Η κατανόηση της συμπεριφοράς των πελατών είναι στο επίκεντρο κάθε επιχείρησης σήμερα. Η απόκτηση πληροφοριών σχετικά με το γιατί και το πώς αγοράζουν οι πελάτες μπορεί να συμβάλει στην αύξηση των εσόδων. Ωστόσο, η απώλεια πελατών (που ονομάζεται επίσης απόσπαση πελατών) είναι πάντα ένας κίνδυνος και οι γνώσεις σχετικά με το γιατί φεύγουν οι πελάτες μπορεί να είναι εξίσου σημαντικές για τη διατήρηση των εσόδων και των κερδών. Η μηχανική μάθηση (ML) μπορεί να βοηθήσει με τις πληροφορίες, αλλά μέχρι τώρα χρειαζόσασταν ειδικοί ML για τη δημιουργία μοντέλων για την πρόβλεψη της εκτροπής, η έλλειψη των οποίων θα μπορούσε να καθυστερήσει τις ενέργειες που βασίζονται σε πληροφορίες από τις επιχειρήσεις για τη διατήρηση πελατών.
Σε αυτήν την ανάρτηση, σας δείχνουμε πώς οι επιχειρησιακοί αναλυτές μπορούν να δημιουργήσουν ένα μοντέλο ML εκτροπής πελατών Καμβάς Amazon SageMaker, δεν απαιτείται κωδικός. Το Canvas παρέχει στους επιχειρηματικούς αναλυτές μια οπτική διεπαφή point-and-click που σας επιτρέπει να δημιουργείτε μοντέλα και να δημιουργείτε ακριβείς προβλέψεις ML μόνοι σας—χωρίς να απαιτείται εμπειρία ML ή να χρειάζεται να γράψετε ούτε μία γραμμή κώδικα.
Επισκόπηση της λύσης
Για αυτήν τη θέση, αναλαμβάνουμε το ρόλο ενός αναλυτή μάρκετινγκ στο τμήμα μάρκετινγκ μιας εταιρείας κινητής τηλεφωνίας. Μας έχει επιφορτιστεί να εντοπίσουμε πελάτες που κινδυνεύουν να ανατραπούν. Έχουμε πρόσβαση στη χρήση της υπηρεσίας και σε άλλα δεδομένα συμπεριφοράς πελατών και θέλουμε να γνωρίζουμε εάν αυτά τα δεδομένα μπορούν να εξηγήσουν γιατί ένας πελάτης θα έφευγε. Εάν μπορούμε να προσδιορίσουμε τους παράγοντες που εξηγούν την ανατροπή, τότε μπορούμε να λάβουμε διορθωτικές ενέργειες για να αλλάξουμε την προβλεπόμενη συμπεριφορά, όπως η εκτέλεση στοχευμένων καμπανιών διατήρησης.
Για να το κάνουμε αυτό, χρησιμοποιούμε τα δεδομένα που έχουμε σε ένα αρχείο CSV, το οποίο περιέχει πληροφορίες σχετικά με τη χρήση και την απόκλιση από τους πελάτες. Χρησιμοποιούμε το Canvas για να εκτελέσουμε τα ακόλουθα βήματα:
- Εισαγάγετε το σύνολο δεδομένων απόκλισης από Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3).
- Εκπαιδεύστε και κατασκευάστε το μοντέλο ανάδευσης.
- Αναλύστε τα αποτελέσματα του μοντέλου.
- Δοκιμές προβλέψεων έναντι του μοντέλου.
