Ota älykäs päätöksenteko käyttöön Amazon SageMaker Canvasin ja Amazon QuickSightin avulla

Jokainen yritys koosta riippumatta haluaa tarjota asiakkailleen parhaat tuotteet ja palvelut. Tämän saavuttamiseksi yritykset haluavat ymmärtää toimialan trendejä ja asiakkaiden käyttäytymistä sekä optimoida sisäiset prosessit ja data-analyysit rutiininomaisesti. Tämä on olennainen osa yrityksen menestystä.

Hyvin näkyvä osa analyytikkoroolia sisältää liiketoimintamittareiden visualisoinnin (kuten myyntitulot) ja tulevien tapahtumien ennustamisen (kuten kysynnän kasvun) datalähtöisten liiketoimintapäätösten tekemiseksi. Voit lähestyä tätä ensimmäistä haastetta käyttämällä Amazon QuickSightBI-palvelu, joka tarjoaa helposti ymmärrettäviä näkemyksiä ja antaa päättäjille mahdollisuuden tutkia ja tulkita tietoa interaktiivisessa visuaalisessa ympäristössä. Toisessa tehtävässä voit käyttää Amazon SageMaker Canvas, pilvipalvelu, joka laajentaa pääsyä koneoppimiseen (ML) tarjoamalla yritysanalyytikoille visuaalisen osoita ja napsauta -käyttöliittymän, jonka avulla voit luoda tarkkoja ML-ennusteita itse.

Näitä mittareita tarkasteltaessa yritysanalyytikot tunnistavat usein asiakkaiden käyttäytymismalleja määrittääkseen, onko yritys vaarassa menettää asiakkaan. Tätä ongelmaa kutsutaan asiakasvaurio, ja ML-malleilla on todistettu näyttö tällaisten asiakkaiden ennustamisesta suurella tarkkuudella (esim. Elulan tekoälyratkaisut auttavat pankkeja parantamaan asiakkaiden säilyttämistä).

ML-mallien rakentaminen voi olla hankala prosessi, koska se vaatii asiantuntijatiimin tietojen valmistelun ja ML-mallikoulutuksen hallintaan. Canvasin avulla voit kuitenkin tehdä sen ilman erityistä tietoa ja nollalla koodirivillä. Katso lisätietoja Ennusta asiakkaiden vaihtuvuus koodittomalla koneoppimisella Amazon SageMaker Canvasin avulla.

Tässä viestissä näytämme, kuinka voit visualisoida Canvasista luodut ennusteet QuickSight-hallintapaneelissa, mikä mahdollistaa älykkään päätöksenteon ML:n kautta.

Katsaus ratkaisuun

Postissa Ennusta asiakkaiden vaihtuvuus koodittomalla koneoppimisella Amazon SageMaker Canvasin avulla, otimme liiketoimintaanalyytikon roolin matkapuhelinoperaattorin markkinointiosastolla ja loimme onnistuneesti ML-mallin tunnistaaksemme asiakkaat, joilla on mahdollinen vaihtumisriski. Mallimme luomien ennusteiden ansiosta haluamme nyt tehdä analyysin mahdollisesta taloudellisesta tuloksesta, jotta voimme tehdä datapohjaisia ​​liiketoimintapäätöksiä mahdollisista promootioista näille asiakkaille ja alueille.

Arkkitehtuuri, joka auttaa meitä saavuttamaan tämän, on esitetty seuraavassa kaaviossa.

Työnkulun vaiheet ovat seuraavat:

1. Lataa Canvasiin uusi tietojoukko, jossa on nykyinen asiakaskunta.
2. Suorita eräennuste ja lataa tulokset.
3. Luo tai päivitä visualisointeja lataamalla tiedostot QuickSightiin.

Voit suorittaa nämä vaiheet Canvasissa kirjoittamatta yhtään koodiriviä. Täydellinen luettelo tuetuista tietolähteistä on kohdassa Tietojen tuonti Amazon SageMaker Canvasissa.

Edellytykset

Varmista tätä läpikäyntiä varten, että seuraavat edellytykset täyttyvät:

Käytä asiakasvaihtuvuusmallia

Kun olet suorittanut edellytykset, sinulla pitäisi olla malli, joka on koulutettu historiallisiin tietoihin Canvasissa ja joka on valmis käytettäväksi uusien asiakastietojen kanssa asiakkaiden vaihtuvuuden ennustamiseen, jota voit sitten käyttää QuickSightissa.

