Lubage intelligentne otsuste tegemine Amazon SageMaker Canvase ja Amazon QuickSightiga

Iga ettevõte, olenemata selle suurusest, soovib pakkuda oma klientidele parimaid tooteid ja teenuseid. Selle saavutamiseks soovivad ettevõtted mõista valdkonna trende ja klientide käitumist ning optimeerida sisemisi protsesse ja andmeanalüüse rutiinselt. See on ettevõtte edu oluline komponent.

Analüütiku rolli väga silmapaistev osa hõlmab ärimõõdikute visualiseerimist (nt müügitulu) ja tulevaste sündmuste prognoosimist (nt nõudluse suurenemine), et teha andmepõhiseid äriotsuseid. Sellele esimesele väljakutsele lähenemiseks võite kasutada Amazon QuickSight, pilve mastaabis äriteabe (BI) teenus, mis annab lihtsalt arusaadava ülevaate ja annab otsustajatele võimaluse uurida ja tõlgendada teavet interaktiivses visuaalses keskkonnas. Teise ülesande jaoks saate kasutada Amazon SageMakeri lõuend, pilveteenus, mis laiendab juurdepääsu masinõppele (ML), pakkudes ärianalüütikutele visuaalset point-and-click liidest, mis võimaldab teil iseseisvalt luua täpseid ML ennustusi.

Neid mõõdikuid vaadates tuvastavad ärianalüütikud sageli klientide käitumismustreid, et teha kindlaks, kas ettevõte võib kliendist ilma jääda. Seda probleemi nimetatakse kliendipakkumine, ja ML-mudelitel on tõestatud kogemus selliste klientide suure täpsusega ennustamisel (näiteks vt. Elula AI-lahendused aitavad pankadel kliente paremini hoida).

ML-mudelite loomine võib olla keeruline protsess, kuna andmete ettevalmistamise ja ML-mudeli koolituse haldamiseks on vaja ekspertmeeskonda. Kuid Canvasega saate seda teha ilma eriteadmisteta ja null koodireaga. Lisateabe saamiseks vaadake Ennustage klientide vähenemist koodita masinõppega, kasutades Amazon SageMaker Canvas.

Selles postituses näitame teile, kuidas visualiseerida Canvasist genereeritud ennustusi QuickSighti armatuurlaual, võimaldades ML-i kaudu intelligentset otsustamist.

Ülevaade lahendusest

Postituses Ennustage klientide vähenemist koodita masinõppega, kasutades Amazon SageMaker Canvas, võtsime endale mobiiltelefonioperaatori turundusosakonna ärianalüütiku rolli ja lõime edukalt ML-mudeli, et tuvastada kliendid, kellel on potentsiaalselt katkemise oht. Tänu meie mudeli loodud ennustustele tahame nüüd analüüsida potentsiaalset finantstulemust, et teha andmepõhiseid äriotsuseid nende klientide ja piirkondade võimalike reklaamide kohta.

Arhitektuur, mis aitab meil seda saavutada, on näidatud järgmisel diagrammil.

Töövoo etapid on järgmised.

1. Laadige Canvasesse üles uus andmestik praeguse klientidega.
2. Käivitage partii ennustus ja laadige alla tulemused.
3. Visualisatsioonide loomiseks või värskendamiseks laadige failid QuickSighti üles.

Saate neid toiminguid teha rakenduses Canvas ilma ühtki koodirida kirjutamata. Toetatud andmeallikate täieliku loendi leiate aadressilt Andmete importimine Amazon SageMaker Canvasis.

Eeldused

Selle ülevaate jaoks veenduge, et järgmised eeltingimused on täidetud.

Kasutage kliendivahetuse mudelit

Pärast eeltingimuste täitmist peaks teil olema Canvas ajalooliste andmete põhjal koolitatud mudel, mis on valmis kasutamiseks uute kliendiandmetega, et ennustada klientide vähenemist, mida saate seejärel QuickSightis kasutada.