Για το σύνολο δεδομένων μας, χρησιμοποιούμε α συνθετικό σύνολο δεδομένων από τηλεπικοινωνιακό φορέα κινητής τηλεφωνίας. Αυτό το δείγμα δεδομένων περιέχει 5,000 εγγραφές, όπου κάθε εγγραφή χρησιμοποιεί 21 χαρακτηριστικά για να περιγράψει το προφίλ πελάτη. Τα χαρακτηριστικά είναι τα εξής:
- Κατάσταση – Η πολιτεία των ΗΠΑ στην οποία διαμένει ο πελάτης, υποδεικνύεται με συντομογραφία δύο γραμμάτων· για παράδειγμα, OH ή NJ
- Διάρκεια λογαριασμού - Ο αριθμός των ημερών που αυτός ο λογαριασμός ήταν ενεργός
- Κωδικός περιοχής – Ο τριψήφιος κωδικός περιοχής του αριθμού τηλεφώνου του πελάτη
- Τηλέφωνο Επικοινωνίας – Ο υπόλοιπος επταψήφιος αριθμός τηλεφώνου
- Διεθνές Σχέδιο – Εάν ο πελάτης έχει πρόγραμμα διεθνών κλήσεων (ναι/όχι)
- Σχέδιο VMail – Εάν ο πελάτης διαθέτει δυνατότητα φωνητικού ταχυδρομείου (ναι/όχι)
- Μήνυμα VMail - Ο μέσος αριθμός μηνυμάτων φωνητικού ταχυδρομείου ανά μήνα
- Ημέρα Mins – Ο συνολικός αριθμός λεπτών κλήσης που χρησιμοποιήθηκαν κατά τη διάρκεια της ημέρας
- Ημερήσιες κλήσεις – Ο συνολικός αριθμός κλήσεων που πραγματοποιήθηκαν κατά τη διάρκεια της ημέρας
- Χρέωση ημέρας – Το κόστος των ημερήσιων κλήσεων
- Eve Mins, Η Εύα καλεί, Eve Charge – Το τιμολογημένο κόστος για βραδινές κλήσεις
- Νυχτερινά λεπτά, Νυχτερινές κλήσεις, Νυχτερινή Φόρτιση – Το τιμολογημένο κόστος για νυχτερινές κλήσεις
- Intl Mins, Διεθνείς Κλήσεις, Διεθνής Χρέωση - Το τιμολογημένο κόστος για διεθνείς κλήσεις
- Κλήσεις CustServ - Ο αριθμός των κλήσεων που πραγματοποιούνται στην εξυπηρέτηση πελατών
- Καρδάρα? – Εάν ο πελάτης εγκατέλειψε την υπηρεσία (αληθές/λάθος)
Το τελευταίο χαρακτηριστικό, Churn?
, είναι το χαρακτηριστικό που θέλουμε να προβλέψει το μοντέλο ML. Το χαρακτηριστικό στόχος είναι δυαδικό, που σημαίνει ότι το μοντέλο μας προβλέπει την έξοδο ως μία από τις δύο κατηγορίες (True
or False
).
Προϋποθέσεις
Ένας διαχειριστής cloud με ένα Λογαριασμός AWS με τις κατάλληλες άδειες απαιτείται να συμπληρωθούν οι ακόλουθες προϋποθέσεις:
- Αναπτύξτε ένα Amazon Sage Maker Για οδηγίες, δείτε Ενσωματωμένος στον τομέα Amazon SageMaker.
- Ανάπτυξη καμβά. Για οδηγίες, βλ Ρύθμιση και διαχείριση του Amazon SageMaker Canvas (για διαχειριστές IT).
- Διαμορφώστε τις πολιτικές κοινής χρήσης πόρων μεταξύ προέλευσης (CORS) για το Canvas. Για οδηγίες, βλ Δώστε στους χρήστες σας τη δυνατότητα να ανεβάζουν τοπικά αρχεία.
Δημιουργήστε ένα μοντέλο churn πελάτη
Αρχικά, ας κατεβάσουμε το ανατροπή δεδομένων και ελέγξτε το αρχείο για να βεβαιωθείτε ότι υπάρχουν όλα τα δεδομένα. Στη συνέχεια, ολοκληρώστε τα παρακάτω βήματα:
- Συνδεθείτε στο Κονσόλα διαχείρισης AWS, χρησιμοποιώντας έναν λογαριασμό με τα κατάλληλα δικαιώματα για πρόσβαση στο Canvas.
- Συνδεθείτε στην κονσόλα Canvas.
Εδώ μπορούμε να διαχειριστούμε τα σύνολα δεδομένων μας και να δημιουργήσουμε μοντέλα.
