Memahami tren bisnis, perilaku pelanggan, pendapatan penjualan, peningkatan permintaan, dan kecenderungan pembeli semuanya dimulai dengan data. Menjelajahi, menganalisis, menafsirkan, dan menemukan tren dalam data sangat penting bagi bisnis untuk mencapai hasil yang sukses.
Analis bisnis memainkan peran penting dalam memfasilitasi keputusan bisnis berbasis data melalui aktivitas seperti visualisasi metrik bisnis dan prediksi kejadian di masa mendatang. Iterasi cepat dan waktu-ke-nilai yang lebih cepat dapat dicapai dengan menyediakan alat intelijen bisnis visual (BI) bagi para analis ini untuk analisis sederhana, yang didukung oleh teknologi seperti pembelajaran mesin (ML).
Amazon QuickSight adalah layanan BI cloud-native yang dikelola sepenuhnya yang memudahkan untuk terhubung ke data Anda, membuat dasbor dan laporan interaktif, dan membagikannya dengan puluhan ribu pengguna, baik dalam QuickSight atau disematkan di aplikasi atau situs web Anda. Kanvas Amazon SageMaker adalah antarmuka visual yang memungkinkan analis bisnis membuat sendiri prediksi ML yang akurat, tanpa memerlukan pengalaman ML apa pun atau harus menulis satu baris kode pun.
Dalam postingan ini, kami menunjukkan bagaimana Anda dapat memublikasikan dasbor prediktif di QuickSight menggunakan prediksi berbasis ML dari Canvas, tanpa mendownload prediksi secara eksplisit dan mengimpornya ke QuickSight. Solusi ini akan membantu Anda mengirimkan prediksi dari Canvas ke QuickSight, memungkinkan Anda dengan pengambilan keputusan yang dipercepat menggunakan ML untuk mencapai hasil bisnis yang efektif.
Ikhtisar solusi
Di bagian berikut, kami membahas langkah-langkah yang akan membantu administrator mengonfigurasi izin yang tepat untuk mengalihkan pengguna dari Canvas ke QuickSight dengan mulus. Kemudian kami merinci cara membuat model dan menjalankan prediksi, serta mendemonstrasikan pengalaman analis bisnis.
Prasyarat
Prasyarat berikut diperlukan untuk mengimplementasikan solusi ini:
Pastikan untuk menggunakan QuickSight Region yang sama dengan Canvas. Anda dapat mengubah Wilayah dengan menavigasi dari ikon profil di konsol QuickSight.
Pengaturan administrator
Di bagian ini, kami merinci langkah-langkah untuk menyiapkan sumber daya IAM, menyiapkan data, melatih data dengan set data pelatihan, dan menyimpulkan set data validasi. Setelah itu, kami mengirim data ke QuickSight untuk analisis lebih lanjut.
Buat kebijakan IAM baru untuk akses QuickSight
Untuk membuat kebijakan IAM, selesaikan langkah-langkah berikut:
- Di konsol IAM, pilih Kebijakan di panel navigasi.
- Pilih Buat kebijakan.
- pada JSON tab, masukkan kebijakan izin berikut ke dalam editor:
Untuk detail tentang bahasa kebijakan IAM, lihat Referensi kebijakan IAM JSON.
- Pilih Berikutnya: Tag.
- Anda dapat menambahkan metadata ke kebijakan dengan melampirkan tag sebagai key-value pair, lalu pilih Berikutnya: Ulasan.
Untuk informasi selengkapnya tentang penggunaan tag di IAM, lihat Memberi tag sumber daya IAM.
- pada Tinjau kebijakan halaman, masukkan nama (misalnya,
canvas-quicksight-access-policy
) dan deskripsi kebijakan opsional. - Tinjau Kesimpulan untuk melihat izin yang diberikan oleh kebijakan Anda.
- Pilih Buat kebijakan untuk menyimpan pekerjaan Anda.
Setelah membuat kebijakan, Anda dapat melampirkannya ke peran eksekusi yang memberikan izin yang diperlukan kepada pengguna Anda untuk mengirim prediksi batch ke pengguna di QuickSight.
Lampirkan kebijakan ke peran eksekusi Studio Anda
Untuk melampirkan kebijakan ke peran eksekusi Studio Anda, selesaikan langkah-langkah berikut:
- Di konsol SageMaker, pilih Domain di panel navigasi.
- Pilih domain Anda.
- Pilih setting domain.
- Salin nama peran di bawah Peran eksekusi.
- Di konsol IAM, pilih Peran di panel navigasi.