1. Loo uus fail churn-no-labels.csv valides algsest andmekogumist juhuslikult 1,500 rida churn.csv ja eemaldades Churn? kolonni.

Kasutame seda uut andmekogumit ennustuste loomiseks.

Lõpetame rakenduses Canvas järgmised sammud. Lõuendi saate avada rakenduse kaudu AWS-i juhtimiskonsoolvõi pilvadministraatori pakutava SSO-rakenduse kaudu. Kui te pole kindel, kuidas Canvasele juurde pääseda, vaadake jaotist Amazon SageMaker Canvase kasutamise alustamine.

2. Valige Canvas-konsoolil Andmekogumid navigeerimispaanil.
3. Vali Import.

4. Vali Täiendava ja vali churn-no-labels.csv loodud faili.
5. Vali Andmete importimine.

Andmete importimise protsessi aeg sõltub faili suurusest. Meie puhul peaks see olema umbes 10 sekundit. Kui see on valmis, näeme, et andmestik on sees Ready status.

6. Andmestiku esimese 100 rea eelvaate kuvamiseks valige suvandite menüü (kolm punkti) ja Eelvaade.

7. Vali Mudelid navigeerimispaanil, seejärel valige eeltingimuste osana loodud jaotusmudel.

8. Kohta Ennusta valige vahekaart Valige andmekogum.

9. Valige churn-no-labels.csv andmestik, seejärel valige Loo ennustusi.

Järeldusaeg sõltub mudeli keerukusest ja andmekogumi suurusest; meie puhul kulub selleks umbes 10 sekundit. Kui töö on lõpetatud, muudab see olekuks Valmis ja saame tulemused alla laadida.

10. Valige suvandite menüü (kolm punkti), Laeja Laadige alla kõik väärtused.

Soovi korral võime kiirelt vaadata tulemuste valimist Eelvaade. Esimesed kaks veergu on mudeli prognoosid.

Oleme oma mudelit edukalt kasutanud, et ennustada oma praeguse klientide arvu vähenemise riski. Nüüd oleme valmis oma prognooside põhjal ärimõõdikuid visualiseerima.

Importige andmed QuickSighti

Nagu me varem arutasime, nõuavad ärianalüütikud andmepõhiste äriotsuste tegemiseks prognooside visualiseerimist koos ärimõõdikutega. Selleks kasutame QuickSighti, mis annab lihtsalt arusaadava ülevaate ja annab otsustajatele võimaluse uurida ja tõlgendada teavet interaktiivses visuaalses keskkonnas. QuickSighti abil saame lihtsa pukseerimisliidese abil luua mõne sekundiga visualiseerimisi, nagu graafikud ja diagrammid. Selles postituses koostame mitu visualiseeringut, et paremini mõista äririske ja kuidas saaksime neid maandada, näiteks kus peaksime uusi turunduskampaaniaid käivitama.

Alustamiseks toimige järgmiselt.

1. Valige QuickSighti konsoolil Andmekogumid navigeerimispaanil.
2. Vali Uus andmestik.

QuickSight toetab paljusid andmeallikaid. Selles postituses kasutame lähteandmetena kohalikku faili, mille lõime varem Canvasis.

3. Vali Laadige üles fail.

4. Valige hiljuti allalaaditud fail koos ennustustega.

QuickSight laadib faili üles ja analüüsib.

5. Kontrollige, kas kõik on eelvaates ootuspärane, seejärel valige järgmine.

6. Vali Visualiseerima.

Andmed on nüüd edukalt imporditud ja oleme valmis neid analüüsima.

Looge armatuurlaud, kus on ennustuste ärimõõdikud

On aeg analüüsida oma andmeid ning luua selge ja hõlpsasti kasutatav armatuurlaud, mis koondab kogu andmepõhiste äriotsuste tegemiseks vajaliku teabe. Seda tüüpi armatuurlaud on ärianalüütikute arsenalis oluline tööriist.