- Επιλέξτε εισαγωγή.
- Επιλέξτε Μεταφόρτωση Και επιλέξτε το
churn.csv
αρχείο. - Επιλέξτε Εισαγωγή δεδομένων για να το ανεβάσετε στο Canvas.
Η διαδικασία εισαγωγής διαρκεί περίπου 10 δευτερόλεπτα (αυτό μπορεί να διαφέρει ανάλογα με το μέγεθος δεδομένων). Όταν ολοκληρωθεί, μπορούμε να δούμε ότι το σύνολο δεδομένων είναι μέσα Ready
κατάστασης.
- Για να κάνετε προεπισκόπηση των πρώτων 100 σειρών του συνόλου δεδομένων, τοποθετήστε το δείκτη του ποντικιού πάνω από το εικονίδιο του ματιού.
Εμφανίζεται μια προεπισκόπηση του συνόλου δεδομένων. Εδώ μπορούμε να επαληθεύσουμε ότι τα δεδομένα μας είναι σωστά.
Αφού επιβεβαιώσουμε ότι το εισαγόμενο σύνολο δεδομένων είναι έτοιμο, δημιουργούμε το μοντέλο μας.
- Επιλέξτε νέο μοντέλο.
- Επιλέξτε το σύνολο δεδομένων churn.csv και επιλέξτε Επιλέξτε σύνολο δεδομένων.
Τώρα διαμορφώνουμε τη διαδικασία κατασκευής μοντέλου.
- Για Στήλες στόχου, επιλέξτε το
Churn?
στήλη.
Για Τύπος μοντέλου, το Canvas συνιστά αυτόματα τον τύπο μοντέλου, σε αυτήν την περίπτωση Πρόβλεψη κατηγορίας 2 (αυτό που ένας επιστήμονας δεδομένων θα ονόμαζε δυαδική ταξινόμηση). Αυτό είναι κατάλληλο για την περίπτωση χρήσης μας επειδή έχουμε μόνο δύο πιθανές τιμές πρόβλεψης: True
or False
, οπότε ακολουθούμε τη σύσταση που έκανε ο Καμβάς.
Τώρα επικυρώνουμε κάποιες υποθέσεις. Θέλουμε να έχουμε μια γρήγορη εικόνα για το εάν η στήλη-στόχος μας μπορεί να προβλεφθεί από τις άλλες στήλες. Μπορούμε να έχουμε μια γρήγορη προβολή της εκτιμώμενης ακρίβειας του μοντέλου και του αντίκτυπου της στήλης (η εκτιμώμενη σημασία κάθε στήλης για την πρόβλεψη της στήλης στόχου).
- Επιλέξτε και τις 21 στήλες και επιλέξτε Προεπισκόπηση μοντέλου.
Αυτή η δυνατότητα χρησιμοποιεί ένα υποσύνολο του συνόλου δεδομένων μας και μόνο ένα πέρασμα στη μοντελοποίηση. Για την περίπτωση χρήσης μας, η κατασκευή του μοντέλου προεπισκόπησης διαρκεί περίπου 2 λεπτά.
Όπως φαίνεται στο παρακάτω στιγμιότυπο οθόνης, το Phone
και State
Οι στήλες έχουν πολύ μικρότερο αντίκτυπο στην πρόβλεψή μας. Θέλουμε να είμαστε προσεκτικοί κατά την κατάργηση της εισαγωγής κειμένου, επειδή μπορεί να περιέχει σημαντικά διακριτά, κατηγορηματικά χαρακτηριστικά που συμβάλλουν στην πρόβλεψή μας. Εδώ, ο αριθμός τηλεφώνου είναι απλώς το ισοδύναμο ενός αριθμού λογαριασμού—δεν έχει αξία για την πρόβλεψη της πιθανότητας διακοπής άλλων λογαριασμών και η κατάσταση του πελάτη δεν επηρεάζει ιδιαίτερα το μοντέλο μας.
- Καταργούμε αυτές τις στήλες επειδή δεν έχουν σημαντική σημασία χαρακτηριστικών.
