Asiakkaiden käyttäytymisen ymmärtäminen on jokaisen yrityksen tärkeintä nykyään. Ymmärrys siitä, miksi ja miten asiakkaat ostavat, voi auttaa kasvattamaan tuloja. Mutta asiakkaiden menettäminen (kutsutaan myös asiakkaiden vaihtumiseksi) on aina riski, ja näkemykset siitä, miksi asiakkaat lähtevät, voivat olla yhtä tärkeitä tulojen ja voittojen ylläpitämisen kannalta. Koneoppiminen (ML) voi auttaa oivalluksissa, mutta tähän asti tarvitsit ML-asiantuntijoita luomaan malleja, joilla ennakoidaan vaihtuvuutta, jonka puute voi viivästyttää yritysten oivalluksiin perustuvia toimia asiakkaiden säilyttämiseksi.
Tässä viestissä näytämme sinulle, kuinka yritysanalyytikot voivat rakentaa asiakasvaihtuvuuden ML-mallin Amazon SageMaker Canvas, koodia ei vaadita. Canvas tarjoaa yritysanalyytikoille visuaalisen osoita ja napsauta -käyttöliittymän, jonka avulla voit luoda malleja ja luoda tarkkoja ML-ennusteita itse – ilman ML-kokemusta tai yhden koodirivin kirjoittamista.
Katsaus ratkaisuun
Tässä tehtävässä otamme markkinointianalyytikon roolin matkapuhelinoperaattorin markkinointiosastolla. Olemme saaneet tehtäväkseen tunnistaa asiakkaat, jotka ovat mahdollisesti vaihtumisvaarassa. Meillä on pääsy palvelun käyttö- ja muihin asiakaskäyttäytymistietoihin, ja haluamme tietää, voivatko nämä tiedot selittää, miksi asiakas lähtisi. Jos pystymme tunnistamaan vaihtuvuuden selittävät tekijät, voimme ryhtyä korjaaviin toimiin ennustetun käyttäytymisen muuttamiseksi, kuten toteuttaa kohdistettuja säilyttämiskampanjoita.
Käytämme tähän CSV-tiedostossamme olevia tietoja, jotka sisältävät tietoja asiakkaiden käytöstä ja vaihtumisesta. Käytämme Canvasia seuraavien vaiheiden suorittamiseen:
- Tuo vaihtuvuustietojoukko Amazonin yksinkertainen tallennuspalvelu (Amazon S3).
- Kouluta ja rakenna churn-malli.
- Analysoi mallin tulokset.
- Testaa ennusteita mallia vastaan.
Tietojoukossamme käytämme a synteettinen tietojoukko matkapuhelinoperaattorilta. Tämä esimerkkitietojoukko sisältää 5,000 21 tietuetta, joissa jokainen tietue käyttää XNUMX attribuuttia asiakasprofiilin kuvaamiseen. Attribuutit ovat seuraavat:
- Osavaltio – Yhdysvaltain osavaltio, jossa asiakas asuu, ilmaistuna kaksikirjaimalla lyhenteellä; esimerkiksi OH tai NJ
- Tilin pituus - Kuinka monta päivää tämä tili on ollut aktiivinen
- Aluekoodi – Asiakkaan puhelinnumeron kolminumeroinen suuntanumero
- Puhelin – Jäljellä oleva seitsennumeroinen puhelinnumero
- Kansainvälinen suunnitelma – Onko asiakkaalla ulkomaanpuhelusopimus (kyllä/ei)
- VMail-suunnitelma – Onko asiakkaalla puhepostitoiminto (kyllä/ei)
- VMail -viesti - Keskimääräinen puhepostiviestien määrä kuukaudessa
- Päivä min – Päivän aikana käytettyjen puheluminuuttien kokonaismäärä
- Päiväpuhelut – Päivän aikana soitettujen puheluiden kokonaismäärä
- Päivämaksu – Päiväpuhelujen laskutetut kustannukset
- Eve Mins, Eve soittaa, Eeva-maksu – Iltapuhelujen laskutuskulut
- Yön min, Yöpuhelut, Yömaksu – Yöpuhelujen laskutettu hinta
- Kansainvälinen min, Kansainväliset puhelut, Intl-maksu - Laskutusmaksu kansainvälisistä puheluista
- CustServ-puhelut - Asiakaspalveluun soitettujen puheluiden määrä
- Vaihtuu? – Poistuiko asiakas palvelusta (tosi/epätosi)
Viimeinen ominaisuus, Churn?