1. Luo uusi tiedosto churn-no-labels.csv valitsemalla satunnaisesti 1,500 XNUMX riviä alkuperäisestä tietojoukosta churn.csv ja poistamalla Churn? sarake.

Käytämme tätä uutta tietojoukkoa ennusteiden luomiseen.

Suoritamme seuraavat vaiheet Canvasissa. Voit avata Canvasin kautta AWS-hallintakonsolitai pilvijärjestelmänvalvojasi toimittaman SSO-sovelluksen kautta. Jos et ole varma, miten voit käyttää Canvasia, katso Amazon SageMaker Canvasin käytön aloittaminen.

2. Valitse Canvas-konsolista aineistot navigointipaneelissa.
3. Valita Tuo.

4. Valita Lataa Ja valitse churn-no-labels.csv luomaasi tiedostoa.
5. Valita Tuo päivämäärät.

Tietojen tuontiprosessin aika riippuu tiedoston koosta. Meidän tapauksessamme sen pitäisi olla noin 10 sekuntia. Kun se on valmis, voimme nähdä, että tietojoukko on mukana Ready tila.

6. Jos haluat esikatsella tietojoukon 100 ensimmäistä riviä, valitse asetusvalikko (kolme pistettä) ja valitse preview.

7. Valita Mallit navigointiruudussa ja valitse sitten luomasi vaihtuvuusmalli osana edellytyksiä.

8. On Ennustaa välilehti, valitse Valitse tietojoukko.

9. Valitse churn-no-labels.csv tietojoukko ja valitse sitten Luo ennusteita.

Päätelmäaika riippuu mallin monimutkaisuudesta ja tietojoukon koosta; meidän tapauksessamme se kestää noin 10 sekuntia. Kun työ on valmis, se vaihtaa tilakseen Valmis ja voimme ladata tulokset.

10. Valitse asetusvalikko (kolme pistettä), Lataaja Lataa kaikki arvot.

Vaihtoehtoisesti voimme tarkastella tuloksia nopeasti preview. Kaksi ensimmäistä saraketta ovat mallin ennusteita.

Olemme menestyksekkäästi käyttäneet malliamme ennustaaksemme vaihtuvuusriskiä nykyiselle asiakaskunnallemme. Nyt olemme valmiita visualisoimaan liiketoimintamittareita ennusteidemme perusteella.

Tuo tiedot QuickSightiin

Kuten aiemmin keskustelimme, liiketoimintaanalyytikot vaativat ennusteiden visualisointia yhdessä liiketoimintamittareiden kanssa voidakseen tehdä tietoon perustuvia liiketoimintapäätöksiä. Käytämme tähän QuickSightia, joka tarjoaa helposti ymmärrettäviä näkemyksiä ja antaa päättäjille mahdollisuuden tutkia ja tulkita tietoa interaktiivisessa visuaalisessa ympäristössä. QuickSightin avulla voimme luoda visualisointeja, kuten kaavioita ja kaavioita, sekunneissa yksinkertaisella vedä ja pudota -käyttöliittymällä. Tässä postauksessa rakennamme useita visualisointeja ymmärtääksemme paremmin liiketoimintariskejä ja miten niitä voisi hallita, kuten missä meidän pitäisi käynnistää uusia markkinointikampanjoita.

Aloita tekemällä seuraavat vaiheet:

1. Valitse QuickSight-konsolista aineistot navigointipaneelissa.
2. Valita Uusi tietojoukko.

QuickSight tukee monia tietolähteitä. Tässä viestissä käytämme lähdetietona paikallista tiedostoa, joka on aiemmin luotu Canvasissa.

3. Valita Lataa tiedosto.

4. Valitse äskettäin ladattu tiedosto ennusteineen.

QuickSight lataa ja analysoi tiedoston.

5. Tarkista, että kaikki on odotetulla tavalla esikatselussa, ja valitse sitten seuraava.

6. Valita havainnollistaa.

Tiedot on nyt tuotu onnistuneesti ja olemme valmiita analysoimaan ne.

Luo hallintapaneeli, jossa on vaihtuvuusennusteiden liiketoimintamittareita

On aika analysoida tietomme ja tehdä selkeä ja helppokäyttöinen kojelauta, joka koota yhteen kaikki tietoihin perustuvat liiketoimintapäätökset. Tämäntyyppinen kojelauta on tärkeä työkalu yritysanalyytikoiden arsenaalissa.