- Αφού αφαιρέσουμε το
Phone
καιState
στήλες, ας εκτελέσουμε ξανά την προεπισκόπηση.
Όπως φαίνεται στο παρακάτω στιγμιότυπο οθόνης, η ακρίβεια του μοντέλου αυξήθηκε κατά 0.1%. Το μοντέλο προεπισκόπησης έχει εκτιμώμενη ακρίβεια 95.9% και οι στήλες με τον μεγαλύτερο αντίκτυπο είναι Night Calls
, Eve Mins
, να Night Charge
. Αυτό μας δίνει μια εικόνα για το ποιες στήλες επηρεάζουν περισσότερο την απόδοση του μοντέλου μας. Εδώ πρέπει να είμαστε προσεκτικοί όταν κάνουμε επιλογή χαρακτηριστικών, γιατί αν ένα μεμονωμένο χαρακτηριστικό έχει εξαιρετικά αντίκτυπο στο αποτέλεσμα ενός μοντέλου, είναι πρωταρχικός δείκτης στόχος διαρροής, και η δυνατότητα δεν θα είναι διαθέσιμη τη στιγμή της πρόβλεψης. Σε αυτήν την περίπτωση, λίγες στήλες έδειξαν πολύ παρόμοια επίδραση, επομένως συνεχίζουμε να χτίζουμε το μοντέλο μας.
Το Canvas προσφέρει δύο επιλογές κατασκευής:
- Τυπική κατασκευή – Δημιουργεί το καλύτερο μοντέλο από μια βελτιστοποιημένη διαδικασία που υποστηρίζεται από AutoML; η ταχύτητα ανταλλάσσεται με τη μεγαλύτερη ακρίβεια
- Γρήγορη κατασκευή – Κατασκευάζει ένα μοντέλο σε ένα κλάσμα του χρόνου σε σύγκριση με μια τυπική κατασκευή. η πιθανή ακρίβεια ανταλλάσσεται με την ταχύτητα.
- Για αυτήν την ανάρτηση, επιλέγουμε το Τυπική κατασκευή επιλογή γιατί θέλουμε να έχουμε το καλύτερο μοντέλο και είμαστε πρόθυμοι να αφιερώσουμε επιπλέον χρόνο περιμένοντας το αποτέλεσμα.
Η διαδικασία κατασκευής μπορεί να διαρκέσει 2-4 ώρες. Κατά τη διάρκεια αυτής της περιόδου, η Canvas δοκιμάζει εκατοντάδες υποψήφιους αγωγούς, επιλέγοντας το καλύτερο μοντέλο για να μας παρουσιάσει. Στο παρακάτω στιγμιότυπο οθόνης, μπορούμε να δούμε τον αναμενόμενο χρόνο κατασκευής και την πρόοδο.
Αξιολογήστε την απόδοση του μοντέλου
Όταν ολοκληρωθεί η διαδικασία κατασκευής του μοντέλου, το μοντέλο προέβλεψε την ανατροπή στο 97.9% των περιπτώσεων. Αυτό φαίνεται εντάξει, αλλά ως αναλυτές θέλουμε να βουτήξουμε βαθύτερα και να δούμε αν μπορούμε να εμπιστευτούμε το μοντέλο για τη λήψη αποφάσεων με βάση αυτό. Στο Βαθμολόγηση καρτέλα, μπορούμε να ελέγξουμε μια οπτική γραφική παράσταση των προβλέψεών μας που αντιστοιχίζονται στα αποτελέσματά τους. Αυτό μας επιτρέπει μια βαθύτερη εικόνα του μοντέλου μας.
Ο καμβάς διαχωρίζει το σύνολο δεδομένων σε σετ εκπαίδευσης και δοκιμών. Το σύνολο δεδομένων εκπαίδευσης είναι τα δεδομένα που χρησιμοποιεί ο Canvas για τη δημιουργία του μοντέλου. Το σύνολο δοκιμής χρησιμοποιείται για να διαπιστωθεί εάν το μοντέλο αποδίδει καλά με νέα δεδομένα. Το διάγραμμα Sankey στο παρακάτω στιγμιότυπο οθόνης δείχνει την απόδοση του μοντέλου στο δοκιμαστικό σετ. Για να μάθετε περισσότερα, ανατρέξτε στο Αξιολόγηση της απόδοσης του μοντέλου σας στον καμβά Amazon SageMaker.
