Ενεργοποιήστε την έξυπνη λήψη αποφάσεων με το Amazon SageMaker Canvas και το Amazon QuickSight

Κάθε εταιρεία, ανεξάρτητα από το μέγεθός της, θέλει να προσφέρει τα καλύτερα προϊόντα και υπηρεσίες στους πελάτες της. Για να επιτευχθεί αυτό, οι εταιρείες θέλουν να κατανοήσουν τις τάσεις του κλάδου και τη συμπεριφορά των πελατών και να βελτιστοποιήσουν τις εσωτερικές διαδικασίες και τις αναλύσεις δεδομένων σε τακτική βάση. Αυτό είναι ένα κρίσιμο συστατικό της επιτυχίας μιας εταιρείας.

Ένα πολύ σημαντικό μέρος του ρόλου του αναλυτή περιλαμβάνει την οπτικοποίηση των επιχειρηματικών μετρήσεων (όπως τα έσοδα από πωλήσεις) και την πρόβλεψη μελλοντικών γεγονότων (όπως η αύξηση της ζήτησης) για τη λήψη επιχειρηματικών αποφάσεων που βασίζονται σε δεδομένα. Για να προσεγγίσετε αυτήν την πρώτη πρόκληση, μπορείτε να χρησιμοποιήσετε Amazon QuickSight, μια υπηρεσία επιχειρηματικής ευφυΐας (BI) σε κλίμακα cloud που παρέχει εύκολα κατανοητές πληροφορίες και δίνει στους λήπτες αποφάσεων την ευκαιρία να εξερευνήσουν και να ερμηνεύσουν πληροφορίες σε ένα διαδραστικό οπτικό περιβάλλον. Για τη δεύτερη εργασία, μπορείτε να χρησιμοποιήσετε Καμβάς Amazon SageMaker, μια υπηρεσία cloud που επεκτείνει την πρόσβαση στη μηχανική μάθηση (ML) παρέχοντας σε επιχειρηματικούς αναλυτές μια οπτική διεπαφή σημείου και κλικ που σας επιτρέπει να δημιουργείτε ακριβείς προβλέψεις ML μόνοι σας.

Όταν εξετάζουν αυτές τις μετρήσεις, οι επιχειρηματικοί αναλυτές συχνά εντοπίζουν μοτίβα στη συμπεριφορά των πελατών, προκειμένου να προσδιορίσουν εάν η εταιρεία κινδυνεύει να χάσει τον πελάτη. Αυτό το πρόβλημα ονομάζεται πελάτηςκαι τα μοντέλα ML έχουν αποδεδειγμένο ιστορικό πρόβλεψης τέτοιων πελατών με υψηλή ακρίβεια (για παράδειγμα, βλ. Οι λύσεις AI της Elula βοηθούν τις τράπεζες να βελτιώσουν τη διατήρηση πελατών).

Η δημιουργία μοντέλων ML μπορεί να είναι μια δύσκολη διαδικασία επειδή απαιτεί μια ομάδα ειδικών για τη διαχείριση της προετοιμασίας δεδομένων και την εκπαίδευση μοντέλων ML. Ωστόσο, με το Canvas, μπορείτε να το κάνετε αυτό χωρίς καμία ειδική γνώση και με μηδενικές γραμμές κώδικα. Για περισσότερες πληροφορίες, ελέγξτε έξω Προβλέψτε την ανατροπή πελατών με μηχανική εκμάθηση χωρίς κώδικα χρησιμοποιώντας το Amazon SageMaker Canvas.

Σε αυτήν την ανάρτηση, σας δείχνουμε πώς να οπτικοποιείτε τις προβλέψεις που δημιουργούνται από το Canvas σε έναν πίνακα εργαλείων QuickSight, επιτρέποντας την έξυπνη λήψη αποφάσεων μέσω ML.