Seuraavassa on esimerkki hallintapaneelista, joka voi auttaa tunnistamaan asiakkaiden vaihtumisriskin ja puuttumaan siihen.

Tässä hallintapaneelissa visualisoimme useita tärkeitä liiketoimintamittareita:

• Asiakkaat todennäköisesti vaikenevat – Vasemmanpuoleinen donitsikaavio edustaa niiden käyttäjien määrää ja prosenttiosuuksia, joilla on yli 50 %:n rispaantumisriski. Tämä kaavio auttaa meitä ymmärtämään nopeasti mahdollisen ongelman koon.
• Mahdollinen tulonmenetys – Ylin keskimmäinen donitsikaavio edustaa käyttäjien tulonmenetystä yli 50 %:n riskillä. Tämä kaavio auttaa meitä ymmärtämään nopeasti vaihtuvuuden mahdollisen tulonmenetyksen koon. Kaavio osoittaa myös, että voimme menettää useita keskimääräistä suurempia asiakkaita, koska prosenttiosuus mahdollisista tulojen menetyksistä on suurempi kuin prosenttiosuus käyttäjistä, jotka ovat vaarassa vaihtua.
• Mahdollinen tulonmenetys osavaltioittain – Oikean yläkulman vaakasuuntainen pylväskaavio esittää menetettyjen tulojen suuruutta verrattuna tuloihin asiakkailta, jotka eivät ole vaarassa vaihtua. Tämä visuaalinen kuva voisi auttaa meitä ymmärtämään, mikä tila on meille tärkein markkinointikampanjan näkökulmasta.
• Tiedot asiakkaista, jotka ovat vaarassa vaihtua – Alhaalla vasemmalla oleva taulukko sisältää tiedot kaikista asiakkaistamme. Tämä taulukko voi olla hyödyllinen, jos haluamme tarkastella nopeasti useiden asiakkaiden tietoja vaihtuvuusriskillä tai ilman.

Asiakkaat todennäköisesti vaikenevat

Aloitamme rakentamalla kaavion asiakkaista, jotka ovat vaarassa vaipua.

1. Alle Kenttäluettelo, Valitse Vaihtuu? määrite.

QuickSight rakentaa automaattisesti visualisoinnin.

Vaikka pylväskaavio on yleinen visualisointi tietojen jakautumisen ymmärtämiseksi, käytämme mieluummin donitsikaaviota. Voimme muuttaa tätä visuaalisuutta muuttamalla sen ominaisuuksia.

2. Valitse alta donitsikaaviokuvake Visuaaliset tyypit.
3. Valitse nykyinen nimi (kaksoisnapsauta) ja muuta se nimeksi Asiakkaat todennäköisesti vaikenevat.

4. Voit muokata muita visuaalisia tehosteita (poistaa selitteen, lisätä arvoja, muuttaa kirjasinkokoa) valitsemalla kynäkuvakkeen ja tekemällä haluamasi muutokset.

Kuten seuraavassa kuvakaappauksessa näkyy, lisäsimme donitsin pinta-alaa ja lisäsimme tarroihin lisätietoa.

Mahdollinen tulonmenetys

Toinen tärkeä mittari, joka on otettava huomioon laskettaessa asiakkaiden vaihtuvuuden vaikutusta liiketoimintaan, on mahdollinen tulonmenetys. Tämä on tärkeä mittari, koska se auttaa meitä ymmärtämään sellaisten asiakkaiden liiketoimintavaikutuksia, jotka eivät ole vaarassa vaihtua. Esimerkiksi tietoliikennealalla meillä voi olla monia ei-aktiivisia asiakkaita, joilla on suuri vaihtumisriski ja ilman tuloja. Tämä kaavio voi auttaa meitä ymmärtämään, olemmeko tällaisessa tilanteessa vai emme. Voit lisätä tämän mittarin kojelautaamme luomalla mukautetun lasketun kentän tarjoamalla matemaattisen kaavan mahdollisen tulonmenetyksen laskemiseksi ja visualisoimalla sen sitten toisena donitsikaaviona.

1. On Lisää valikosta, valitse Lisää laskettu kenttä.

2. Nimeä kenttä Kokonaiskulut.
3. Syötä kaava {Päivämaksu}+{Eve Charge}+{Intl Charge}+{Night Charge}.
4. Valita Säästä.

5. On Lisää valikosta, valitse Lisää visuaalinen.

6. Alle Visuaaliset tyypit, valitse donitsikaaviokuvake.
7. Alle Kenttäluettelo, raahata Vaihtuu? että Ryhmä / väri.
8. Vetää Kokonaiskulut että Arvo.
9. On Arvo valikosta, valitse Näytä nimellä Ja valitse valuutta.
10. Valitse kynäkuvake muokataksesi muita visuaalisia tehosteita (poista selitteet, lisää arvoja, muuta kirjasinkokoa).