Για να λάβετε πιο λεπτομερείς πληροφορίες πέρα από αυτό που εμφανίζεται στο διάγραμμα Sankey, οι επιχειρηματικοί αναλυτές μπορούν να χρησιμοποιήσουν ένα μήτρα σύγχυσης ανάλυση για τις επιχειρηματικές τους λύσεις. Για παράδειγμα, θέλουμε να κατανοήσουμε καλύτερα την πιθανότητα το μοντέλο να κάνει ψευδείς προβλέψεις. Μπορούμε να το δούμε αυτό στο διάγραμμα Sankey, αλλά θέλουμε περισσότερες πληροφορίες, γι' αυτό επιλέγουμε Σύνθετες μετρήσεις. Μας παρουσιάζεται ένας πίνακας σύγχυσης, ο οποίος εμφανίζει την απόδοση ενός μοντέλου σε οπτική μορφή με τις ακόλουθες τιμές, ειδικά για τη θετική κατηγορία—μετράμε με βάση το αν στην πραγματικότητα θα ανακληθούν, οπότε η θετική μας κατηγορία είναι True
σε αυτό το παράδειγμα:
- Αληθινό θετικό (TP) - Ο αριθμός των
True
αποτελέσματα που είχαν προβλεφθεί σωστά ωςTrue
- Αληθινό αρνητικό (TN) - Ο αριθμός των
False
αποτελέσματα που είχαν προβλεφθεί σωστά ωςFalse
- Ψευδώς θετικά (FP) - Ο αριθμός των
False
αποτελέσματα που λανθασμένα είχαν προβλεφθεί ωςTrue
- False Negative (FN) - Ο αριθμός των
True
αποτελέσματα που λανθασμένα είχαν προβλεφθεί ωςFalse
Μπορούμε να χρησιμοποιήσουμε αυτό το γράφημα μήτρας για να προσδιορίσουμε όχι μόνο πόσο ακριβές είναι το μοντέλο μας, αλλά και πότε είναι λάθος, πόσο συχνά μπορεί να είναι και πόσο λάθος.
Οι προηγμένες μετρήσεις φαίνονται καλές. Μπορούμε να εμπιστευτούμε το αποτέλεσμα του μοντέλου. Βλέπουμε πολύ χαμηλά ψευδώς θετικά και ψευδώς αρνητικά. Αυτά είναι εάν το μοντέλο πιστεύει ότι ένας πελάτης στο σύνολο δεδομένων θα ανακληθεί και στην πραγματικότητα δεν το κάνει (ψευδώς θετικό), ή εάν το μοντέλο πιστεύει ότι ο πελάτης θα ανακληθεί και πραγματικά κάνει (ψευδώς αρνητικό). Οι υψηλοί αριθμοί για το καθένα μπορεί να μας κάνουν να σκεφτούμε περισσότερο εάν μπορούμε να χρησιμοποιήσουμε το μοντέλο για να λάβουμε αποφάσεις.
Ας επιστρέψουμε στο Επισκόπηση καρτέλα, για να ελέγξετε τον αντίκτυπο κάθε στήλης. Αυτές οι πληροφορίες μπορούν να βοηθήσουν την ομάδα μάρκετινγκ να αποκτήσει γνώσεις που οδηγούν στη λήψη μέτρων για τη μείωση της εκτροπής πελατών. Για παράδειγμα, μπορούμε να δούμε τόσο χαμηλό όσο και υψηλό CustServ Calls
αυξάνουν την πιθανότητα ανατροπής. Η ομάδα μάρκετινγκ μπορεί να λάβει μέτρα για να αποτρέψει την εκτροπή των πελατών βάσει αυτών των μαθημάτων. Τα παραδείγματα περιλαμβάνουν τη δημιουργία λεπτομερών Συχνών Ερωτήσεων σε ιστότοπους για τη μείωση των κλήσεων εξυπηρέτησης πελατών και την εκτέλεση εκπαιδευτικών καμπανιών με πελάτες στις Συχνές ερωτήσεις που μπορούν να διατηρήσουν την αφοσίωση.