Επισκόπηση της λύσης

Στο ταχυδρομείο Προβλέψτε την ανατροπή πελατών με μηχανική εκμάθηση χωρίς κώδικα χρησιμοποιώντας το Amazon SageMaker Canvas, αναλάβαμε το ρόλο ενός επιχειρησιακού αναλυτή στο τμήμα μάρκετινγκ μιας εταιρείας κινητής τηλεφωνίας και δημιουργήσαμε με επιτυχία ένα μοντέλο ML για τον εντοπισμό πελατών με δυνητικό κίνδυνο απόρριψης. Χάρη στις προβλέψεις που δημιουργούνται από το μοντέλο μας, τώρα θέλουμε να κάνουμε μια ανάλυση ενός πιθανού οικονομικού αποτελέσματος για να λάβουμε επιχειρηματικές αποφάσεις βάσει δεδομένων σχετικά με πιθανές προωθήσεις για αυτούς τους πελάτες και τις περιοχές.

Η αρχιτεκτονική που θα μας βοηθήσει να το πετύχουμε αυτό φαίνεται στο παρακάτω διάγραμμα.

Τα βήματα της ροής εργασιών είναι τα εξής:

1. Ανεβάστε ένα νέο σύνολο δεδομένων με τον τρέχοντα πληθυσμό πελατών στον Καμβά.
2. Εκτελέστε μια πρόβλεψη παρτίδας και κατεβάστε τα αποτελέσματα.
3. Μεταφορτώστε τα αρχεία στο QuickSight για να δημιουργήσετε ή να ενημερώσετε οπτικοποιήσεις.

Μπορείτε να εκτελέσετε αυτά τα βήματα στον Καμβά χωρίς να γράψετε ούτε μια γραμμή κώδικα. Για την πλήρη λίστα των υποστηριζόμενων πηγών δεδομένων, ανατρέξτε στο Εισαγωγή δεδομένων στον καμβά Amazon SageMaker.

Προϋποθέσεις

Για αυτήν την περιγραφή, βεβαιωθείτε ότι πληρούνται οι ακόλουθες προϋποθέσεις:

Χρησιμοποιήστε το μοντέλο απόκλισης πελατών

Αφού ολοκληρώσετε τις προϋποθέσεις, θα πρέπει να έχετε ένα μοντέλο εκπαιδευμένο σε δεδομένα ιστορικού στον Καμβά, έτοιμο να χρησιμοποιηθεί με νέα δεδομένα πελατών για να προβλέψετε την απόκλιση πελατών, το οποίο μπορείτε στη συνέχεια να χρησιμοποιήσετε στο QuickSight.

1. Δημιουργήστε ένα νέο αρχείο churn-no-labels.csv επιλέγοντας τυχαία 1,500 γραμμές από το αρχικό σύνολο δεδομένων churn.csv και αφαιρώντας το Churn? στήλη.

Χρησιμοποιούμε αυτό το νέο σύνολο δεδομένων για να δημιουργήσουμε προβλέψεις.

Ολοκληρώνουμε τα επόμενα βήματα στο Canvas. Μπορείτε να ανοίξετε το Canvas μέσω του Κονσόλα διαχείρισης AWS, ή μέσω της εφαρμογής SSO που παρέχεται από τον διαχειριστή του cloud. Εάν δεν είστε βέβαιοι πώς να αποκτήσετε πρόσβαση στον Καμβά, ανατρέξτε στο Ξεκινώντας με τη χρήση του Amazon SageMaker Canvas.

2. Στην κονσόλα Canvas, επιλέξτε Δεδομένα στο παράθυρο πλοήγησης.
3. Επιλέξτε εισαγωγή.

4. Επιλέξτε Μεταφόρτωση Και επιλέξτε το churn-no-labels.csv αρχείο που δημιουργήσατε.
5. Επιλέξτε Εισαγωγή δεδομένων.

Ο χρόνος διαδικασίας εισαγωγής δεδομένων εξαρτάται από το μέγεθος του αρχείου. Στην περίπτωσή μας, θα πρέπει να είναι περίπου 10 δευτερόλεπτα. Όταν ολοκληρωθεί, μπορούμε να δούμε ότι το σύνολο δεδομένων είναι μέσα Ready κατάστασης.

