Donut-diagram.
- Brug
loan_status
felt for Gruppe/Farve.
Vi kan se, at 99% er fuldt udbetalt, 1% er løbende, og 0% er afkrævet.
Nu tilføjer vi en anden visualisering for at vise mængden af lån efter status.
- I øverste venstre hjørne skal du vælge plustegnet og vælge Tilføj visuelt.
- Til Visuelle typer, vælg Vandfaldsdiagram.
- Brug
loan_status
felt for Boligtype. - Brug
loan_amount
felt for Værdi.
Vi kan se, at det samlede lånebeløb er omkring $88 millioner, med omkring $221,000 opkrævet.
Lad os prøve at opdage nogle risikofaktorer for misligholdelse af lån.
- Vælg plustegnet og vælg Tilføj visuelt.
- Til Visuelle typer, vælg Vandret søjlediagram.
- Brug lånestatus-feltet til Y-akse.
- Brug lånebeløb-feltet til Værdi.
- Rediger Værdi feltsammenlægning fra Sum til Gennemsnit.
Vi kan se, at lånebeløbet i gennemsnit var omkring $3,500 lavere for de fuldt indbetalte lån sammenlignet med de nuværende lån, og omkring $3,500 lavere for de fuldt indbetalte lån sammenlignet med de afkrævede lån. Der synes at være en sammenhæng mellem lånebeløbet og kreditrisikoen.
- For at duplikere det visuelle skal du vælge indstillingsmenuen (tre prikker), vælge Dupliker visuel til, og vælg Dette ark.
- Vælg det duplikerede visuelle billede for at ændre dets konfiguration.
- Til Visuelle typer, vælg Vandret søjlediagram.
- Brug lånestatus-feltet til Y-akse.
- Brug lånebeløb-feltet til Værdi.
- Rediger Værdi feltsammenlægning fra Sum til Gennemsnit.
Du kan oprette yderligere visuals for at tjekke for yderligere risikodrivere. For eksempel:
- Låneperiode
- Åbne kreditlinjer
- Udnyttelsesgrad for roterende linjer
- Samlede kreditlinjer
- Når du har tilføjet det visuelle, skal du udgive dashboardet ved hjælp af Del mulighed på analysesiden og del dashboardet med forretningsinteressenterne.
Ryd op
For at undgå fremtidige gebyrer skal du slette eller lukke de ressourcer, du oprettede, mens du fulgte dette indlæg. Henvise til Logger ud af Amazon SageMaker Canvas for flere detaljer.
Konklusion
I dette indlæg trænede vi en ML-model ved hjælp af Canvas uden at skrive en eneste linje kode takket være dens brugervenlige grænseflader og klare visualiseringer. Vi genererede derefter enkelt- og batch-forudsigelser for denne model i Canvas. For at vurdere tendenser, risici og forretningsmuligheder på tværs af virksomheden sendte vi forudsigelserne af denne ML-model til QuickSight. Som forretningsanalytikere lavede vi forskellige visualiseringer for at vurdere tendenserne i QuickSight.
Denne funktion er tilgængelig i alle regioner, hvor Canvas nu understøttes. Du kan lære mere på lærredet Produkt side , dokumentation.
Om forfatterne
Ajjay Govindaram er Senior Solutions Architect hos AWS. Han arbejder med strategiske kunder, der bruger AI/ML til at løse komplekse forretningsproblemer. Hans erfaring ligger i at levere teknisk vejledning samt designassistance til beskedne til store AI/ML-applikationsimplementeringer. Hans viden spænder fra applikationsarkitektur til big data, analytics og machine learning. Han nyder at lytte til musik, mens han hviler sig, opleve udendørslivet og tilbringe tid med sine kære.
Varun Mehta er Solutions Architect hos AWS. Han brænder for at hjælpe kunder med at bygge velarkitekterede løsninger i virksomhedsskala på AWS Cloud. Han arbejder med strategiske kunder, der bruger AI/ML til at løse komplekse forretningsproblemer.
Shyam Srinivasan er en hovedproduktchef på AWS AI/ML-teamet, der leder produktstyring for Amazon SageMaker Canvas. Shyam interesserer sig for at gøre verden til et bedre sted gennem teknologi og brænder for, hvordan AI og ML kan være en katalysator på denne rejse.
- SEO Powered Content & PR Distribution. Bliv forstærket i dag.
- PlatoAiStream. Web3 Data Intelligence. Viden forstærket. Adgang her.
- Udmøntning af fremtiden med Adryenn Ashley. Adgang her.
- Køb og sælg aktier i PRE-IPO-virksomheder med PREIPO®. Adgang her.