Το μοντέλο μας φαίνεται αρκετά ακριβές. Μπορούμε να εκτελέσουμε απευθείας μια διαδραστική πρόβλεψη στο Προλέγω καρτέλα, είτε ομαδική είτε μεμονωμένη (σε πραγματικό χρόνο) πρόβλεψη. Σε αυτό το παράδειγμα, κάναμε μερικές αλλαγές σε ορισμένες τιμές στηλών και πραγματοποιήσαμε μια πρόβλεψη σε πραγματικό χρόνο. Ο καμβάς μας δείχνει το αποτέλεσμα πρόβλεψης μαζί με το επίπεδο εμπιστοσύνης.
Ας υποθέσουμε ότι έχουμε έναν υπάρχοντα πελάτη που έχει την ακόλουθη χρήση: Night Mins
είναι 40 και Eve Mins
είναι 40. Μπορούμε να εκτελέσουμε μια πρόβλεψη και το μοντέλο μας επιστρέφει βαθμολογία εμπιστοσύνης 93.2% που θα ανατρέψει αυτός ο πελάτης (True
). Μπορεί τώρα να επιλέξουμε να παρέχουμε εκπτώσεις προώθησης για να διατηρήσουμε αυτόν τον πελάτη.
Ας υποθέσουμε ότι έχουμε έναν υπάρχοντα πελάτη που έχει την ακόλουθη χρήση: Night Mins
είναι 40 και Eve Mins
είναι 40. Μπορούμε να εκτελέσουμε μια πρόβλεψη και το μοντέλο μας επιστρέφει βαθμολογία εμπιστοσύνης 93.2% που θα ανατρέψει αυτός ο πελάτης (True
). Μπορεί τώρα να επιλέξουμε να παρέχουμε εκπτώσεις προώθησης για να διατηρήσουμε αυτόν τον πελάτη.
Η εκτέλεση μιας πρόβλεψης είναι εξαιρετική για μεμονωμένη ανάλυση what-if, αλλά πρέπει επίσης να εκτελούμε προβλέψεις σε πολλές εγγραφές ταυτόχρονα. Ο καμβάς μπορεί εκτέλεση προβλέψεων παρτίδας, το οποίο σας επιτρέπει να εκτελείτε προβλέψεις σε κλίμακα.
Συμπέρασμα
Σε αυτήν την ανάρτηση, δείξαμε πώς ένας επιχειρησιακός αναλυτής μπορεί να δημιουργήσει ένα μοντέλο απόσπασης πελατών με το SageMaker Canvas χρησιμοποιώντας δείγματα δεδομένων. Το Canvas επιτρέπει στους αναλυτές της επιχείρησής σας να δημιουργούν ακριβή μοντέλα ML και να δημιουργούν προβλέψεις χρησιμοποιώντας μια διεπαφή χωρίς κώδικα, οπτική, σημείο και κλικ. Ένας αναλυτής μάρκετινγκ μπορεί τώρα να χρησιμοποιήσει αυτές τις πληροφορίες για να εκτελέσει στοχευμένες καμπάνιες διατήρησης και να δοκιμάσει γρηγορότερα νέες στρατηγικές καμπάνιας, οδηγώντας σε μείωση της απόρριψης πελατών.
Οι αναλυτές μπορούν να το ανεβάσουν στο επόμενο επίπεδο μοιράζοντας τα μοντέλα τους με συναδέλφους επιστήμονες δεδομένων. Οι επιστήμονες δεδομένων μπορούν να δουν το μοντέλο Canvas Στούντιο Amazon SageMaker, όπου μπορούν να εξερευνήσουν τις επιλογές που έκανε το Canvas AutoML, να επικυρώσουν τα αποτελέσματα του μοντέλου και ακόμη και να δημιουργήσουν το μοντέλο με μερικά κλικ. Αυτό μπορεί να επιταχύνει τη δημιουργία αξίας με βάση το ML και να βοηθήσει στην ταχύτερη κλίμακα βελτιωμένων αποτελεσμάτων.