6. Για προεπισκόπηση των πρώτων 100 σειρών του συνόλου δεδομένων, επιλέξτε το μενού επιλογών (τρεις κουκκίδες) και επιλέξτε Προβολή.

7. Επιλέξτε Μοντέλα στο παράθυρο πλοήγησης και, στη συνέχεια, επιλέξτε το μοντέλο ανατροπής που δημιουργήσατε ως μέρος των προαπαιτούμενων.

8. Στις Προλέγω καρτέλα, επιλέξτε Επιλέξτε σύνολο δεδομένων.

9. Επιλέξτε το churn-no-labels.csv σύνολο δεδομένων και, στη συνέχεια, επιλέξτε Δημιουργήστε προβλέψεις.

Ο χρόνος συμπερασμάτων εξαρτάται από την πολυπλοκότητα του μοντέλου και το μέγεθος δεδομένων. στην περίπτωσή μας, χρειάζονται περίπου 10 δευτερόλεπτα. Όταν τελειώσει η εργασία, αλλάζει την κατάστασή της σε Έτοιμη και μπορούμε να κατεβάσουμε τα αποτελέσματα.

10. Επιλέξτε το μενού επιλογών (τρεις τελείες), Λήψη, να Λήψη όλων των τιμών.

Προαιρετικά, μπορούμε να ρίξουμε μια γρήγορη ματιά στα αποτελέσματα επιλέγοντας Προβολή. Οι δύο πρώτες στήλες είναι προβλέψεις από το μοντέλο.

Χρησιμοποιήσαμε επιτυχώς το μοντέλο μας για να προβλέψουμε τον κίνδυνο απόρριψης για τον τρέχοντα πληθυσμό πελατών μας. Τώρα είμαστε έτοιμοι να οπτικοποιήσουμε τις επιχειρηματικές μετρήσεις με βάση τις προβλέψεις μας.

Εισαγωγή δεδομένων στο QuickSight

Όπως συζητήσαμε προηγουμένως, οι επιχειρησιακοί αναλυτές απαιτούν να απεικονίζονται οι προβλέψεις μαζί με τις επιχειρηματικές μετρήσεις, προκειμένου να λαμβάνουν επιχειρηματικές αποφάσεις που βασίζονται σε δεδομένα. Για να το κάνουμε αυτό, χρησιμοποιούμε το QuickSight, το οποίο παρέχει εύκολα κατανοητές πληροφορίες και δίνει στους λήπτες αποφάσεων την ευκαιρία να εξερευνήσουν και να ερμηνεύσουν πληροφορίες σε ένα διαδραστικό οπτικό περιβάλλον. Με το QuickSight, μπορούμε να δημιουργήσουμε οπτικοποιήσεις όπως γραφήματα και γραφήματα σε δευτερόλεπτα με μια απλή διεπαφή μεταφοράς και απόθεσης. Σε αυτήν την ανάρτηση, δημιουργούμε διάφορες οπτικοποιήσεις για να κατανοήσουμε καλύτερα τους επιχειρηματικούς κινδύνους και πώς θα μπορούσαμε να τους διαχειριστούμε, όπως πού πρέπει να ξεκινήσουμε νέες καμπάνιες μάρκετινγκ.

Για να ξεκινήσετε, ακολουθήστε τα παρακάτω βήματα:

1. Στην κονσόλα QuickSight, επιλέξτε Δεδομένα στο παράθυρο πλοήγησης.
2. Επιλέξτε Νέο σύνολο δεδομένων.

Το QuickSight υποστηρίζει πολλές πηγές δεδομένων. Σε αυτήν την ανάρτηση, χρησιμοποιούμε ένα τοπικό αρχείο, αυτό που δημιουργήσαμε προηγουμένως στον Καμβά, ως δεδομένα πηγής.