Tällä hetkellä hallintapaneelissamme on kaksi visualisointia.

Voimme jo nyt havaita, että yhteensä voimme menettää 18 % (270) asiakkaita, mikä vastaa 24 % (6,280 XNUMX dollaria) liikevaihdosta. Tutkitaan lisää analysoimalla mahdollisia tulonmenetyksiä valtion tasolla.

Mahdollinen tulonmenetys osavaltioittain

Lisäämme vaakasuuntaisen pylväskaavion, jotta voit visualisoida mahdollisen tulonmenetyksen osavaltioittain.

1. On Lisää valikosta, valitse Lisää visuaalinen.

2. Alle Visuaaliset tyypit¸ valitse vaakasuuntainen pylväskaaviokuvake.
3. Alle Kenttäluetteloraahata Vaihtuu? että Ryhmä / väri.
4. Vetää Kokonaiskulut että Arvo.
5. On Arvo valikosta, valitse Näytä nimellä ja valuutta.
6. Vetää Vaihe että Y-akseli.
7. Valitse kynäkuvake muokataksesi muita visuaalisia tehosteita (poista selitteet, lisää arvoja, muuta kirjasinkokoa).

8. Voimme myös lajitella uuden visuaalimme valitsemalla Kokonaiskulut alareunassa ja valitsemalla aleneva.

Tämä visuaalinen kuva voi auttaa meitä ymmärtämään, mikä tila on tärkein markkinointikampanjan näkökulmasta. Esimerkiksi Havaijilla saatamme menettää puolet tuloistamme (253,000 10 dollaria), kun taas Washingtonissa tämä arvo on alle 52,000 % (XNUMX XNUMX dollaria). Voimme myös nähdä, että Arizonassa olemme vaarassa menettää lähes jokaisen asiakkaan.

Tiedot asiakkaista, jotka ovat vaarassa vaihtua

Tehdään taulukko, jossa on tietoja asiakkaista, jotka ovat vaarassa vaihtua.

1. On Lisää valikosta, valitse Lisää visuaalinen.

2. Alle Visuaaliset tyypit, valitse taulukon kuvake.
3. Alle Kenttäluettelot, raahata Puhelin, Osavaltio, Kansainvälinen suunnitelma, Vmail-suunnitelma, Vaihtuu?ja Tilin pituus että Ryhmän mukaan.
4. Vetää todennäköisyys että Arvo.
5. On Arvo valikosta, valitse Näytä nimellä ja prosentti.

Mukauta kojelautaasi

QuickSight tarjoaa useita vaihtoehtoja kojelaudan mukauttamiseen, kuten seuraavat.

1. Jos haluat lisätä nimen, Lisää valikosta, valitse Lisää otsikko.

2. Anna otsikko (tätä viestiä varten nimeämme hallintapaneelimme uudelleen Vaiheanalyysi).

3. Jos haluat muuttaa visuaalisen kuvan kokoa, valitse kaavion oikea alakulma ja vedä haluamasi koko.
4. Siirrä visualisointia valitsemalla kaavion keskiosa ja vetämällä se uuteen paikkaan.
5. Vaihda teemaa valitsemalla Teemat navigointipaneelissa.
6. Valitse uusi teemasi (esim. Keskiyö) ja valitse käyttää.

Julkaise kojelautasi

Kojelauta on vain luku -tilassa oleva tilannekuva analyysistä, jonka voit jakaa muiden QuickSight-käyttäjien kanssa raportointitarkoituksiin. Hallintapaneelisi säilyttää analyysin kokoonpanon julkaisuhetkellä, mukaan lukien suodatuksen, parametrit, säätimet ja lajittelujärjestyksen. Analyysissä käytettyjä tietoja ei kaapata osaksi kojelautaa. Kun tarkastelet kojelautaa, se heijastaa analyysin käyttämien tietojoukkojen nykyistä dataa.

Voit julkaista hallintapaneelin suorittamalla seuraavat vaiheet:

1. On Jaa: valikosta, valitse Julkaise hallintapaneeli.

2. Anna hallintapaneelillesi nimi.
3. Valita Julkaise hallintapaneeli.

Onnittelut, vaihtuvuusanalyysin hallintapaneelin luominen onnistui.