- Kilde: https://aws.amazon.com/blogs/machine-learning/publish-predictive-dashboards-in-amazon-quicksight-using-ml-predictions-from-amazon-sagemaker-canvas/
- :har
- :er
- :hvor
- $3
- $OP
- 000
- 10
- 100
- 11
- 12
- 15 %
- 20
- 500
- 7
- 8
- 9
- a
- I stand
- Om
- fremskynde
- accelereret
- adgang
- tilgængelig
- Konto
- præcis
- opnå
- opnået
- tværs
- Handling
- aktiviteter
- tilføje
- Yderligere
- admin
- administratorer
- aggregering
- AI
- AI / ML
- Alle
- tillade
- også
- Amazon
- Amazon QuickSight
- Amazon SageMaker
- Amazon SageMaker lærred
- Amazon Web Services
- beløb
- an
- Analyser
- analyse
- analytiker
- Analytikere
- analytics
- analysere
- analysere
- ,
- En anden
- enhver
- Anvendelse
- arkitektur
- ER
- omkring
- AS
- Assistance
- At
- vedhæfte
- forfatter
- automatisk
- AutoML
- til rådighed
- gennemsnit
- undgå
- AWS
- tilbage
- Bar
- BE
- bliver
- været
- før
- være
- BEDSTE
- Bedre
- mellem
- Big
- Big data
- Boks
- bygge
- bygget
- virksomhed
- business intelligence
- virksomheder
- by
- CAN
- canvas
- tilfælde
- Katalysator
- Boligtype
- lave om
- Ændringer
- opladet
- afgifter
- kontrollere
- Vælg
- vælge
- klar
- Cloud
- kode
- Kolonne
- Kolonner
- Kom
- sammenlignet
- fuldføre
- komplekse
- Konfiguration
- bekræftelse
- Tilslut
- Konsol
- Corner
- korrigere
- Korrelation
- dæksel
- skabe
- oprettet
- Oprettelse af
- kredit
- Nuværende
- kunde
- kundeadfærd
- Kunder
- cyklus
- instrumentbræt
- data
- dataanalyse
- datastyret
- datasæt
- Beslutningstagning
- afgørelser
- Standard
- Efterspørgsel
- demonstrere
- implementeringer
- beskrivelse
- Design
- detail
- detaljer
- opdaget
- forskellige
- retning
- diskutere
- domæne
- færdig
- ned
- downloade
- drivere
- hver
- let
- editor
- effekt
- Effektiv
- enten
- indlejret
- muliggør
- muliggør
- Indtast
- Enterprise
- Hele
- væsentlig
- begivenheder
- eksempel
- udelukket
- udførelse
- erfaring
- oplever
- Udforskning
- faciliterende
- hurtigere
- felt
- Finde
- finde
- Fornavn
- første gang
- efter
- Til
- fire
- fra
- fuldt ud
- yderligere
- fremtiden
- generere
- genereret
- generere
- få
- få
- Go
- Goes
- bevilget
- tilskud
- vejlede
- Have
- have
- he
- hjælpe
- hjælpe
- højt niveau
- hans
- Home
- Hvordan
- How To
- HTML
- HTTPS
- ICON
- ID
- ideal
- billede
- KIMOs Succeshistorier
- gennemføre
- importere
- in
- Forøg
- oplysninger
- informative
- indgang
- indsigt
- Intelligens
- interaktiv
- grænseflade
- grænseflader
- ind
- IT
- iteration
- ITS
- rejse
- jpg
- json
- viden
- kendt
- Sprog
- storstilet
- lancere
- førende
- LÆR
- læring
- ligger
- ligesom
- Line (linje)
- Lytte
- lån
- Lån
- lokale
- elskede
- lavere
- maskine
- machine learning
- lave
- maerker
- Making
- administrere
- lykkedes
- ledelse
- leder
- manuelt
- Menu
- Metadata
- metode
- Metrics
- million
- minutter
- ML
- model
- modeller
- ændre
- mere
- flere
- Musik
- skal
- navn
- navne
- Naviger
- navigering
- Navigation
- nødvendig
- behov
- Ny
- nu
- of
- off
- on
- engang
- ONE
- dem
- kun
- åbent
- Muligheder
- Indstillinger
- or
- vores
- ud
- udfald
- udendørs
- egen
- ejer
- ejere
- side
- betalt
- par
- brød
- lidenskabelige
- Tilladelser
- afgørende
- Place
- plato
- Platon Data Intelligence
- PlatoData
- Leg
- plus
- politik
- pop-up
- Indlæg
- forudsagde
- forudsigelse
- Forudsigelser
- Forbered
- forudsætninger
- trykke
- Eksempel
- tidligere
- Main
- Problem
- problemer
- Produkt
- produktstyring
- produktchef
- Profil
- leverer
- offentliggøre
- Hurtig
- Læs
- klar
- anbefale
- omdirigere
- region
- regioner
- Rapporter
- ressource
- Ressourcer
- afkast
- indtægter
- højre
- Risiko
- risici
- roller
- Kør
- sagemaker
- salg
- samme
- Gem
- scenarier
- problemfrit
- Søg
- Anden
- Sektion
- sektioner
- se
- synes
- send
- senior
- sendt
- Series
- tjener
- tjeneste
- Tjenester
- sæt
- Del
- delt
- deling
- ark
- bør
- Vis
- Shows
- Luk ned
- side
- underskrive
- Simpelt
- enkelt
- So
- løsninger
- Løsninger
- SOLVE
- nogle
- Kilde
- udgifterne
- interessenter
- starte
- påbegyndt
- Statement
- Status
- Steps
- Strategisk
- Studio
- vellykket
- sådan
- Understøttet
- tager
- mål
- hold
- hold
- Teknisk
- Teknologier
- Teknologier
- tiere
- Test
- Tak
- at
- verdenen
- deres
- Them
- derefter
- Der.
- Disse
- de
- denne
- tusinder
- tre
- Gennem
- tid
- Tidsserier
- til
- værktøj
- I alt
- Tog
- uddannet
- Kurser
- Tendenser
- prøv
- typen
- under
- forstå
- brug
- Bruger
- brugervenlig
- brugere
- ved brug af
- sædvanligvis
- validering
- værdi
- Værdier
- forskellige
- udgave
- lodret
- Specifikation
- visualisering
- visuals
- var
- we
- web
- webservices
- Hjemmeside
- hilste
- GODT
- hvornår
- som
- mens
- WHO
- vilje
- med
- inden for
- uden
- Arbejde
- virker
- world
- skriver
- skrivning
- Du
- Din
- zephyrnet