Aktifkan pengambilan keputusan yang cerdas dengan Amazon SageMaker Canvas dan Amazon QuickSight

Setiap perusahaan, terlepas dari ukurannya, ingin memberikan produk dan layanan terbaik kepada pelanggannya. Untuk mencapai hal ini, perusahaan ingin memahami tren industri dan perilaku pelanggan, serta mengoptimalkan proses internal dan analisis data secara rutin. Ini adalah komponen penting dari kesuksesan perusahaan.

Bagian yang sangat menonjol dari peran analis mencakup visualisasi metrik bisnis (seperti pendapatan penjualan) dan prediksi peristiwa di masa mendatang (seperti peningkatan permintaan) untuk membuat keputusan bisnis berdasarkan data. Untuk mendekati tantangan pertama ini, Anda dapat menggunakan Amazon QuickSight, layanan intelijen bisnis (BI) skala cloud yang memberikan wawasan yang mudah dipahami dan memberikan kesempatan kepada pembuat keputusan untuk mengeksplorasi dan menafsirkan informasi dalam lingkungan visual yang interaktif. Untuk tugas kedua, Anda dapat menggunakan Kanvas Amazon SageMaker, layanan cloud yang memperluas akses ke machine learning (ML) dengan menyediakan antarmuka tunjuk dan klik visual yang memungkinkan Anda membuat prediksi ML akurat sendiri.

Saat melihat metrik ini, analis bisnis sering mengidentifikasi pola perilaku pelanggan, untuk menentukan apakah perusahaan berisiko kehilangan pelanggan. Masalah ini disebut pelanggan churn, dan model ML memiliki rekam jejak yang terbukti dalam memprediksi pelanggan tersebut dengan akurasi tinggi (misalnya, lihat Solusi AI Elula Membantu Bank Meningkatkan Retensi Pelanggan).

Membangun model ML bisa menjadi proses yang rumit karena memerlukan tim ahli untuk mengelola persiapan data dan pelatihan model ML. Namun, dengan Canvas, Anda dapat melakukannya tanpa pengetahuan khusus dan tanpa kode baris. Untuk informasi lebih lanjut, periksa Memprediksi churn pelanggan dengan pembelajaran mesin tanpa kode menggunakan Amazon SageMaker Canvas.

Dalam postingan ini, kami menunjukkan cara memvisualisasikan prediksi yang dihasilkan dari Canvas di dasbor QuickSight, memungkinkan pengambilan keputusan yang cerdas melalui ML.

Ikhtisar solusi

Di pos Memprediksi churn pelanggan dengan pembelajaran mesin tanpa kode menggunakan Amazon SageMaker Canvas, kami mengambil peran sebagai analis bisnis di departemen pemasaran operator telepon seluler, dan kami berhasil membuat model ML untuk mengidentifikasi pelanggan dengan potensi risiko churn. Berkat prediksi yang dihasilkan oleh model kami, kami sekarang ingin membuat analisis hasil keuangan potensial untuk membuat keputusan bisnis berdasarkan data tentang promosi potensial untuk klien dan wilayah ini.

Arsitektur yang akan membantu kita mencapai hal ini ditunjukkan dalam diagram berikut.

Langkah-langkah alur kerjanya adalah sebagai berikut:

1. Unggah kumpulan data baru dengan populasi pelanggan saat ini ke Canvas.
2. Jalankan prediksi batch dan unduh hasilnya.
3. Unggah file ke QuickSight untuk membuat atau memperbarui visualisasi.

Anda dapat melakukan langkah-langkah ini di Canvas tanpa menulis satu baris kode pun. Untuk daftar lengkap sumber data yang didukung, lihat Mengimpor data di Amazon SageMaker Canvas.

Prasyarat

Untuk panduan ini, pastikan bahwa prasyarat berikut terpenuhi:

Gunakan model pergantian pelanggan

Setelah Anda menyelesaikan prasyarat, Anda harus memiliki model yang dilatih pada data historis di Canvas, siap digunakan dengan data pelanggan baru untuk memprediksi churn pelanggan, yang kemudian dapat Anda gunakan di QuickSight.