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.
Σχετικά με το Συγγραφέας
Χένρι Ρομπαλίνο είναι αρχιτέκτονας λύσεων στο AWS, με έδρα το NJ. Είναι παθιασμένος με το cloud και τη μηχανική μάθηση και τον ρόλο που μπορούν να παίξουν στην κοινωνία. Αυτό το πετυχαίνει συνεργαζόμενος με πελάτες για να τους βοηθήσει να επιτύχουν τους επιχειρηματικούς τους στόχους χρησιμοποιώντας το AWS Cloud. Εκτός δουλειάς, μπορείς να βρεις τον Henry να ταξιδεύει ή να εξερευνά την ύπαιθρο με την γούνα κόρη του Arly.
Chaoran Wang είναι αρχιτέκτονας λύσεων στην AWS, με έδρα το Ντάλας του Τέξας. Εργάζεται στο AWS από τότε που αποφοίτησε από το Πανεπιστήμιο του Τέξας στο Ντάλας το 2016 με μεταπτυχιακό στην Επιστήμη Υπολογιστών. Το Chaoran βοηθά τους πελάτες να δημιουργήσουν επεκτάσιμες, ασφαλείς και οικονομικά αποδοτικές εφαρμογές και να βρουν λύσεις για να λύσουν τις επιχειρηματικές τους προκλήσεις στο AWS Cloud. Εκτός δουλειάς, ο Chaoran λατρεύει να περνά χρόνο με την οικογένειά του και δύο σκυλιά, τον Biubiu και την Coco.
- Coinsmart. Το καλύτερο ανταλλακτήριο Bitcoin και Crypto στην Ευρώπη.
- Platoblockchain. Web3 Metaverse Intelligence. Ενισχύθηκε η γνώση. ΕΛΕΥΘΕΡΗ ΠΡΟΣΒΑΣΗ.
- CryptoHawk. Ραντάρ Altcoin. Δωρεάν δοκιμή.
- Πηγή: 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
- Σχετικά
- επιταχύνουν
- πρόσβαση
- Λογαριασμός
- ακριβής
- ενεργειών
- Πρόσθετος
- διαχειριστής
- διαχειριστές
- προηγμένες
- Όλα
- Amazon
- ανάλυση
- αναλυτής
- εφαρμογές
- κατάλληλος
- περίπου
- ΠΕΡΙΟΧΗ
- γνωρίσματα
- διαθέσιμος
- μέσος
- AWS
- ΚΑΛΎΤΕΡΟΣ
- Πέρα
- Μεγαλύτερη
- σύνορο
- χτίζω
- Κτίριο
- Χτίζει
- επιχείρηση
- επιχειρήσεις
- αγορά
- κλήση
- Εκστρατεία
- Καμπάνιες
- Μπορεί να πάρει
- υποψήφιος
- καμβάς
- κατηγορία
- ορισμένες
- προκλήσεις
- αλλαγή
- χρέωση
- επιλογές
- Επιλέξτε
- τάξη
- ταξινόμηση
- Backup
- κωδικός
- συναδέλφους
- Στήλη
- σύγκριση
- υπολογιστή
- Πληροφορική
- εμπιστοσύνη
- σύγχυση
- πρόξενος
- Περιέχει
- ΣΥΝΕΧΕΙΑ
- αποδοτική
- θα μπορούσε να
- δημιουργία
- δημιουργία
- δημιουργία
- πελάτης
- Εξυπηρέτηση πελατών
- Πελάτες
- Ντάλας
- ημερομηνία
- επιστήμονας δεδομένων
- βαθύτερη
- delay
- Σε συνάρτηση
- παρατάσσω
- λεπτομερής