, on attribuutti, jonka haluamme ML-mallin ennustavan. Kohdeattribuutti on binäärinen, mikä tarkoittaa, että mallimme ennustaa tuotoksen yhtenä kahdesta kategoriasta (True
or False
).
Edellytykset
Pilvijärjestelmänvalvoja, jolla on AWS-tili seuraavien edellytysten täyttämiseen vaaditaan asianmukaiset luvat:
- Ota käyttöön Amazon Sage Maker Katso ohjeet kohdasta Sisääntulo Amazon SageMaker -verkkotunnukseen.
- Ota Canvas käyttöön. Katso ohjeet Amazon SageMaker Canvasin määrittäminen ja hallinta (IT-järjestelmänvalvojille).
- Määritä eri lähteiden resurssien jakamisen (CORS) käytännöt Canvasille. Katso ohjeet Anna käyttäjillesi mahdollisuus ladata paikallisia tiedostoja.
Luo asiakkaan vaihtomalli
Ensin ladataan vaihtuva tietojoukko ja tarkista tiedosto varmistaaksesi, että kaikki tiedot ovat siellä. Suorita sitten seuraavat vaiheet:
- Kirjaudu sisään AWS-hallintakonsoli, käyttämällä tiliä, jolla on tarvittavat käyttöoikeudet Canvasiin.
- Kirjaudu sisään Canvas-konsoliin.
Täällä voimme hallita tietojoukkojamme ja luoda malleja.
- Valita Tuo.
- Valita Lataa Ja valitse
churn.csv
tiedosto. - Valita Tuo päivämäärät ladataksesi sen Canvasille.
Tuontiprosessi kestää noin 10 sekuntia (tämä voi vaihdella tietojoukon koon mukaan). Kun se on valmis, voimme nähdä, että tietojoukko on mukana Ready
tila.
- Voit esikatsella tietojoukon 100 ensimmäistä riviä viemällä hiiren silmäkuvakkeen päälle.
Tietojoukon esikatselu tulee näkyviin. Täällä voimme varmistaa, että tietomme ovat oikein.
Kun olemme vahvistaneet, että tuotu tietojoukko on valmis, luomme mallimme.
- Valita Uusi malli.
- Valitse churn.csv-tietojoukko ja valitse Valitse tietojoukko.
Nyt määritämme rakennusmallin prosessin.
- varten Kohdesarakkeet, Valitse
Churn?
sarake.
varten Mallityyppi, Canvas suosittelee automaattisesti mallityyppiä tässä tapauksessa 2 luokan ennuste (mitä datatieteilijä kutsuisi binääriluokitukseksi). Tämä sopii käyttötapaukseemme, koska meillä on vain kaksi mahdollista ennustearvoa: True
or False
, joten noudatamme suositusta Canvas made.
Vahvistamme nyt joitain oletuksia. Haluamme saada nopean kuvan siitä, voidaanko kohdesarakkeemme ennustaa muiden sarakkeiden avulla. Saamme nopean kuvan mallin arvioidusta tarkkuudesta ja sarakkeen vaikutuksesta (kunkin sarakkeen arvioitu merkitys kohdesarakkeen ennustamisessa).
- Valitse kaikki 21 saraketta ja valitse Esikatselu malli.
