تصمیم گیری هوشمند را با Amazon SageMaker Canvas و Amazon QuickSight فعال کنید

هر شرکتی، صرف نظر از اندازه خود، می خواهد بهترین محصولات و خدمات را به مشتریان خود ارائه دهد. برای دستیابی به این هدف، شرکت ها می خواهند روند صنعت و رفتار مشتری را درک کنند و فرآیندهای داخلی و تجزیه و تحلیل داده ها را به طور معمول بهینه کنند. این یک مؤلفه مهم موفقیت یک شرکت است.

بخش بسیار برجسته ای از نقش تحلیلگر شامل تجسم معیارهای تجاری (مانند درآمد فروش) و پیش بینی رویدادهای آینده (مانند افزایش تقاضا) برای اتخاذ تصمیمات تجاری مبتنی بر داده است. برای نزدیک شدن به این چالش اول، می توانید استفاده کنید آمازون QuickSight، یک سرویس هوش تجاری (BI) در مقیاس ابری است که بینش های قابل درک را ارائه می دهد و به تصمیم گیرندگان این فرصت را می دهد تا اطلاعات را در یک محیط بصری تعاملی بررسی و تفسیر کنند. برای کار دوم می توانید استفاده کنید آمازون SageMaker Canvas، یک سرویس ابری است که دسترسی به یادگیری ماشین (ML) را با ارائه یک رابط بصری نقطه و کلیک برای تحلیلگران کسب و کار گسترش می دهد که به شما امکان می دهد پیش بینی های ML دقیق را به تنهایی ایجاد کنید.

هنگامی که به این معیارها نگاه می کنند، تحلیلگران تجاری اغلب الگوهایی را در رفتار مشتری شناسایی می کنند تا مشخص کنند که آیا شرکت در خطر از دست دادن مشتری است یا خیر. این مشکل نامیده می شود ریزش مشتریو مدل‌های ML دارای سابقه ثابتی در پیش‌بینی چنین مشتریانی با دقت بالا هستند (برای مثال، نگاه کنید به راهکارهای هوش مصنوعی Elula به بانک ها کمک می کند تا حفظ مشتری را بهبود بخشند).

ساخت مدل‌های ML می‌تواند فرآیندی دشوار باشد، زیرا به یک تیم متخصص برای مدیریت آماده‌سازی داده‌ها و آموزش مدل ML نیاز دارد. با این حال، با Canvas، می توانید این کار را بدون هیچ دانش خاصی و با صفر خط کد انجام دهید. برای اطلاعات بیشتر، بررسی کنید ریزش مشتری را با یادگیری ماشینی بدون کد با استفاده از آمازون SageMaker Canvas پیش بینی کنید.

در این پست، ما به شما نشان می‌دهیم که چگونه پیش‌بینی‌های تولید شده از Canvas را در داشبورد QuickSight تجسم کنید و تصمیم‌گیری هوشمند از طریق ML را امکان‌پذیر می‌کند.

بررسی اجمالی راه حل

در پست ریزش مشتری را با یادگیری ماشینی بدون کد با استفاده از آمازون SageMaker Canvas پیش بینی کنید، ما نقش یک تحلیلگر تجاری در بخش بازاریابی یک اپراتور تلفن همراه را بر عهده گرفتیم و با موفقیت یک مدل ML را برای شناسایی مشتریان با ریسک احتمالی ریزش ایجاد کردیم. به لطف پیش‌بینی‌های تولید شده توسط مدل ما، اکنون می‌خواهیم نتایج مالی بالقوه را تجزیه و تحلیل کنیم تا تصمیمات تجاری مبتنی بر داده در مورد تبلیغات بالقوه برای این مشتریان و مناطق اتخاذ کنیم.

معماری که به ما در دستیابی به این امر کمک می کند در نمودار زیر نشان داده شده است.

مراحل گردش کار به شرح زیر است:

1. یک مجموعه داده جدید با جمعیت مشتری فعلی در Canvas آپلود کنید.
2. یک پیش بینی دسته ای اجرا کنید و نتایج را دانلود کنید.
3. برای ایجاد یا به‌روزرسانی تصاویر، فایل‌ها را در QuickSight آپلود کنید.