Järgnev on näidisarmatuurlaud, mis aitab tuvastada klientide katkemise ohtu ja sellega toime tulla.

Sellel armatuurlaual visualiseerime mitmeid olulisi ärimõõdikuid.

• Tõenäoliselt rikuvad kliendid – Vasakpoolne sõõrikudiagramm näitab nende kasutajate arvu ja protsenti, kellel on üle 50% pragunemise oht. See diagramm aitab meil kiiresti mõista võimaliku probleemi suurust.
• Võimalik tulude kaotus – Ülemine keskmine sõõrikutabel näitab kasutajate tulude vähenemist, mille risk on suurem kui 50%. See diagramm aitab meil kiiresti aru saada, kui suur on kaotusest tuleneva tulu vähenemine. Diagramm näitab ka seda, et võime kaotada mitu keskmisest suuremat klienti, kuna potentsiaalsest saamata jäänud tulust on suurem protsent kasutajate arvust, kellel on oht kaotada.
• Võimalik tulude vähenemine osariigi lõikes – Üleval parempoolne horisontaalne tulpdiagramm näitab saamata jäänud tulu suurust võrreldes klientide tuludega, kellel ei ole ohtu kukkuda. See visuaal võib aidata meil mõista, milline olek on meie jaoks turunduskampaania vaatenurgast kõige olulisem.
• Üksikasjad klientide kohta, kellel on oht kukkuda - Alumine vasak tabel sisaldab üksikasju kõigi meie klientide kohta. See tabel võib olla abiks, kui tahame kiiresti vaadata mitme kliendi üksikasju, nii koos kui ka ilma kaotusriskita.

Tõenäoliselt rikuvad kliendid

Alustuseks koostame graafiku klientidega, kellel on oht, et nad võivad kokku kukkuda.

1. alla Väljade loend, Vali Kastma? atribuut.

QuickSight koostab automaatselt visualiseeringu.

Kuigi tulpdiagramm on andmete jaotuse mõistmiseks tavaline visualiseerimine, eelistame kasutada sõõriku diagrammi. Seda visuaali saame muuta, muutes selle omadusi.

2. Valige alt sõõrikudiagrammi ikoon Visuaalsed tüübid.
3. Valige praegune nimi (topeltklõps) ja muutke see uueks Tõenäoliselt rikuvad kliendid.

4. Muude visuaalsete efektide kohandamiseks (legendi eemaldamine, väärtuste lisamine, fondi suuruse muutmine) valige pliiatsiikoon ja tehke muudatused.

Nagu on näidatud järgmisel ekraanipildil, suurendasime sõõriku pindala ja lisasime siltidele lisateavet.

Võimalik tulude kaotus

Veel üks oluline mõõdik, mida klientide vähenemise ärimõju arvutamisel arvesse võtta, on võimalik tulude vähenemine. See on oluline mõõdik, sest see aitab meil mõista klientide mõju äritegevusele, keda ei ohusta mahajäämine. Näiteks telekomitööstuses võib meil olla palju mitteaktiivseid kliente, kellel on suur kadumise oht, kuid tulud puuduvad. See diagramm aitab meil mõista, kas oleme sellises olukorras või mitte. Selle mõõdiku armatuurlauale lisamiseks loome kohandatud arvutatud välja, esitades matemaatilise valemi potentsiaalse tulukaotuse arvutamiseks, seejärel visualiseerime selle teise sõõrikudiagrammina.

1. Kohta lisama menüüst valige Lisa arvutatud väli.

2. Nimetage väljale Tasud kokku.
3. Sisestage valem {Day Charge}+{Eve Charge}+{Intl Charge}+{Night Charge}.
4. Vali Säästa.