Tämä ominaisuus käyttää osajoukkoa tietojoukostamme ja vain yhtä läpimenoa mallintamisessa. Meidän käyttötapauksessamme esikatselumallin rakentaminen kestää noin 2 minuuttia.
Kuten seuraavassa kuvakaappauksessa näkyy, Phone
ja State
sarakkeilla on paljon vähemmän vaikutusta ennusteeseemme. Haluamme olla varovaisia poistaessamme tekstinsyöttöä, koska se voi sisältää tärkeitä erillisiä, kategorisia ominaisuuksia, jotka vaikuttavat ennustamiseen. Tässä puhelinnumero vastaa vain tilinumeroa – ei ole arvokasta muiden tilien vaihtuvuuden ennustamisessa, eikä asiakkaan tila vaikuta malliimme juurikaan.
- Poistamme nämä sarakkeet, koska niillä ei ole suurta ominaisuuksien merkitystä.
- Kun olemme poistaneet
Phone
jaState
sarakkeita, suoritetaan esikatselu uudelleen.
Kuten seuraavassa kuvakaappauksessa näkyy, mallin tarkkuus parani 0.1 %. Esikatselumallimme arvioitu tarkkuus on 95.9 %, ja eniten vaikuttavat sarakkeet ovat Night Calls
, Eve Mins
ja Night Charge
. Tämä antaa meille käsityksen siitä, mitkä sarakkeet vaikuttavat eniten mallimme suorituskykyyn. Tässä meidän on oltava varovaisia valittaessa ominaisuuksia, koska jos yksittäinen ominaisuus vaikuttaa erittäin paljon mallin tulokseen, se on ensisijainen indikaattori kohdevuoto, ja ominaisuus ei ole käytettävissä ennustushetkellä. Tässä tapauksessa muutamalla sarakkeella oli hyvin samanlainen vaikutus, joten jatkamme mallin rakentamista.
Canvas tarjoaa kaksi rakennusvaihtoehtoa:
- Vakiorakenne – Rakentaa parhaan mallin optimoidusta prosessista AutoML; nopeus vaihdetaan parhaaseen tarkkuuteen
- Nopea rakentaa – Rakentaa mallin murto-osassa ajasta verrattuna tavalliseen rakentamiseen; potentiaalinen tarkkuus vaihdetaan nopeuteen.
- Tätä viestiä varten valitsemme Vakiorakenne vaihtoehto, koska haluamme parhaan mallin ja olemme valmiita käyttämään lisäaikaa odottamaan tulosta.
Rakennusprosessi voi kestää 2–4 tuntia. Tänä aikana Canvas testaa satoja ehdokasputkia ja valitsee meille esitettävän parhaan mallin. Seuraavassa kuvakaappauksessa voimme nähdä odotetun rakennusajan ja edistymisen.
Arvioi mallin suorituskykyä
Kun mallinrakennusprosessi on valmis, mallin ennusti vaihtuvan 97.9 % ajasta. Tämä vaikuttaa hyvältä, mutta analyytikoina haluamme sukeltaa syvemmälle ja katsoa, voimmeko luottaa malliin tekemään päätöksiä sen perusteella. Käytössä Pisteytys -välilehti, voimme tarkastella ennusteistamme visuaalista kuvaa, joka on kartoitettu niiden tuloksiin. Tämä antaa meille syvemmän käsityksen mallistamme.
Canvas jakaa tietojoukon harjoitus- ja testijoukkoon. Harjoittelutietojoukko on tietoja, joita Canvas käyttää mallin rakentamiseen. Testisarjaa käytetään sen selvittämiseen, toimiiko malli hyvin uusilla tiedoilla. Seuraavan kuvakaappauksen Sankey-kaavio näyttää, kuinka malli suoriutui testisarjassa. Lisätietoja saat osoitteesta Arvioi mallisi suorituskykyä Amazon SageMaker Canvasissa.