3. Επιλέξτε Μεταφορτώστε ένα αρχείο.

4. Επιλέξτε το πρόσφατα ληφθέν αρχείο με προβλέψεις.

Το QuickSight ανεβάζει και αναλύει το αρχείο.

5. Ελέγξτε ότι όλα είναι όπως αναμένεται στην προεπισκόπηση και, στη συνέχεια, επιλέξτε Επόμενο.

6. Επιλέξτε Φαντάζομαι.

Τα δεδομένα έχουν πλέον εισαχθεί με επιτυχία και είμαστε έτοιμοι να τα αναλύσουμε.

Δημιουργήστε έναν πίνακα ελέγχου με επιχειρηματικές μετρήσεις προβλέψεων απόκλισης

Ήρθε η ώρα να αναλύσουμε τα δεδομένα μας και να φτιάξουμε έναν σαφή και εύχρηστο πίνακα εργαλείων που να ανακεφαλαιώνει όλες τις απαραίτητες πληροφορίες για επιχειρηματικές αποφάσεις που βασίζονται σε δεδομένα. Αυτός ο τύπος ταμπλό είναι ένα σημαντικό εργαλείο στο οπλοστάσιο των επιχειρηματικών αναλυτών.

Το παρακάτω είναι ένα παράδειγμα πίνακα εργαλείων που μπορεί να βοηθήσει στον εντοπισμό και την αντιμετώπιση του κινδύνου απόσυρσης πελατών.

Σε αυτόν τον πίνακα ελέγχου, απεικονίζουμε διάφορες σημαντικές επιχειρηματικές μετρήσεις:

• Πελάτες που είναι πιθανό να αναστατωθούν – Το αριστερό γράφημα ντόνατ αντιπροσωπεύει τον αριθμό και το ποσοστό των χρηστών άνω του 50% του κινδύνου αναδασμού. Αυτό το γράφημα μας βοηθά να κατανοήσουμε γρήγορα το μέγεθος ενός πιθανού προβλήματος.
• Πιθανή απώλεια εσόδων – Το επάνω μεσαίο γράφημα ντόνατ αντιπροσωπεύει το ποσό της απώλειας εσόδων από τους χρήστες άνω του 50% του κινδύνου ανατροπής. Αυτό το γράφημα μας βοηθά να κατανοήσουμε γρήγορα το μέγεθος της πιθανής απώλειας εσόδων από την απόρριψη. Το γράφημα δείχνει επίσης ότι θα μπορούσαμε να χάσουμε αρκετούς πελάτες άνω του μέσου όρου ως ποσοστό των πιθανών χαμένων εσόδων που είναι μεγαλύτερο από το ποσοστό των χρηστών που κινδυνεύουν να παρασυρθούν.
• Πιθανή απώλεια εσόδων κατά κράτος – Το επάνω δεξιά οριζόντιο γράφημα ράβδων αντιπροσωπεύει το μέγεθος των εσόδων που χάθηκαν έναντι των εσόδων από πελάτες που δεν διατρέχουν κίνδυνο ανατροπής. Αυτό το οπτικό θα μπορούσε να μας βοηθήσει να κατανοήσουμε ποια κατάσταση είναι η πιο σημαντική για εμάς από την άποψη της καμπάνιας μάρκετινγκ.
• Λεπτομέρειες σχετικά με πελάτες που κινδυνεύουν να αναταράξουν – Ο κάτω αριστερός πίνακας περιέχει λεπτομέρειες για όλους τους πελάτες μας. Αυτός ο πίνακας θα μπορούσε να είναι χρήσιμος εάν θέλουμε να δούμε γρήγορα τα στοιχεία πολλών πελατών με και χωρίς κίνδυνο απόρριψης.

Πελάτες που είναι πιθανό να αναστατωθούν

Ξεκινάμε δημιουργώντας ένα γράφημα με πελάτες που κινδυνεύουν να αναστατωθούν.