شما می توانید این مراحل را در Canvas بدون نوشتن یک خط کد انجام دهید. برای لیست کامل منابع داده های پشتیبانی شده، مراجعه کنید وارد کردن داده ها در آمازون SageMaker Canvas.

پیش نیازها

برای این راهنما، مطمئن شوید که پیش نیازهای زیر وجود دارد:

از مدل ریزش مشتری استفاده کنید

پس از تکمیل پیش نیازها، باید یک مدل آموزش داده شده بر روی داده های تاریخی در Canvas داشته باشید، آماده استفاده با داده های جدید مشتری برای پیش بینی ریزش مشتری، که سپس می توانید در QuickSight از آن استفاده کنید.

1. یک فایل جدید ایجاد کنید churn-no-labels.csv با انتخاب تصادفی 1,500 خط از مجموعه داده اصلی churn.csv و حذف Churn? ستون.

ما از این مجموعه داده جدید برای تولید پیش بینی استفاده می کنیم.

مراحل بعدی را در Canvas تکمیل می کنیم. می توانید بوم را از طریق باز کنید کنسول مدیریت AWS، یا از طریق برنامه SSO ارائه شده توسط سرپرست ابری شما. اگر مطمئن نیستید که چگونه به Canvas دسترسی پیدا کنید، به آن مراجعه کنید شروع با استفاده از آمازون SageMaker Canvas.

2. در کنسول Canvas، را انتخاب کنید مجموعه داده ها در صفحه ناوبری
3. را انتخاب کنید وارد كردن.

4. را انتخاب کنید بارگذاری و انتخاب کنید churn-no-labels.csv فایلی که ایجاد کردید
5. را انتخاب کنید وارد کردن داده.

زمان فرآیند وارد کردن داده به اندازه فایل بستگی دارد. در مورد ما، باید حدود 10 ثانیه باشد. وقتی کامل شد، می‌توانیم ببینیم که مجموعه داده داخل است Ready وضعیت.

6. برای پیش نمایش 100 ردیف اول مجموعه داده، منوی گزینه ها (سه نقطه) را انتخاب کنید و پیش نمایش.

7. را انتخاب کنید مدل در قسمت ناوبری، سپس مدل انقباض را که ایجاد کرده اید به عنوان بخشی از پیش نیازها انتخاب کنید.

8. بر پیش بینی برگه ، انتخاب کنید مجموعه داده را انتخاب کنید.

9. را انتخاب کنید churn-no-labels.csv مجموعه داده، سپس انتخاب کنید پیش بینی ایجاد کنید.

زمان استنتاج به پیچیدگی مدل و اندازه مجموعه بستگی دارد. در مورد ما، حدود 10 ثانیه طول می کشد. وقتی کار تمام شد، وضعیت خود را به Ready تغییر می دهد و می توانیم نتایج را دانلود کنیم.

10. منوی گزینه ها (سه نقطه) را انتخاب کنید. دانلودو همه مقادیر را دانلود کنید.

به صورت اختیاری، می‌توانیم نگاهی سریع به نتایج انتخاب بیندازیم پیش نمایش. دو ستون اول پیش‌بینی‌هایی از مدل هستند.

ما با موفقیت از مدل خود برای پیش بینی ریسک ریزش برای جمعیت مشتریان فعلی خود استفاده کرده ایم. اکنون ما آماده ایم تا معیارهای کسب و کار را بر اساس پیش بینی های خود تجسم کنیم.

داده ها را به QuickSight وارد کنید

همانطور که قبلاً بحث کردیم، تحلیلگران کسب و کار به منظور اتخاذ تصمیمات تجاری مبتنی بر داده نیاز به پیش‌بینی همراه با معیارهای تجاری دارند. برای انجام این کار، ما از QuickSight استفاده می‌کنیم که بینش‌های قابل فهمی را ارائه می‌کند و به تصمیم‌گیرندگان این فرصت را می‌دهد تا اطلاعات را در یک محیط بصری تعاملی بررسی و تفسیر کنند. با QuickSight، می‌توانیم تجسم‌هایی مانند نمودارها و نمودارها را در چند ثانیه با یک رابط ساده کشیدن و رها کردن بسازیم. در این پست، ما چندین تجسم برای درک بهتر ریسک‌های تجاری و نحوه مدیریت آن‌ها ایجاد می‌کنیم، مانند اینکه کجا باید کمپین‌های بازاریابی جدید راه‌اندازی کنیم.