Yritysanalyytikot voivat käyttää a sekaannusmatriisi analyysi heidän liiketoimintaratkaisuilleen. Haluamme esimerkiksi ymmärtää paremmin sen todennäköisyyden, että malli tekee vääriä ennusteita. Näemme tämän Sankey-kaaviossa, mutta haluamme lisää näkemyksiä, joten valitsemme Kehittyneet mittarit. Meille esitetään sekaannusmatriisi, joka näyttää mallin suorituskyvyn visuaalisessa muodossa seuraavilla positiiviselle luokalle ominaisilla arvoilla – mittaamme sen perusteella, vaihtuuko ne todella, joten positiivinen luokkamme on True
tässä esimerkissä:
- Tosi positiivinen (TP) - Lukumäärä
True
tulokset, jotka ennustettiin oikeinTrue
- Todellinen negatiivinen (TN) - Lukumäärä
False
tulokset, jotka ennustettiin oikeinFalse
- Väärin positiivinen (FP) - Lukumäärä
False
tulokset, jotka ennustettiin väärinTrue
- Väärä negatiivinen (FN) - Lukumäärä
True
tulokset, jotka ennustettiin väärinFalse
Tämän matriisikaavion avulla voimme määrittää paitsi kuinka tarkka mallimme on, myös milloin se on väärä, kuinka usein se voi olla ja kuinka se on väärin.
Edistyneet mittarit näyttävät hyvältä. Voimme luottaa mallitulokseen. Näemme erittäin vähän vääriä positiivisia ja vääriä negatiivisia. Näitä ovat, jos malli uskoo, että tietojoukossa oleva asiakas vaihtuu, mutta ei todellisuudessa (väärä positiivinen), tai jos malli uskoo, että asiakas vaihtuu ja he todella tekevät (väärä negatiivinen). Jommankumman korkeat luvut saattavat saada meidät miettimään enemmän, voimmeko käyttää mallia päätösten tekemiseen.
Palataan takaisin Yleiskatsaus -välilehti, jotta voit tarkastella kunkin sarakkeen vaikutusta. Nämä tiedot voivat auttaa markkinointitiimiä saamaan oivalluksia, jotka johtavat toimenpiteisiin asiakkaiden vaihtuvuuden vähentämiseksi. Voimme esimerkiksi nähdä, että sekä matala että korkea CustServ Calls
lisää vaimenemisen todennäköisyyttä. Markkinointitiimi voi ryhtyä toimiin estääkseen asiakkaiden vaihtuvuuden näiden oppien perusteella. Esimerkkejä ovat yksityiskohtaisten usein kysyttyjen kysymysten luominen verkkosivustoille asiakaspalvelupuheluiden vähentämiseksi ja koulutuskampanjoiden järjestäminen asiakkaiden kanssa UKK-osiossa, mikä voi ylläpitää sitoutumista.
Mallimme näyttää melko tarkalta. Voimme suoraan tehdä interaktiivisen ennusteen Ennustaa -välilehti joko eränä tai yksittäisenä (reaaliaikaisena) ennusteena. Tässä esimerkissä teimme muutamia muutoksia tiettyihin sarakkeiden arvoihin ja teimme reaaliaikaisen ennusteen. Canvas näyttää meille ennusteen tuloksen sekä luottamustason.
Oletetaan, että meillä on olemassa oleva asiakas, jolla on seuraava käyttö: Night Mins
on 40 ja Eve Mins
on 40. Voimme tehdä ennusteen, ja mallimme palauttaa 93.2 %:n luottamuspisteen, jonka tämä asiakas vaikeuttaa (True
). Saatamme nyt tarjota kampanja-alennuksia säilyttääksemme tämän asiakkaan.