1. Κάτω από Λίστα πεδίων, επιλέξτε το Καρδάρα? αποδίδουν.

Το QuickSight δημιουργεί αυτόματα μια οπτικοποίηση.

Αν και η γραφική παράσταση ράβδων είναι μια κοινή απεικόνιση για την κατανόηση της διανομής δεδομένων, προτιμούμε να χρησιμοποιούμε ένα γράφημα ντόνατ. Μπορούμε να αλλάξουμε αυτό το όραμα αλλάζοντας τις ιδιότητές του.

2. Επιλέξτε το εικονίδιο του γραφήματος ντόνατ κάτω Οπτικοί τύποι.
3. Επιλέξτε το τρέχον όνομα (κάντε διπλό κλικ) και αλλάξτε το σε Πελάτες που είναι πιθανό να αναστατωθούν.

4. Για να προσαρμόσετε άλλα οπτικά εφέ (κατάργηση μύθου, προσθήκη τιμών, αλλαγή μεγέθους γραμματοσειράς), επιλέξτε το εικονίδιο με το μολύβι και κάντε τις αλλαγές σας.

Όπως φαίνεται στο παρακάτω στιγμιότυπο οθόνης, αυξήσαμε την περιοχή του ντόνατ, καθώς και προσθέσαμε κάποιες επιπλέον πληροφορίες στις ετικέτες.

Πιθανή απώλεια εσόδων

Μια άλλη σημαντική μέτρηση που πρέπει να λαμβάνεται υπόψη κατά τον υπολογισμό του επιχειρηματικού αντίκτυπου της απόσυρσης πελατών είναι η πιθανή απώλεια εσόδων. Αυτή είναι μια σημαντική μέτρηση, επειδή μας βοηθά να κατανοήσουμε τον αντίκτυπο της επιχείρησης από πελάτες που δεν κινδυνεύουν να παρασυρθούν. Στον κλάδο των τηλεπικοινωνιών, για παράδειγμα, θα μπορούσαμε να έχουμε πολλούς ανενεργούς πελάτες που έχουν υψηλό κίνδυνο απόσυρσης και μηδενικά έσοδα. Αυτό το γράφημα μπορεί να μας βοηθήσει να καταλάβουμε αν βρισκόμαστε σε μια τέτοια κατάσταση ή όχι. Για να προσθέσουμε αυτήν τη μέτρηση στον πίνακα ελέγχου μας, δημιουργούμε ένα προσαρμοσμένο πεδίο υπολογισμού παρέχοντας τον μαθηματικό τύπο για τον υπολογισμό της πιθανής απώλειας εσόδων και, στη συνέχεια, το οπτικοποιούμε ως ένα άλλο γράφημα ντόνατ.

1. Στις Πρόσθεση μενού, επιλέξτε Προσθήκη υπολογιζόμενου πεδίου.

2. Ονομάστε το πεδίο Συνολικές χρεώσεις.
3. Εισαγάγετε τον τύπο {Day Charge}+{ Eve Charge}+{Intl Charge}+{Night Charge}.
4. Επιλέξτε Αποθήκευση.

5. Στις Πρόσθεση μενού, επιλέξτε Προσθέστε οπτικό.

6. Κάτω από Οπτικοί τύποι, επιλέξτε το εικονίδιο του γραφήματος ντόνατ.
7. Κάτω από Λίστα πεδίων, σύρετε Καρδάρα? προς την Ομάδα/Χρώμα.
8. αγαπητός Συνολικές χρεώσεις προς την αξία.
9. Στις αξία μενού, επιλέξτε Εμφάνιση ως Και επιλέξτε Νόμισμα.
10. Επιλέξτε το εικονίδιο με το μολύβι για να προσαρμόσετε άλλα οπτικά εφέ (αφαίρεση λεζάντα, προσθήκη τιμών, αλλαγή μεγέθους γραμματοσειράς).

Αυτή τη στιγμή, ο πίνακας ελέγχου μας έχει δύο απεικονίσεις.