1. Buat file baru churn-no-labels.csv dengan memilih secara acak 1,500 baris dari dataset asli churn.csv dan menghilangkan Churn? kolom.

Kami menggunakan dataset baru ini untuk menghasilkan prediksi.

Kami menyelesaikan langkah selanjutnya di Canvas. Anda dapat membuka Canvas melalui Konsol Manajemen AWS, atau melalui aplikasi SSO yang disediakan oleh administrator cloud Anda. Jika Anda tidak yakin bagaimana mengakses Canvas, lihat Memulai menggunakan Amazon SageMaker Canvas.

2. Di konsol Canvas, pilih Dataset di panel navigasi.
3. Pilih impor.

4. Pilih Unggah Dan pilih churn-no-labels.csv file yang Anda buat.
5. Pilih Impor data.

Waktu proses impor data tergantung pada ukuran file. Dalam kasus kami, itu harus sekitar 10 detik. Setelah selesai, kita bisa melihat dataset ada di Ready status.

6. Untuk mempratinjau 100 baris pertama dari kumpulan data, pilih menu opsi (tiga titik) dan pilih Preview.

7. Pilih Model di panel navigasi, lalu pilih model churn yang Anda buat sebagai bagian dari prasyarat.

8. pada Meramalkan tab, pilih Pilih set data.

9. Pilih churn-no-labels.csv kumpulan data, lalu pilih Hasilkan prediksi.

Waktu inferensi tergantung pada kompleksitas model dan ukuran kumpulan data; dalam kasus kami, dibutuhkan sekitar 10 detik. Ketika pekerjaan selesai, itu mengubah statusnya menjadi Siap dan kami dapat mengunduh hasilnya.

10. Pilih menu opsi (tiga titik), Unduh, dan Unduh semua nilai.

Secara opsional, kita dapat melihat sekilas hasil yang dipilih Preview. Dua kolom pertama adalah prediksi dari model.

Kami telah berhasil menggunakan model kami untuk memprediksi risiko churn untuk populasi pelanggan kami saat ini. Sekarang kami siap untuk memvisualisasikan metrik bisnis berdasarkan prediksi kami.

Impor data ke QuickSight

Seperti yang telah kita bahas sebelumnya, analis bisnis memerlukan prediksi untuk divisualisasikan bersama dengan metrik bisnis untuk membuat keputusan bisnis berbasis data. Untuk melakukan itu, kami menggunakan QuickSight, yang memberikan wawasan yang mudah dipahami dan memberikan kesempatan kepada pembuat keputusan untuk mengeksplorasi dan menafsirkan informasi dalam lingkungan visual yang interaktif. Dengan QuickSight, kita dapat membuat visualisasi seperti grafik dan bagan dalam hitungan detik dengan antarmuka drag-and-drop yang sederhana. Dalam posting ini, kami membangun beberapa visualisasi untuk lebih memahami risiko bisnis dan bagaimana kami dapat mengelolanya, seperti di mana kami harus meluncurkan kampanye pemasaran baru.

Untuk memulai, selesaikan langkah-langkah berikut:

1. Pada konsol QuickSight, pilih Dataset di panel navigasi.
2. Pilih Dataset baru.

QuickSight mendukung banyak sumber data. Dalam posting ini, kami menggunakan file lokal, yang sebelumnya kami buat di Canvas, sebagai data sumber kami.

3. Pilih Unggah file.

4. Pilih file yang baru saja diunduh dengan prediksi.

QuickSight mengunggah dan menganalisis file.

5. Periksa apakah semuanya seperti yang diharapkan di pratinjau, lalu pilih Selanjutnya.

6. Pilih Membayangkan.

Data sekarang berhasil diimpor dan kami siap untuk menganalisisnya.