برای شروع مراحل زیر را انجام دهید:

1. در کنسول QuickSight، را انتخاب کنید مجموعه داده ها در صفحه ناوبری
2. را انتخاب کنید مجموعه داده جدید.

QuickSight از بسیاری از منابع داده پشتیبانی می کند. در این پست، ما از یک فایل محلی، همان فایلی که قبلا در Canvas تولید کرده بودیم، به عنوان داده منبع استفاده می کنیم.

3. را انتخاب کنید بارگذاری یک فایل.

4. فایل اخیرا دانلود شده را با پیش بینی انتخاب کنید.

QuickSight فایل را آپلود و آنالیز می کند.

5. بررسی کنید که همه چیز مطابق پیش‌نمایش باشد، سپس انتخاب کنید بعدی.

6. را انتخاب کنید تجسم.

داده ها اکنون با موفقیت وارد شده اند و ما آماده تجزیه و تحلیل آن هستیم.

یک داشبورد با معیارهای تجاری پیش‌بینی‌های ریزش ایجاد کنید

زمان آن رسیده است که داده های خود را تجزیه و تحلیل کنیم و داشبوردی واضح و با کاربری آسان بسازیم که تمام اطلاعات لازم برای تصمیمات تجاری مبتنی بر داده را جمع آوری کند. این نوع داشبورد ابزار مهمی در زرادخانه یک تحلیل گران تجاری است.

داشبورد زیر نمونه‌ای است که می‌تواند به شناسایی و مقابله با خطر ریزش مشتری کمک کند.

در این داشبورد، ما چندین معیار مهم تجاری را تجسم می کنیم:

• مشتریان به احتمال زیاد ریزش می کنند - نمودار دونات سمت چپ نشان دهنده تعداد و درصد کاربرانی است که بیش از 50 درصد خطر ریزش را دارند. این نمودار به ما کمک می کند تا به سرعت اندازه یک مشکل بالقوه را درک کنیم.
• از دست دادن درآمد بالقوه - نمودار دونات وسط بالا میزان از دست دادن درآمد از کاربران را بیش از 50٪ خطر ریزش نشان می دهد. این نمودار به ما کمک می کند تا به سرعت اندازه ضرر احتمالی درآمد ناشی از ریزش را درک کنیم. نمودار همچنین نشان می‌دهد که ما می‌توانیم چندین مشتری بالاتر از میانگین را به عنوان درصدی از درآمد بالقوه از دست بدهیم که بیشتر از درصد کاربرانی است که در معرض خطر ریزش هستند.
• از دست دادن درآمد احتمالی توسط ایالت - نمودار میله ای افقی بالا سمت راست نشان دهنده اندازه درآمد از دست رفته در مقابل درآمد حاصل از مشتریانی است که در معرض خطر ریزش نیستند. این تصویر می تواند به ما کمک کند بفهمیم کدام حالت برای ما از دیدگاه کمپین بازاریابی مهم ترین است.
• جزئیات در مورد مشتریانی که در معرض خطر سرگردانی هستند - جدول پایین سمت چپ شامل جزئیات مربوط به همه مشتریان ما است. اگر بخواهیم به سرعت به جزئیات چندین مشتری با و بدون ریسک ریزش نگاه کنیم، این جدول می تواند مفید باشد.

مشتریان به احتمال زیاد ریزش می کنند

ما با ساختن نموداری با مشتریانی که در معرض خطر سرگردانی هستند، شروع می کنیم.

1. تحت لیست فیلدها، انتخاب ول کردن؟ ویژگی.