- Di bilah pencarian, masukkan peran eksekusi yang Anda salin, lalu pilih peran.
- Di halaman untuk peran pengguna, navigasikan ke Kebijakan izin bagian.
- pada Tambahkan izin menu, pilih Lampirkan kebijakan.
- Telusuri kebijakan yang dibuat sebelumnya (
canvas-quicksight-access-policy
), pilih, dan pilih Tambahkan izin.
Sekarang Anda memiliki kebijakan IAM yang dilampirkan ke peran eksekusi Anda yang memberikan izin yang diperlukan kepada pengguna Anda untuk mengirim prediksi batch ke pengguna di QuickSight.
Unduh dataset
Mari unduh kumpulan data yang kita gunakan untuk melatih model dan membuat prediksi:
Buat model dan jalankan prediksi
Di bagian ini, kami membahas bagaimana kami dapat membuat model dan menjalankan prediksi pada kumpulan data pinjaman. Kemudian kami mengirimkan data ke dasbor QuickSight untuk mendapatkan wawasan bisnis.
Luncurkan Kanvas
Untuk meluncurkan Canvas, selesaikan langkah-langkah berikut:
- Di konsol SageMaker, pilih Domain di panel navigasi.
- Pilih domain Anda.
- pada Launch menu, pilih Kanvas.
Unggah set data pelatihan dan validasi
Selesaikan langkah-langkah berikut untuk mengunggah set data Anda ke Canvas:
- Di halaman beranda Canvas, pilih Dataset.
- Pilih Impor data, lalu unggah
lending_club_loan_data_train.csv
danlending_club_loan_data_test.csv
. - Pilih Simpan & Tutup, Lalu pilih Impor data.
Sekarang mari kita buat model baru.
- Pilih Model saya di panel navigasi.
- Pilih Model baru.
- Masukkan nama untuk model Anda (
Loan_Prediction
) dan pilih membuat.
Jika ini pertama kalinya membuat model Canvas, Anda akan disambut oleh pop-up informatif tentang cara membuat model pertama Anda dalam empat langkah sederhana. Anda dapat membaca ini, lalu kembali ke panduan ini.
- Dalam tampilan model, pada Pilih tab, pilih
lending_club_loan_data_train
Himpunan data.
Dataset ini memiliki 18 kolom dan 32,000 baris.
- Pilih Pilih kumpulan data.
- pada Membangun tab, pilih kolom target, dalam kasus kami
loan_status
.
Canvas akan secara otomatis mendeteksi bahwa ini adalah a 3+ prediksi kategori masalah (juga dikenal sebagai klasifikasi multi-kelas).
- Jika tipe model lain terdeteksi, ubah secara manual dengan memilih Ubah tipe.
- Pilih Membangun cepat, Lalu pilih Mulai pembuatan cepat dari pop-up.
Anda juga bisa memilih bangunan standar, yang melewati siklus AutoML lengkap, menghasilkan beberapa model sebelum merekomendasikan model terbaik.
Sekarang model Anda sedang dibangun. Pembuatan cepat biasanya membutuhkan waktu 2โ15 menit.
Setelah model dibuat, Anda dapat menemukan status model di Menganalisa Tab.
Membuat prediksi dengan model
Setelah kami membangun dan melatih model, kami dapat menghasilkan prediksi pada model ini.
- Pilih Meramalkan pada Menganalisa tab, atau pilih Meramalkan Tab.
- Jalankan satu prediksi dengan memilih Prediksi tunggal dan menyediakan entri.
Anda akan melihat prediksi status_pinjaman di sisi kanan halaman. Anda dapat menyalin prediksi dengan memilih Copy, atau unduh dengan memilih Unduh prediksi. Ini sangat ideal untuk menghasilkan skenario bagaimana-jika dan menguji bagaimana kolom yang berbeda memengaruhi prediksi model kami.
- Untuk menjalankan prediksi batch, pilih Prediksi batch.
Ini paling baik jika Anda ingin membuat prediksi untuk seluruh kumpulan data. Anda harus membuat prediksi dengan kumpulan data yang cocok dengan kumpulan data input Anda.
Untuk setiap prediksi atau kumpulan prediksi, Canvas mengembalikan nilai prediksi dan probabilitas nilai prediksi itu benar.
Mari membuat prediksi dari model yang dilatih menggunakan dataset validasi.
- Pilih Pilih kumpulan data.
- Pilih
lending_club_loan_data_test
Dan pilihlah Hasilkan prediksi.