Buat dasbor dengan metrik bisnis dari prediksi churn

Saatnya untuk menganalisis data kita dan membuat dasbor yang jelas dan mudah digunakan yang merangkum semua informasi yang diperlukan untuk keputusan bisnis berbasis data. Jenis dasbor ini merupakan alat penting dalam gudang analis bisnis.

Berikut ini adalah contoh dasbor yang dapat membantu mengidentifikasi dan bertindak atas risiko churn pelanggan.

Di dasbor ini, kami memvisualisasikan beberapa metrik bisnis penting:

• Pelanggan cenderung churn – Bagan donat kiri mewakili jumlah dan persentase pengguna di atas 50% risiko pengadukan. Bagan ini membantu kita dengan cepat memahami ukuran potensi masalah.
• Potensi kehilangan pendapatan – Bagan donat tengah atas mewakili jumlah kehilangan pendapatan dari pengguna di atas 50% risiko pengadukan. Bagan ini membantu kami memahami dengan cepat besarnya potensi kehilangan pendapatan dari churn. Bagan tersebut juga menunjukkan bahwa kami dapat kehilangan beberapa pelanggan di atas rata-rata karena persentase potensi kehilangan pendapatan yang lebih besar daripada persentase pengguna yang berisiko berhenti.
• Potensi kehilangan pendapatan menurut negara – Bagan batang horizontal kanan atas menunjukkan ukuran pendapatan yang hilang versus pendapatan dari pelanggan yang tidak berisiko mengalami perputaran. Visual ini dapat membantu kami memahami keadaan mana yang paling penting bagi kami dari perspektif kampanye pemasaran.
• Detail tentang pelanggan yang berisiko churn – Tabel kiri bawah berisi detail tentang semua pelanggan kami. Tabel ini dapat membantu jika kita ingin melihat detail beberapa pelanggan dengan dan tanpa risiko churn dengan cepat.

Pelanggan cenderung churn

Kami mulai dengan membuat bagan dengan pelanggan yang berisiko mengalami kegagalan.

1. Bawah Daftar bidang, memilih Mengocok? atribut.

QuickSight secara otomatis membuat visualisasi.

Meskipun plot batang adalah visualisasi umum untuk memahami distribusi data, kami lebih suka menggunakan bagan donat. Kita dapat mengubah visual ini dengan mengubah propertinya.

2. Pilih ikon bagan donat di bawah Jenis visual.
3. Pilih nama saat ini (klik dua kali) dan ubah menjadi Pelanggan cenderung churn.

4. Untuk menyesuaikan efek visual lainnya (hapus legenda, tambahkan nilai, ubah ukuran font), pilih ikon pensil dan buat perubahan Anda.

Seperti yang ditunjukkan pada tangkapan layar berikut, kami meningkatkan area donat, serta menambahkan beberapa informasi tambahan di label.

Potensi kehilangan pendapatan

Metrik penting lainnya yang perlu dipertimbangkan saat menghitung dampak bisnis dari churn pelanggan adalah potensi kehilangan pendapatan. Ini adalah metrik penting karena membantu kami memahami dampak bisnis dari pelanggan yang tidak berisiko berhenti. Dalam industri telekomunikasi, misalnya, kita dapat memiliki banyak klien tidak aktif yang memiliki risiko tinggi churn dan tetapi tidak menghasilkan pendapatan. Bagan ini dapat membantu kita memahami apakah kita berada dalam situasi seperti itu atau tidak. Untuk menambahkan metrik ini ke dasbor, kami membuat bidang kalkulasi khusus dengan memberikan rumus matematika untuk menghitung potensi kehilangan pendapatan, lalu memvisualisasikannya sebagai bagan donat lainnya.

1. pada Add menu, pilih Tambahkan kolom kalkulasi.

2. Beri nama bidang Total biaya.
3. Masukkan rumus {Biaya Harian}+{Biaya Malam}+{Biaya Internasional}+{Biaya Malam}.
4. Pilih Save.

5. pada Add menu, pilih Tambahkan visual.