Päivitä hallintapaneelisi uudella ennusteella

Kun malli kehittyy ja luomme uutta tietoa yrityksestä, meidän on ehkä päivitettävä tämä hallintapaneeli uusilla tiedoilla. Suorita seuraavat vaiheet:

1. Luo uusi tiedosto churn-no-labels-updated.csv valitsemalla satunnaisesti vielä 1,500 XNUMX riviä alkuperäisestä tietojoukosta churn.csv ja poistamalla Churn? sarake.

Käytämme tätä uutta tietojoukkoa uusien ennusteiden luomiseen.

2. Toista vaiheet alkaen Käytä asiakasvaihtuvuusmallia tämän viestin osassa saadaksesi ennusteita uudelle tietojoukolle ja ladataksesi uuden tiedoston.
3. Valitse QuickSight-konsolista aineistot navigointipaneelissa.
4. Valitse luomamme tietojoukko.

5. Valita Muokkaa tietoaineistoa.

6. Valitse avattavasta valikosta Päivitä tiedosto.

7. Valita Lataa tiedosto.

8. Valitse äskettäin ladattu tiedosto ennusteineen.
9. Tarkista esikatselu ja valitse sitten Vahvista tiedostopäivitys.

Kun "Tiedosto päivitetty onnistuneesti" -viesti tulee näkyviin, voimme nähdä, että myös tiedoston nimi on muuttunut.

10. Valita Tallenna ja julkaise.

11. Kun "Tallennettu ja julkaistu onnistuneesti" -viesti tulee näkyviin, voit palata päävalikkoon valitsemalla QuickSight-logon vasemmasta yläkulmasta.

12. Valita Mittaristot navigointiruudussa ja valitse aiemmin luomamme kojelauta.

Sinun pitäisi nähdä kojelautasi päivitetyillä arvoilla.

Olemme juuri päivittäneet QuickSight-hallintapaneelimme Canvasin uusimmilla ennusteilla.

Puhdistaa

Välttääksesi tulevat maksut, kirjaudu ulos Canvasista.

Yhteenveto

Tässä postauksessa käytimme Canvasin ML-mallia ennustaaksemme asiakkaita, jotka ovat vaarassa vaimentaa, ja rakensimme kojelaudan oivaltavilla visualisoinneilla, jotka auttavat meitä tekemään tietoon perustuvia liiketoimintapäätöksiä. Teimme sen kirjoittamatta yhtään koodiriviä käyttäjäystävällisten käyttöliittymien ja selkeiden visualisointien ansiosta. Tämän ansiosta yritysanalyytikot voivat olla ketteriä rakentaessaan ML-malleja ja tehdä analyyseja ja poimia näkemyksiä täysin itsenäisesti datatieteen ryhmistä.

Lisätietoja Canvasin käytöstä on kohdassa Rakenna, jaa, ota käyttöön: kuinka yritysanalyytikot ja datatieteilijät saavuttavat nopeamman markkinoilletulon koodittoman ML:n ja Amazon SageMaker Canvasin avulla. Lisätietoja ML-mallien luomisesta koodittomalla ratkaisulla on kohdassa Amazon SageMaker Canvas julkistetaan – visuaalinen, kooditon koneoppimisominaisuus yritysanalyytikoille. Lisätietoja viimeisimmistä QuickSight-ominaisuuksista ja parhaista käytännöistä on kohdassa AWS Big Data -blogi.

---

kirjailijasta

Aleksandr Patrušev on AI/ML Specialist Solutions -arkkitehti AWS:ssä Luxemburgissa. Hän on intohimoinen pilvestä ja koneoppimisesta sekä tavasta, jolla ne voivat muuttaa maailmaa. Työn ulkopuolella hän nauttii vaeltamisesta, urheilusta ja perheen kanssa viettämisestä.

Davide Gallitelli on AI/ML:n erikoisratkaisuarkkitehti EMEA-alueella. Hänen kotipaikkansa on Bryssel ja työskentelee tiiviisti asiakkaiden kanssa kaikkialla Benelux-maissa. Hän on ollut kehittäjä pienestä pitäen, aloitti koodaamisen 7-vuotiaana. Hän aloitti tekoälyn/ML:n opiskelun yliopistossa ja on siitä lähtien rakastunut siihen.