Oletetaan, että meillä on olemassa oleva asiakas, jolla on seuraava käyttötapa: Night Mins
on 40 ja Eve Mins
on 40. Voimme tehdä ennusteen, ja mallimme palauttaa 93.2 %:n luottamuspisteen, jonka tämä asiakas vaikeuttaa (True
). Saatamme nyt tarjota tarjousalennuksia säilyttääksemme tämän asiakkaan.
Yhden ennusteen suorittaminen sopii erinomaisesti yksittäiseen mitä jos -analyysiin, mutta meidän on myös suoritettava ennusteita useille tietueille kerralla. Canvas pystyy suorita eräennusteita, jonka avulla voit suorittaa ennusteita mittakaavassa.
Yhteenveto
Tässä viestissä näytimme, kuinka yritysanalyytikko voi luoda asiakasvaihtuvuusmallin SageMaker Canvasilla esimerkkitietojen avulla. Canvasin avulla yritysanalyytikot voivat luoda tarkkoja ML-malleja ja ennusteita käyttämällä kooditonta visuaalista osoita ja napsauta käyttöliittymää. Markkinoinnin analysoija voi nyt käyttää näitä tietoja kohdistettujen säilyttämiskampanjoiden toteuttamiseen ja uusien kampanjastrategioiden nopeampaan testaamiseen, mikä vähentää asiakkaiden vaihtuvuutta.
Analyytikot voivat viedä tämän uudelle tasolle jakamalla mallinsa datatieteilijöiden kanssa. Tietotutkijat voivat tarkastella Canvas-mallia Amazon SageMaker Studio, jossa he voivat tutkia Canvas AutoML:n tekemiä valintoja, validoida mallin tuloksia ja jopa tuottaa mallin muutamalla napsautuksella. Tämä voi nopeuttaa ML-pohjaista arvon luomista ja auttaa skaalaamaan parempia tuloksia nopeammin.
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.
kirjailijasta
Henry Robalino on ratkaisuarkkitehti AWS:ssä NJ:stä. Hän on intohimoinen pilvi- ja koneoppimiseen sekä niiden rooliin yhteiskunnassa. Hän saavuttaa tämän työskentelemällä asiakkaiden kanssa auttaakseen heitä saavuttamaan liiketoimintatavoitteensa AWS-pilven avulla. Työn ulkopuolella voit tavata Henryn matkustamassa tai tutkimassa ulkoilua turkistyttärensä Arlyn kanssa.
Chaoran Wang on ratkaisuarkkitehti AWS:ssä Dallasissa, TX:ssä. Hän on työskennellyt AWS:ssä siitä lähtien, kun hän valmistui Texasin yliopistosta Dallasissa vuonna 2016 tietojenkäsittelytieteen maisteriksi. Chaoran auttaa asiakkaita rakentamaan skaalautuvia, turvallisia ja kustannustehokkaita sovelluksia ja löytämään ratkaisuja liiketoiminnan haasteisiinsa AWS Cloudissa. Työn ulkopuolella Chaoran rakastaa viettää aikaa perheensä ja kahden koiransa, Biubiun ja Cocon, kanssa.
- Coinsmart. Euroopan paras Bitcoin- ja kryptopörssi.
- Platoblockchain. Web3 Metaverse Intelligence. Tietoa laajennettu. VAPAA PÄÄSY.
- CryptoHawk. Altcoinin tutka. Ilmainen kokeilu.