6. Bawah Jenis visual, pilih ikon bagan donat.
7. Bawah Daftar bidang, menyeret Mengocok? untuk Grup/Warna.
8. sayang Total biaya untuk Nilai.
9. pada Nilai menu, pilih Tunjukkan sebagai Dan pilihlah Currency.
10. Pilih ikon pensil untuk menyesuaikan efek visual lainnya (hapus legenda, tambahkan nilai, ubah ukuran font).

Saat ini, dashboard kami memiliki dua visualisasi.

Kita sudah dapat mengamati bahwa secara total kita bisa kehilangan 18% (270) pelanggan, yang sama dengan 24% ($6,280) dalam pendapatan. Mari kita telusuri lebih jauh dengan menganalisis potensi kehilangan pendapatan di tingkat negara bagian.

Potensi kehilangan pendapatan menurut negara

Untuk memvisualisasikan potensi kehilangan pendapatan menurut negara bagian, mari tambahkan grafik batang horizontal.

1. pada Add menu, pilih Tambahkan visual.

2. Bawah Jenis visualpilih ikon diagram batang horizontal.
3. Bawah Daftar bidangmenyeret Mengocok? untuk Grup/Warna.
4. sayang Total biaya untuk Nilai.
5. pada Nilai menu, pilih Tunjukkan sebagai dan Currency.
6. sayang Tahap untuk sumbu Y.
7. Pilih ikon pensil untuk menyesuaikan efek visual lainnya (hapus legenda, tambahkan nilai, ubah ukuran font).

8. Kami juga dapat mengurutkan visual baru kami dengan memilih Total biaya di bagian bawah dan memilih Descending.

Visual ini dapat membantu kita memahami keadaan mana yang paling penting dari perspektif kampanye pemasaran. Misalnya, di Hawaii, kami berpotensi kehilangan separuh pendapatan kami ($253,000) sementara di Washington, nilai ini kurang dari 10% ($52,000). Kami juga dapat melihat bahwa di Arizona, kami berisiko kehilangan hampir setiap pelanggan.

Detail tentang pelanggan yang berisiko churn

Mari kita buat tabel dengan detail tentang pelanggan yang berisiko churn.

1. pada Add menu, pilih Tambahkan visual.

2. Bawah Jenis visual, pilih ikon tabel.
3. Bawah Daftar bidang, menyeret Nomor Hp / Telephone, Negara, Rencana Internasional, Paket Vmail, Mengocok?, dan Panjang Akun untuk Kelompok oleh.
4. sayang probabilitas untuk Nilai.
5. pada Nilai menu, pilih Tunjukkan sebagai dan Persen.

Sesuaikan dasbor Anda

QuickSight menawarkan beberapa opsi untuk menyesuaikan dasbor Anda, seperti berikut ini.

1. Untuk menambahkan nama, di Add menu, pilih Tambahkan judul.

2. Masukkan judul (untuk posting ini, kami mengganti nama dasbor kami analisis churn).

3. Untuk mengubah ukuran visual Anda, pilih sudut kanan bawah bagan dan seret ke ukuran yang diinginkan.
4. Untuk memindahkan visual, pilih bagian tengah atas bagan dan seret ke lokasi baru.
5. Untuk mengubah tema, pilih Themes di panel navigasi.
6. Pilih tema baru Anda (misalnya, Tengah malam), dan pilih Mendaftar.

Publikasikan dasbor Anda

Dasbor adalah cuplikan analisis hanya-baca yang dapat Anda bagikan dengan pengguna QuickSight lainnya untuk tujuan pelaporan. Dasbor Anda mempertahankan konfigurasi analisis pada saat Anda memublikasikannya, termasuk hal-hal seperti pemfilteran, parameter, kontrol, dan urutan pengurutan. Data yang digunakan untuk analisis tidak diambil sebagai bagian dari dasbor. Saat Anda melihat dasbor, ini mencerminkan data saat ini dalam kumpulan data yang digunakan oleh analisis.

Untuk memublikasikan dasbor Anda, selesaikan langkah-langkah berikut:

1. pada Share menu, pilih Publikasikan dasbor.