Μπορούμε ήδη να παρατηρήσουμε ότι συνολικά θα μπορούσαμε να χάσουμε 18% (270) πελάτες, που ισοδυναμεί με 24% (6,280 $) σε έσοδα. Ας διερευνήσουμε περαιτέρω αναλύοντας πιθανή απώλεια εσόδων σε κρατικό επίπεδο.

Πιθανή απώλεια εσόδων κατά κράτος

Για να απεικονίσουμε πιθανή απώλεια εσόδων ανά πολιτεία, ας προσθέσουμε ένα οριζόντιο ραβδωτό γράφημα.

1. Στις Πρόσθεση μενού, επιλέξτε Προσθέστε οπτικό.

2. Κάτω από Οπτικοί τύποι¸ επιλέξτε το εικονίδιο του γραφήματος οριζόντιων ράβδων.
3. Κάτω από Λίστα πεδίων¸ σύρετε Καρδάρα? προς την Ομάδα/Χρώμα.
4. αγαπητός Συνολικές χρεώσεις προς την αξία.
5. Στις αξία μενού, επιλέξτε Εμφάνιση ως και Νόμισμα.
6. αγαπητός Στάδιο προς την Άξονας Υ.
7. Επιλέξτε το εικονίδιο με το μολύβι για να προσαρμόσετε άλλα οπτικά εφέ (αφαίρεση λεζάντα, προσθήκη τιμών, αλλαγή μεγέθους γραμματοσειράς).

8. Μπορούμε επίσης να ταξινομήσουμε τη νέα μας εικόνα επιλέγοντας Συνολικές χρεώσεις στο κάτω μέρος και επιλέγοντας Φθίνουσα.

Αυτή η εικόνα θα μπορούσε να μας βοηθήσει να καταλάβουμε ποια κατάσταση είναι η πιο σημαντική από την άποψη της εκστρατείας μάρκετινγκ. Για παράδειγμα, στη Χαβάη, θα μπορούσαμε ενδεχομένως να χάσουμε τα μισά έσοδά μας (253,000 $), ενώ στην Ουάσιγκτον, αυτή η αξία είναι μικρότερη από 10% (52,000 $). Μπορούμε επίσης να δούμε ότι στην Αριζόνα κινδυνεύουμε να χάσουμε σχεδόν κάθε πελάτη.

Λεπτομέρειες σχετικά με πελάτες που κινδυνεύουν να αναταράξουν

Ας φτιάξουμε έναν πίνακα με λεπτομέρειες σχετικά με πελάτες που κινδυνεύουν να αναταράξουν.

1. Στις Πρόσθεση μενού, επιλέξτε Προσθέστε οπτικό.

2. Κάτω από Οπτικοί τύποι, επιλέξτε το εικονίδιο του πίνακα.
3. Κάτω από Λίστες πεδίων, σύρετε Τηλέφωνο Επικοινωνίας, Κατάσταση, Διεθνές Σχέδιο, Σχέδιο Vmail, Καρδάρα?, να Διάρκεια λογαριασμού προς την Ομαδοποίηση από.
4. αγαπητός πιθανότητα προς την αξία.
5. Στις αξία μενού, επιλέξτε Εμφάνιση ως και Τοις εκατό.

Προσαρμόστε τον πίνακα ελέγχου σας

Το QuickSight προσφέρει πολλές επιλογές για την προσαρμογή του πίνακα εργαλείων σας, όπως οι παρακάτω.

1. Για να προσθέσετε ένα όνομα, στο Πρόσθεση μενού, επιλέξτε Προσθέστε τίτλο.

2. Εισαγάγετε έναν τίτλο (για αυτήν την ανάρτηση, μετονομάζουμε τον πίνακα ελέγχου μας Ανάλυση Churn).