- Lähde: 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
- Meistä
- kiihdyttää
- pääsy
- Tili
- tarkka
- toimet
- lisä-
- admin
- ylläpitäjät
- kehittynyt
- Kaikki
- Amazon
- analyysi
- analyytikko
- sovellukset
- sopiva
- suunnilleen
- ALUE
- attribuutteja
- saatavissa
- keskimäärin
- AWS
- PARAS
- Jälkeen
- Suurimmat
- reunus
- rakentaa
- Rakentaminen
- rakentaa
- liiketoiminta
- yritykset
- Ostetaan
- soittaa
- Kampanja
- Kampanjat
- Voi saada
- ehdokkaat
- kangas
- Kategoria
- tietty
- haasteet
- muuttaa
- lataus
- valintoja
- Valita
- luokka
- luokittelu
- pilvi
- koodi
- työtovereiden
- Sarake
- verrattuna
- tietokone
- Tietojenkäsittelyoppi
- luottamus
- sekaannus
- Console
- sisältää
- jatkaa
- kustannustehokas
- voisi
- luoda
- Luominen
- luominen
- asiakas
- Asiakaspalvelu
- Asiakkaat
- Dallas
- tiedot
- tietojen tutkija
- syvempää
- viivyttää
- Riippuen
- sijoittaa
- yksityiskohtainen
- Määrittää
- suoraan
- näytöt
- ei
- koulutus
- sitoumus
- Tekniikka
- arvioidaan
- esimerkki
- olemassa
- odotettu
- experience
- asiantuntijat
- tutkia
- silmä
- tekijät
- perhe
- FAQ
- FAST
- nopeampi
- Ominaisuus
- Ominaisuudet
- loppu
- Etunimi
- jälkeen
- muoto
- tuottaa
- Tavoitteet
- hyvä
- suuri
- suurin
- Kasvaa
- ottaa
- auttaa
- auttaa
- tätä
- Korkea
- Miten
- HTTPS
- Sadat
- ICON
- tunnistaa
- tunnistaminen
- Vaikutus
- vaikuttavia
- merkitys
- tärkeä
- parani
- sisältää
- Kasvaa
- kasvoi
- henkilökohtainen
- tiedot
- panos
- oivalluksia
- vuorovaikutteinen
- liitäntä
- kansainvälisesti
- IT
- johtaa
- johtava
- OPPIA
- oppiminen
- jättää
- Taso
- linja
- paikallinen
- kone
- koneoppiminen
- tehty
- merkittävä
- Tekeminen
- hoitaa
- johto
- toimitusjohtaja
- Marketing
- maisterin
- Matriisi
- merkitys
- Metrics
- mielessä
- ML
- Puhelinnumero
- kännykkä
- malli
- mallit
- lisää
- eniten
- negatiivinen
- numero
- numerot
- Tarjoukset
- optimoitu
- Vaihtoehto
- Vaihtoehdot
- Muut
- ulkona
- intohimoinen
- suorituskyky
- Pelaa
- politiikkaa
- positiivinen
- mahdollinen
- mahdollinen
- ennustaa
- ennustus
- Ennusteet
- esittää
- aika
- preview
- ensisijainen
- prosessi
- Profiili
- voitot
- edistäminen
- myynninedistämis-
- toimittaa
- tarjoaa
- nopea
- reaaliaikainen
- suosittelee
- ennätys
- asiakirjat
- vähentää
- jäljellä oleva
- poistamalla
- tarvitaan
- resurssi
- tulokset
- Tuotto
- tulot
- arviot
- Riski
- ajaa
- juoksu
- skaalautuva
- Asteikko
- tiede
- Tiedemies
- tutkijat
- sekuntia
- turvallinen
- palvelu
- setti
- Jaa:
- jakaminen
- samankaltainen
- Yksinkertainen
- Koko
- So
- yhteiskunta
- vankka
- ratkaisu
- Ratkaisumme
- SOLVE
- jonkin verran
- nopeus
- viettää
- menot
- standardi
- Osavaltio
- Tila
- Levytila
- strategiat
- ottaen
- Kohde
- joukkue-
- tietoliikenne
- testi
- testit
- texas
- aika
- tänään
- ylin
- koulutus
- Matkustaminen
- Luottamus
- TX
- ymmärtää
- yliopisto
- us
- käyttää
- Käyttäjät
- arvo
- todentaa
- Näytä
- Ääni
- sivustot
- Mitä
- Mikä on
- onko
- KUKA
- wikipedia
- Referenssit
- työskentely
- olisi