QuickSight به طور خودکار یک تصویرسازی ایجاد می کند.

اگرچه نمودار میله ای یک تجسم رایج برای درک توزیع داده ها است، ما ترجیح می دهیم از نمودار دونات استفاده کنیم. ما می توانیم این بصری را با تغییر ویژگی های آن تغییر دهیم.

2. نماد نمودار دونات را در زیر انتخاب کنید انواع بصری.
3. نام فعلی را انتخاب کنید (دوبار کلیک کنید) و آن را به تغییر دهید مشتریان به احتمال زیاد ریزش می کنند.

4. برای سفارشی کردن جلوه های بصری دیگر (حذف افسانه، اضافه کردن مقادیر، تغییر اندازه قلم)، نماد مداد را انتخاب کنید و تغییرات خود را انجام دهید.

همانطور که در تصویر زیر نشان داده شده است، ما مساحت دونات را افزایش دادیم و همچنین اطلاعات اضافی را در برچسب ها اضافه کردیم.

از دست دادن درآمد بالقوه

معیار مهم دیگری که باید در هنگام محاسبه تأثیر کسب و کار ریزش مشتری در نظر گرفت، از دست دادن درآمد بالقوه است. این یک معیار مهم است زیرا به ما کمک می‌کند تا تأثیر کسب‌وکار را از مشتریانی که در معرض خطر انحراف نیستند درک کنیم. به عنوان مثال، در صنعت مخابرات، ما می‌توانیم مشتریان غیرفعال زیادی داشته باشیم که ریسک ریزش زیاد و درآمد صفر دارند. این نمودار می تواند به ما کمک کند بفهمیم آیا در چنین موقعیتی هستیم یا نه. برای افزودن این معیار به داشبورد خود، با ارائه فرمول ریاضی برای محاسبه ضرر احتمالی درآمد، یک فیلد محاسبه‌شده سفارشی ایجاد می‌کنیم، سپس آن را به عنوان نمودار دونات دیگری تجسم می‌کنیم.

1. بر اضافه کردن منو ، انتخاب کنید فیلد محاسبه شده را اضافه کنید.

2. فیلد را مجموع هزینه ها نام گذاری کنید.
3. فرمول {Day Charge}+{Eve Charge}+{Intl Charge}+{Night Charge} را وارد کنید.
4. را انتخاب کنید ذخیره.

5. بر اضافه کردن منو ، انتخاب کنید بصری را اضافه کنید.

6. تحت انواع بصری، نماد نمودار دونات را انتخاب کنید.
7. تحت لیست فیلدهاکشیدن ول کردن؟ به گروه/رنگ.
8. کشیدن کل هزینهها به ارزش.
9. بر ارزش منو ، انتخاب کنید نمایش به عنوان و انتخاب کنید واحد پول.
10. نماد مداد را برای سفارشی کردن سایر جلوه های بصری (حذف افسانه، اضافه کردن مقادیر، تغییر اندازه قلم) انتخاب کنید.

در این لحظه داشبورد ما دارای دو تصویرسازی است.

در حال حاضر می‌توانیم مشاهده کنیم که در مجموع می‌توانیم 18٪ (270) مشتری را از دست بدهیم که معادل 24٪ (6,280 دلار) درآمد است. بیایید با تجزیه و تحلیل از دست دادن درآمد بالقوه در سطح ایالت بیشتر بررسی کنیم.

از دست دادن درآمد احتمالی توسط ایالت

برای تجسم از دست دادن درآمد احتمالی بر اساس ایالت، بیایید یک نمودار نوار افقی اضافه کنیم.

1. بر اضافه کردن منو ، انتخاب کنید بصری را اضافه کنید.

2. تحت انواع بصری¸ نماد نمودار نوار افقی را انتخاب کنید.
3. تحت لیست فیلدها¸ بکشید ول کردن؟ به گروه/رنگ.
4. کشیدن کل هزینهها به ارزش.
5. بر ارزش منو ، انتخاب کنید نمایش به عنوان و واحد پول.
6. کشیدن صحنه به محور Y.
7. نماد مداد را برای سفارشی کردن سایر جلوه های بصری (حذف افسانه، اضافه کردن مقادیر، تغییر اندازه قلم) انتخاب کنید.