5. Kohta lisama menüüst valige Lisage visuaal.

6. alla Visuaalsed tüübid, valige sõõriku diagrammi ikoon.
7. alla Väljade loend, vedama Kastma? et Rühm/värv.
8. Lohista Tasud kokku et Väärtus.
9. Kohta Väärtus menüüst valige Näita kui Ja vali valuuta.
10. Valige pliiatsiikoon, et kohandada muid visuaalseid efekte (eemaldage legend, lisage väärtusi, muutke fondi suurust).

Praegu on meie armatuurlaual kaks visualiseerimist.

Juba praegu võime täheldada, et kokku võime kaotada 18% (270) kliente, mis võrdub 24% (6,280 $) tuluga. Uurime edasi, analüüsides võimalikku tulude vähenemist riigi tasandil.

Võimalik tulude vähenemine osariigi lõikes

Võimaliku tulukaotuse visualiseerimiseks osariikide kaupa lisame horisontaalse tulpdiagrammi.

1. Kohta lisama menüüst valige Lisage visuaal.

2. alla Visuaalsed tüübid¸ vali horisontaalse tulpdiagrammi ikoon.
3. alla Väljade loendvedama Kastma? et Rühm/värv.
4. Lohista Tasud kokku et Väärtus.
5. Kohta Väärtus menüüst valige Näita kui ja valuuta.
6. Lohista Stage et Y-telg.
7. Valige pliiatsiikoon, et kohandada muid visuaalseid efekte (eemaldage legend, lisage väärtusi, muutke fondi suurust).

8. Valides saame ka oma uut visuaali sorteerida Tasud kokku allosas ja valides Kahanev.

See visuaal võib aidata meil mõista, milline olek on turunduskampaania seisukohast kõige olulisem. Näiteks Hawaiil võime kaotada poole oma tulust (253,000 10 dollarit), samas kui Washingtonis on see väärtus alla 52,000% (XNUMX XNUMX dollarit). Samuti näeme, et Arizonas riskime kaotada peaaegu kõik kliendid.

Üksikasjad klientide kohta, kellel on oht kukkuda

Koostame tabeli üksikasjadega klientide kohta, kellel on oht kukkuda.

1. Kohta lisama menüüst valige Lisage visuaal.

2. alla Visuaalsed tüübid, valige tabeliikoon.
3. alla Väljade loendid, vedama TELEFON, riik, Rahvusvaheline plaan, Vmaili plaan, Kastma?ja Konto pikkus et Grupi poolt.
4. Lohista tõenäosus et Väärtus.
5. Kohta Väärtus menüüst valige Näita kui ja Protsent.

Kohandage oma armatuurlauda

QuickSight pakub armatuurlaua kohandamiseks mitut võimalust, näiteks järgmist.

1. Nime lisamiseks klõpsake lisama menüüst valige Lisage pealkiri.

2. Sisestage pealkiri (selle postituse jaoks nimetame oma armatuurlaua ümber Churn analüüs).

3. Visuaalide suuruse muutmiseks valige diagrammi parem alumine nurk ja lohistage soovitud suurusele.
4. Visuaali teisaldamiseks valige diagrammi ülemine keskosa ja lohistage see uude asukohta.
5. Teema muutmiseks valige Teemad navigeerimispaanil.
6. Valige oma uus teema (näiteks kesköö) ja valige kehtima.

Avaldage oma juhtpaneel

Armatuurlaud on kirjutuskaitstud analüüsi hetktõmmis, mida saate aruandluse eesmärgil teiste QuickSighti kasutajatega jagada. Teie armatuurlaud säilitab analüüsi konfiguratsiooni selle avaldamise ajal, sealhulgas selliseid asju nagu filtreerimine, parameetrid, juhtelemendid ja sortimisjärjekord. Analüüsiks kasutatud andmeid ei jäädvutata armatuurlaua osana. Kui vaatate armatuurlauda, ​​kajastab see analüüsis kasutatavate andmekogumite praeguseid andmeid.

Juhtpaneeli avaldamiseks toimige järgmiselt.