3. Για να αλλάξετε το μέγεθος των γραφικών σας, επιλέξτε την κάτω δεξιά γωνία του γραφήματος και σύρετε στο επιθυμητό μέγεθος.
4. Για να μετακινήσετε μια απεικόνιση, επιλέξτε το επάνω κέντρο του γραφήματος και σύρετέ το σε μια νέα θέση.
5. Για να αλλάξετε το θέμα, επιλέξτε θέματα στο παράθυρο πλοήγησης.
6. Επιλέξτε το νέο σας θέμα (για παράδειγμα, Μεσάνυχτα) και επιλέξτε Εφαρμογή.

Δημοσιεύστε τον πίνακα ελέγχου σας

Ο πίνακας εργαλείων είναι ένα στιγμιότυπο μιας ανάλυσης μόνο για ανάγνωση που μπορείτε να μοιραστείτε με άλλους χρήστες του QuickSight για λόγους αναφοράς. Ο πίνακας εργαλείων σας διατηρεί τη διαμόρφωση της ανάλυσης τη στιγμή που τη δημοσιεύετε, συμπεριλαμβανομένων στοιχείων όπως το φιλτράρισμα, οι παράμετροι, τα στοιχεία ελέγχου και η σειρά ταξινόμησης. Τα δεδομένα που χρησιμοποιούνται για την ανάλυση δεν καταγράφονται ως μέρος του πίνακα εργαλείων. Όταν προβάλλετε τον πίνακα εργαλείων, αντικατοπτρίζει τα τρέχοντα δεδομένα στα σύνολα δεδομένων που χρησιμοποιούνται από την ανάλυση.

Για να δημοσιεύσετε τον πίνακα ελέγχου σας, ολοκληρώστε τα παρακάτω βήματα:

1. Στις Κοινοποίηση μενού, επιλέξτε Δημοσίευση πίνακα ελέγχου.

2. Εισαγάγετε ένα όνομα για τον πίνακα ελέγχου σας.
3. Επιλέξτε Δημοσίευση πίνακα ελέγχου.

Συγχαρητήρια, δημιουργήσατε επιτυχώς έναν πίνακα ελέγχου ανατροπής.

Ενημερώστε τον πίνακα ελέγχου σας με μια νέα πρόβλεψη

Καθώς το μοντέλο εξελίσσεται και δημιουργούμε νέα δεδομένα από την επιχείρηση, ίσως χρειαστεί να ενημερώσουμε αυτόν τον πίνακα ελέγχου με νέες πληροφορίες. Ολοκληρώστε τα παρακάτω βήματα:

1. Δημιουργήστε ένα νέο αρχείο churn-no-labels-updated.csv επιλέγοντας τυχαία άλλες 1,500 γραμμές από το αρχικό σύνολο δεδομένων churn.csv και αφαιρώντας το Churn? στήλη.

Χρησιμοποιούμε αυτό το νέο σύνολο δεδομένων για να δημιουργήσουμε νέες προβλέψεις.

2. Επαναλάβετε τα βήματα από το Χρησιμοποιήστε το μοντέλο απόκλισης πελατών ενότητα αυτής της ανάρτησης για να λάβετε προβλέψεις για το νέο σύνολο δεδομένων και να κάνετε λήψη του νέου αρχείου.
3. Στην κονσόλα QuickSight, επιλέξτε Δεδομένα στο παράθυρο πλοήγησης.
4. Επιλέξτε το σύνολο δεδομένων που δημιουργήσαμε.

5. Επιλέξτε Επεξεργασία συνόλου δεδομένων.

6. Στο αναπτυσσόμενο μενού, επιλέξτε Ενημέρωση αρχείου.

7. Επιλέξτε Ανέβασμα αρχείου.

8. Επιλέξτε το αρχείο που κατεβάσατε πρόσφατα με τις προβλέψεις.
9. Ελέγξτε την προεπισκόπηση και, στη συνέχεια, επιλέξτε Επιβεβαιώστε την ενημέρωση του αρχείου.

Αφού εμφανιστεί το μήνυμα "Το αρχείο ενημερώθηκε με επιτυχία", μπορούμε να δούμε ότι το όνομα του αρχείου έχει επίσης αλλάξει.