8. ما همچنین می توانیم تصویر جدید خود را با انتخاب مرتب کنیم کل هزینهها در پایین و انتخاب نزولی.

این تصویر می تواند به ما کمک کند بفهمیم کدام حالت از دیدگاه کمپین بازاریابی مهم ترین است. به عنوان مثال، در هاوایی، ما به طور بالقوه می توانیم نیمی از درآمد خود را از دست بدهیم (253,000 دلار) در حالی که در واشنگتن این مقدار کمتر از 10٪ (52,000 دلار) است. همچنین می‌توانیم ببینیم که در آریزونا تقریباً هر مشتری را از دست می‌دهیم.

جزئیات در مورد مشتریانی که در معرض خطر سرگردانی هستند

بیایید جدولی با جزئیات درباره مشتریانی که در معرض خطر سرگردانی هستند بسازیم.

1. بر اضافه کردن منو ، انتخاب کنید بصری را اضافه کنید.

2. تحت انواع بصری، نماد جدول را انتخاب کنید.
3. تحت لیست های زمینهکشیدن تلفن, دولت, برنامه بین المللی, طرح وی میل, ول کردن؟و طول حساب به دسته بندی بر اساس.
4. کشیدن احتمال به ارزش.
5. بر ارزش منو ، انتخاب کنید نمایش به عنوان و در صد.

داشبورد خود را سفارشی کنید

QuickSight چندین گزینه برای سفارشی کردن داشبورد شما ارائه می دهد، مانند موارد زیر.

1. برای افزودن نام، در اضافه کردن منو ، انتخاب کنید عنوان اضافه کن.

2. عنوانی را وارد کنید (برای این پست، نام داشبورد خود را تغییر می دهیم تجزیه و تحلیل Churn).

3. برای تغییر اندازه تصاویر خود، گوشه سمت راست پایین نمودار را انتخاب کرده و به اندازه دلخواه بکشید.
4. برای جابجایی تصویر، مرکز بالای نمودار را انتخاب کنید و آن را به مکان جدیدی بکشید.
5. برای تغییر تم، انتخاب کنید تم در صفحه ناوبری
6. موضوع جدید خود را انتخاب کنید (به عنوان مثال، نیمه شب) و انتخاب کنید درخواست.

داشبورد خود را منتشر کنید

داشبورد یک عکس فوری فقط خواندنی از یک تجزیه و تحلیل است که می توانید برای اهداف گزارش با سایر کاربران QuickSight به اشتراک بگذارید. داشبورد شما پیکربندی تجزیه و تحلیل را در زمانی که آن را منتشر می کنید حفظ می کند، از جمله مواردی مانند فیلتر کردن، پارامترها، کنترل ها و ترتیب مرتب سازی. داده های مورد استفاده برای تجزیه و تحلیل به عنوان بخشی از داشبورد گرفته نمی شود. هنگامی که داشبورد را مشاهده می کنید، داده های فعلی را در مجموعه داده های مورد استفاده در تجزیه و تحلیل منعکس می کند.

برای انتشار داشبورد خود، مراحل زیر را انجام دهید:

1. بر اشتراک گذاری منو ، انتخاب کنید انتشار داشبورد.

2. یک نام برای داشبورد خود وارد کنید.
3. را انتخاب کنید انتشار داشبورد.

تبریک می‌گوییم، شما با موفقیت یک داشبورد تجزیه‌وتحلیل ایجاد کرده‌اید.

داشبورد خود را با یک پیش بینی جدید به روز کنید

همانطور که مدل تکامل می یابد و ما داده های جدیدی از کسب و کار تولید می کنیم، ممکن است لازم باشد این داشبورد را با اطلاعات جدید به روز کنیم. مراحل زیر را کامل کنید:

1. یک فایل جدید ایجاد کنید churn-no-labels-updated.csv با انتخاب تصادفی 1,500 خط دیگر از مجموعه داده اصلی churn.csv و حذف Churn? ستون.