2. Masukkan nama untuk dasbor Anda.
3. Pilih Publikasikan dasbor.

Selamat, Anda telah berhasil membuat dasbor analisis churn.

Perbarui dasbor Anda dengan prediksi baru

Seiring berkembangnya model dan kami menghasilkan data baru dari bisnis, kami mungkin perlu memperbarui dasbor ini dengan informasi baru. Selesaikan langkah-langkah berikut:

1. Buat file baru churn-no-labels-updated.csv dengan memilih secara acak 1,500 baris lain dari dataset asli churn.csv dan menghilangkan Churn? kolom.

Kami menggunakan kumpulan data baru ini untuk menghasilkan prediksi baru.

2. Ulangi langkah dari Gunakan model pergantian pelanggan bagian dari posting ini untuk mendapatkan prediksi untuk dataset baru, dan mengunduh file baru.
3. Pada konsol QuickSight, pilih Dataset di panel navigasi.
4. Pilih kumpulan data yang kita buat.

5. Pilih Edit kumpulan data.

6. Di menu drop-down, pilih Perbarui file.

7. Pilih Unggah data.

8. Pilih file yang baru saja diunduh dengan prediksi.
9. Tinjau pratinjau, lalu pilih Konfirmasi pembaruan file.

Setelah muncul pesan “File updated Successfully”, kita dapat melihat bahwa nama file juga telah berubah.

10. Pilih Simpan & publikasikan.

11. Ketika muncul pesan “Saved and published Successfully”, Anda dapat kembali ke menu utama dengan memilih logo QuickSight di pojok kiri atas.

12. Pilih Dashboard di panel navigasi dan pilih dasbor yang telah kita buat sebelumnya.

Anda akan melihat dasbor Anda dengan nilai yang diperbarui.

Kami baru saja memperbarui dasbor QuickSight kami dengan prediksi terbaru dari Canvas.

Membersihkan

Untuk menghindari biaya di masa mendatang, keluar dari kanvas.

Kesimpulan

Dalam postingan ini, kami menggunakan model ML dari Canvas untuk memprediksi pelanggan yang berisiko berhenti dan membuat dasbor dengan visualisasi yang mendalam untuk membantu kami membuat keputusan bisnis berdasarkan data. Kami melakukannya tanpa menulis satu baris kode pun berkat antarmuka yang ramah pengguna dan visualisasi yang jelas. Hal ini memungkinkan analis bisnis untuk gesit dalam membangun model ML, dan melakukan analisis dan mengekstrak wawasan dalam otonomi penuh dari tim ilmu data.

Untuk mempelajari lebih lanjut tentang menggunakan Canvas, lihat Bangun, Bagikan, Terapkan: bagaimana analis bisnis dan ilmuwan data mencapai time-to-market yang lebih cepat menggunakan ML tanpa kode dan Amazon SageMaker Canvas. Untuk informasi selengkapnya tentang membuat model ML dengan solusi tanpa kode, lihat Mengumumkan Amazon SageMaker Canvas – Kemampuan Machine Learning Visual, Tanpa Kode untuk Analis Bisnis. Untuk mempelajari lebih lanjut tentang fitur QuickSight terbaru dan praktik terbaik, lihat Blog Data Besar AWS.

---

tentang Penulis

Alexander Patrushev adalah Arsitek Solusi Spesialis AI/ML di AWS, yang berbasis di Luksemburg. Dia bersemangat tentang cloud dan pembelajaran mesin, dan cara mereka dapat mengubah dunia. Di luar pekerjaan, ia menikmati hiking, olahraga, dan menghabiskan waktu bersama keluarganya.

Davide Gallitelli adalah Arsitek Solusi Spesialis untuk AI/ML di wilayah EMEA. Dia berbasis di Brussel dan bekerja sama dengan pelanggan di seluruh Benelux. Dia telah menjadi pengembang sejak dia masih sangat muda, mulai membuat kode pada usia 7 tahun. Dia mulai belajar AI/ML di universitas, dan telah jatuh cinta padanya sejak saat itu.