10. Επιλέξτε Αποθήκευση και δημοσίευση.

11. Όταν εμφανιστεί το μήνυμα "Αποθηκεύτηκε και δημοσιεύτηκε με επιτυχία", μπορείτε να επιστρέψετε στο κύριο μενού επιλέγοντας το λογότυπο QuickSight στην επάνω αριστερή γωνία.

12. Επιλέξτε Dashboards στο παράθυρο πλοήγησης και επιλέξτε τον πίνακα ελέγχου που δημιουργήσαμε πριν.

Θα πρέπει να δείτε τον πίνακα ελέγχου σας με τις ενημερωμένες τιμές.

Μόλις ενημερώσαμε τον πίνακα ελέγχου QuickSight με τις πιο πρόσφατες προβλέψεις από το Canvas.

εκκαθάριση

Για να αποφύγετε μελλοντικές χρεώσεις, αποσυνδεθείτε από το Canvas.

Συμπέρασμα

Σε αυτήν την ανάρτηση, χρησιμοποιήσαμε ένα μοντέλο ML από το Canvas για να προβλέψουμε τους πελάτες που κινδυνεύουν να παρασυρθούν και δημιουργήσαμε έναν πίνακα εργαλείων με διορατικές απεικονίσεις για να μας βοηθήσουν να λάβουμε επιχειρηματικές αποφάσεις βάσει δεδομένων. Το κάναμε χωρίς να γράψουμε ούτε μια γραμμή κώδικα χάρη στις φιλικές προς τον χρήστη διεπαφές και τις σαφείς απεικονίσεις. Αυτό δίνει τη δυνατότητα στους επιχειρησιακούς αναλυτές να είναι ευέλικτοι στη δημιουργία μοντέλων ML και να εκτελούν αναλύσεις και να εξάγουν πληροφορίες με πλήρη αυτονομία από τις ομάδες επιστήμης δεδομένων.

Για να μάθετε περισσότερα σχετικά με τη χρήση του Canvas, δείτε Δημιουργία, κοινή χρήση, ανάπτυξη: πώς οι επιχειρησιακοί αναλυτές και οι επιστήμονες δεδομένων επιτυγχάνουν ταχύτερο χρόνο για την αγορά χρησιμοποιώντας ML χωρίς κώδικα και το Amazon SageMaker Canvas. Για περισσότερες πληροφορίες σχετικά με τη δημιουργία μοντέλων ML με λύση χωρίς κώδικα, βλ Ανακοινώνουμε το Amazon SageMaker Canvas – μια οπτική ικανότητα εκμάθησης μηχανών χωρίς κώδικα για επιχειρησιακούς αναλυτές. Για να μάθετε περισσότερα σχετικά με τις πιο πρόσφατες δυνατότητες και τις βέλτιστες πρακτικές του QuickSight, ανατρέξτε Ιστολόγιο AWS Big Data.

---

Σχετικά με το Συγγραφέας

Αλεξάντρ Πατρούσεφ είναι AI/ML Specialist Solutions Architect στην AWS, με έδρα το Λουξεμβούργο. Είναι παθιασμένος με το cloud και τη μηχανική μάθηση και τον τρόπο με τον οποίο θα μπορούσαν να αλλάξουν τον κόσμο. Εκτός δουλειάς, του αρέσει η πεζοπορία, ο αθλητισμός και να περνά χρόνο με την οικογένειά του.

Davide Gallitelli είναι Ειδικός Αρχιτέκτονας Λύσεων για AI/ML στην περιοχή EMEA. Εδρεύει στις Βρυξέλλες και συνεργάζεται στενά με πελάτες σε όλη τη Μπενελούξ. Είναι προγραμματιστής από πολύ μικρός, ξεκινώντας να κωδικοποιεί σε ηλικία 7 ετών. Άρχισε να μαθαίνει AI/ML στο πανεπιστήμιο και από τότε το ερωτεύτηκε.