ما از این مجموعه داده جدید برای ایجاد پیش بینی های جدید استفاده می کنیم.

2. مراحل را تکرار کنید از مدل ریزش مشتری استفاده کنید بخش این پست برای دریافت پیش بینی برای مجموعه داده جدید و دانلود فایل جدید.
3. در کنسول QuickSight، را انتخاب کنید مجموعه داده ها در صفحه ناوبری
4. مجموعه داده ای که ایجاد کردیم را انتخاب کنید.

5. را انتخاب کنید ویرایش مجموعه داده.

6. در منوی کشویی، را انتخاب کنید به روز رسانی فایل.

7. را انتخاب کنید آپلود فایل.

8. فایل اخیرا دانلود شده را با پیش بینی ها انتخاب کنید.
9. پیش نمایش را مرور کنید، سپس انتخاب کنید تایید آپدیت فایل.

پس از ظاهر شدن پیام "فایل با موفقیت به روز شد"، می توانیم ببینیم که نام فایل نیز تغییر کرده است.

10. را انتخاب کنید ذخیره و منتشر کنید.

11. هنگامی که پیام "ذخیره و منتشر شد با موفقیت" ظاهر شد، می توانید با انتخاب آرم QuickSight در گوشه بالا سمت چپ به منوی اصلی بازگردید.

12. را انتخاب کنید داشبورد در صفحه پیمایش و داشبوردی را که قبلا ایجاد کردیم انتخاب کنید.

باید داشبورد خود را با مقادیر به روز شده ببینید.

ما به تازگی داشبورد QuickSight خود را با آخرین پیش بینی های Canvas به روز کرده ایم.

پاک کردن

برای جلوگیری از هزینه های آینده، از Canvas خارج شوید.

نتیجه

در این پست، ما از یک مدل ML از Canvas برای پیش‌بینی مشتریانی که در معرض خطر سرگردانی هستند استفاده کردیم و یک داشبورد با تجسم‌های روشن‌تر ساختیم تا به ما در تصمیم‌گیری‌های تجاری مبتنی بر داده کمک کند. ما این کار را بدون نوشتن یک خط کد به لطف رابط های کاربر پسند و تجسم های واضح انجام دادیم. این امر به تحلیلگران کسب و کار امکان می دهد در ساخت مدل های ML چابک باشند و تجزیه و تحلیل ها را انجام دهند و بینش هایی را با استقلال کامل از تیم های علم داده استخراج کنند.

برای کسب اطلاعات بیشتر در مورد استفاده از Canvas، مراجعه کنید ساخت، اشتراک گذاری، استقرار: چگونه تحلیلگران کسب و کار و دانشمندان داده با استفاده از ML بدون کد و آمازون SageMaker Canvas به زمان سریع تری به بازار می رسند. برای اطلاعات بیشتر در مورد ایجاد مدل‌های ML با راه‌حل بدون کد، رجوع کنید اعلام آمازون SageMaker Canvas – قابلیت یادگیری ماشینی بصری و بدون کد برای تحلیلگران کسب و کار. برای کسب اطلاعات بیشتر در مورد آخرین ویژگی های QuickSight و بهترین شیوه ها، رجوع کنید وبلاگ AWS Big Data.

---

درباره نویسنده

الکساندر پاتروشف معمار راه حل های تخصصی AI/ML در AWS مستقر در لوکزامبورگ است. او علاقه زیادی به یادگیری ابری و ماشینی و روشی که آنها می توانند دنیا را تغییر دهند، است. او در خارج از محل کار از پیاده روی، ورزش و گذراندن وقت با خانواده لذت می برد.

دیوید گالیتلی یک معمار راه حل های تخصصی برای AI/ML در منطقه EMEA است. او در بروکسل مستقر است و از نزدیک با مشتریان در سرتاسر بنلوکس کار می کند. او از زمانی که خیلی جوان بود یک توسعه دهنده بوده و از سن ۷ سالگی شروع به کدنویسی کرد. او یادگیری AI/ML را در دانشگاه شروع کرد و از آن زمان عاشق آن شد.