1. Kohta Jaga menüüst valige Avalda armatuurlaud.

2. Sisestage oma juhtpaneeli nimi.
3. Vali Avalda armatuurlaud.

Õnnitleme, olete edukalt loonud vestluse analüüsi armatuurlaua.

Värskendage oma armatuurlauda uue ennustusega

Kuna mudel areneb ja loome ettevõttest uusi andmeid, peame võib-olla värskendama seda armatuurlauda uue teabega. Tehke järgmised sammud.

1. Loo uus fail churn-no-labels-updated.csv valides algsest andmekogumist juhuslikult veel 1,500 rida churn.csv ja eemaldades Churn? kolonni.

Kasutame seda uut andmekogumit uute prognooside loomiseks.

2. Korrake samme alates Kasutage kliendivahetuse mudelit selle postituse jaotises, et saada ennustusi uue andmestiku kohta ja laadida alla uus fail.
3. Valige QuickSighti konsoolil Andmekogumid navigeerimispaanil.
4. Valige meie loodud andmestik.

5. Vali Andmestiku muutmine.

6. Valige rippmenüüst Värskenda faili.

7. Vali Faili üles laadima.

8. Valige hiljuti allalaaditud fail koos ennustustega.
9. Vaadake eelvaade üle ja seejärel valige Kinnitage faili värskendus.

Pärast teate "Faili värskendamine õnnestus" ilmumist näeme, et ka faili nimi on muutunud.

10. Vali Salvesta ja avalda.

11. Kui kuvatakse teade „Salvestatud ja avaldamine õnnestus”, saate naasta peamenüüsse, valides vasakpoolses ülanurgas QuickSighti logo.

12. Vali Verbi navigeerimispaanil ja valige armatuurlaud, mille oleme varem loonud.

Peaksite nägema oma armatuurlauda värskendatud väärtustega.

Värskendasime just oma QuickSighti armatuurlauda Canvase uusimate ennustustega.

Koristage

Edaspidiste tasude vältimiseks Logi Canvasist välja.

Järeldus

Selles postituses kasutasime Canvase ML-mudelit, et ennustada kliente, kellel on oht kukkuda, ja koostasime armatuurlaua koos põhjaliku visualiseerimisega, mis aitab meil teha andmepõhiseid äriotsuseid. Tänu kasutajasõbralikele liidestele ja selgetele visualiseeringutele tegime seda ilma ühtegi koodirida kirjutamata. See võimaldab ärianalüütikutel olla paindlikud ML-mudelite loomisel ning teha analüüse ja hankida teadmisi andmeteaduse meeskondadest täiesti sõltumatult.

Canvase kasutamise kohta lisateabe saamiseks vaadake Ehitamine, jagamine, juurutamine: kuidas ärianalüütikud ja andmeteadlased saavutavad koodita ML-i ja Amazon SageMaker Canvase abil kiiremini turule jõudmise aja. Lisateavet koodita lahendusega ML-mudelite loomise kohta vt Amazon SageMaker Canvase väljakuulutamine – visuaalne, koodita masinõppevõimalus ärianalüütikutele. QuickSighti uusimate funktsioonide ja parimate tavade kohta lisateabe saamiseks vt AWS Big Data ajaveeb.

---

Teave Autor

Aleksandr Patrušev on Luksemburgis asuva AWS-i AI/ML-i spetsialistilahenduste arhitekt. Ta suhtub kirglikult pilve- ja masinõppesse ning sellesse, kuidas need võivad maailma muuta. Väljaspool tööd meeldib talle matkata, sportida ja perega aega veeta.

Davide Gallitelli on tehisintellekti/ML-i spetsialiseerunud lahenduste arhitekt EMEA piirkonnas. Ta asub Brüsselis ja teeb tihedat koostööd klientidega üle kogu Beneluxi. Ta on olnud arendaja juba väga noorest peale, alustades kodeerimisega 7-aastaselt. Ta alustas AI/ML-i õppimist ülikoolis ja on sellest ajast peale sellesse armunud.