- Προσδιορίστε
- κατευθείαν
- οθόνες
- Όχι
- Εκπαίδευση
- δέσμευση
- Μηχανική
- αναμενόμενη
- παράδειγμα
- υφιστάμενα
- αναμένεται
- εμπειρία
- εμπειρογνώμονες
- διερευνήσει
- μάτι
- παράγοντες
- οικογένεια
- FAQ
- FAST
- γρηγορότερα
- Χαρακτηριστικό
- Χαρακτηριστικά
- τέλος
- Όνομα
- Εξής
- μορφή
- παράγουν
- Στόχοι
- καλός
- εξαιρετική
- μεγαλύτερη
- Grow
- που έχει
- βοήθεια
- βοηθά
- εδώ
- Ψηλά
- Πως
- HTTPS
- Εκατοντάδες
- ICON
- προσδιορίσει
- προσδιορισμό
- Επίπτωση
- επιπτώσεις
- σπουδαιότητα
- σημαντικό
- βελτιωθεί
- περιλαμβάνουν
- Αυξάνουν
- αυξημένη
- ατομικές
- πληροφορίες
- εισαγωγή
- ιδέες
- διαδραστικό
- περιβάλλον λειτουργίας
- International
- IT
- οδηγήσει
- που οδηγεί
- ΜΑΘΑΊΝΩ
- μάθηση
- Άδεια
- Επίπεδο
- γραμμή
- τοπικός
- μηχανή
- μάθηση μηχανής
- που
- μεγάλες
- Κατασκευή
- διαχείριση
- διαχείριση
- διαχείριση
- Μάρκετινγκ
- κύριοι
- Μήτρα
- νόημα
- Metrics
- νου
- ML
- Κινητό
- κινητό τηλέφωνο
- μοντέλο
- μοντέλα
- περισσότερο
- πλέον
- αρνητικός
- αριθμός
- αριθμοί
- προσφορές
- βελτιστοποιημένη
- Επιλογή
- Επιλογές
- ΑΛΛΑ
- ύπαιθρο
- παθιασμένος
- επίδοση
- Δοκιμάστε να παίξετε
- Πολιτικές
- θετικός
- δυνατός
- δυναμικού
- προβλέψει
- πρόβλεψη
- Προβλέψεις
- παρόν
- αρκετά
- Προβολή
- πρωταρχικός
- διαδικασια μας
- Προφίλ ⬇️
- κέρδη
- προαγωγή
- διαφημιστικές λύσεις
- παρέχουν
- παρέχει
- Γρήγορα
- σε πραγματικό χρόνο
- συνιστά
- ρεκόρ
- αρχεία
- μείωση
- υπόλοιπα
- αφαίρεση
- απαιτείται
- πόρος
- Αποτελέσματα
- Επιστροφές
- έσοδα
- ανασκόπηση
- Κίνδυνος
- τρέξιμο
- τρέξιμο
- επεκτάσιμη
- Κλίμακα
- Επιστήμη
- Επιστήμονας
- επιστήμονες
- δευτερόλεπτα
- προστατευμένο περιβάλλον
- υπηρεσία
- σειρά
- Κοινοποίηση
- μοιράζονται
- παρόμοιες
- Απλούς
- Μέγεθος
- So
- Κοινωνία
- στέρεο
- λύση
- Λύσεις
- SOLVE
- μερικοί
- ταχύτητα
- δαπανήσει
- Δαπάνες
- πρότυπο
- Κατάσταση
- Κατάσταση
- χώρος στο δίσκο
- στρατηγικές
- λήψη
- στόχος
- τηλεπικοινωνιών
- δοκιμή
- δοκιμές
- Τέξας
- ώρα
- σήμερα
- κορυφή
- Εκπαίδευση
- Ταξίδια
- Εμπιστευθείτε
- TX
- καταλαβαίνω
- πανεπιστήμιο
- us
- χρήση
- Χρήστες
- αξία
- επαληθεύει
- Δες
- Φωνή
- ιστοσελίδες
- Τι
- Τι είναι
- αν
- Ο ΟΠΟΊΟΣ
- Wikipedia
- Εργασία
- εργαζόμενος
- θα