Saat prediksi Anda siap, Anda dapat menemukannya di Dataset bagian. Anda dapat mempratinjau prediksi, mengunduhnya ke mesin lokal, menghapusnya, atau mengirimkannya ke QuickSight.
Kirim prediksi ke QuickSight
Anda kini dapat membagikan prediksi dari model ML ini sebagai kumpulan data QuickSight yang akan berfungsi sebagai sumber baru untuk dasbor seluruh perusahaan. Anda dapat menganalisis tren, risiko, dan peluang bisnis. Melalui kemampuan ini, ML menjadi lebih mudah diakses oleh tim bisnis sehingga mereka dapat mempercepat pengambilan keputusan berdasarkan data. Berbagi data dengan pengguna QuickSight memberi mereka izin pemilik pada kumpulan data. Beberapa kumpulan data yang disimpulkan dapat dikirim sekaligus ke QuickSight.
Perhatikan bahwa Anda hanya dapat mengirim prediksi ke pengguna di namespace default akun QuickSight, dan pengguna harus memiliki peran Penulis atau Admin di QuickSight. Prediksi yang dikirim ke QuickSight tersedia di Wilayah yang sama dengan Canvas.
- Pilih kumpulan data kumpulan yang disimpulkan dan pilih Kirim ke Amazon QuickSight.
- Masukkan satu atau beberapa nama pengguna QuickSight untuk berbagi dataset dan tekan Enter.
- Pilih Kirim untuk berbagi data.
Setelah Anda mengirim prediksi batch Anda, Penglihatan Cepat bidang untuk kumpulan data yang Anda kirim ditampilkan sebagai Terkirim.
- Di kotak konfirmasi, Anda dapat memilih Buka Amazon QuickSight untuk membuka aplikasi QuickSight Anda.
- Jika Anda selesai menggunakan Canvas, log out dari aplikasi Canvas.
Anda dapat mengirim prediksi batch ke QuickSight untuk model prediksi numerik, prediksi kategori, dan deret waktu. Anda juga dapat mengirim prediksi yang dihasilkan dengan bawa modelmu sendiri (BYOM). Prediksi gambar berlabel tunggal dan model prediksi teks multi-kategori dikecualikan.
Pengguna QuickSight yang telah Anda kirimi set data dapat membuka konsol QuickSight mereka dan melihat set data Canvas yang telah dibagikan dengan mereka. Kemudian mereka dapat membuat dasbor prediktif dengan data tersebut. Untuk informasi lebih lanjut, lihat Memulai analisis data Amazon QuickSight.
Secara default, semua pengguna yang Anda kirimi prediksi memiliki izin pemilik untuk kumpulan data di QuickSight. Pemilik dapat membuat analisis, menyegarkan, mengedit, menghapus, dan membagikan ulang kumpulan data. Perubahan yang dilakukan pemilik pada set data mengubah set data untuk semua pengguna yang memiliki akses. Untuk mengubah izin, buka kumpulan data di QuickSight dan kelola izinnya. Untuk informasi lebih lanjut, lihat Melihat dan mengedit izin pengguna yang dibagikan dengan set data.
Pengalaman analis bisnis
Dengan QuickSight, Anda dapat memvisualisasikan data Anda untuk lebih memahaminya. Kami mulai dengan mendapatkan beberapa informasi tingkat tinggi.
- Pada konsol QuickSight, pilih Dataset di panel navigasi.
- Buat analisis pada set data prediksi batch yang dibagikan dari Canvas dengan memilih Buat analisis pada menu pilihan drop-down (tiga titik vertikal).
- Pada halaman analisis, pilih nama sheet dan ganti namanya menjadi Analisis Data Pinjaman.
Mari buat visual untuk menunjukkan hitungan berdasarkan status pinjaman.
- Untuk Jenis visual, pilih Bagan donat.
- Gunakan
loan_status
sebanyak Grup/Warna.
Kita dapat melihat bahwa 99% dibayar penuh, 1% saat ini, dan 0% dibebankan.
Sekarang kami menambahkan visual kedua untuk menunjukkan jumlah pinjaman berdasarkan status.
- Di pojok kiri atas, pilih tanda tambah dan pilih Tambahkan visual.
- Untuk Jenis visual, pilih Bagan air terjun.
- Gunakan
loan_status
sebanyak Kategori. - Gunakan
loan_amount
sebanyak Nilai.
Kita dapat melihat bahwa jumlah total pinjaman adalah sekitar $88 juta, dengan sekitar $221,000 dibebankan.
Mari kita coba mendeteksi beberapa pemicu risiko gagal bayar pinjaman.
- Pilih tanda plus dan pilih Tambahkan visual.
- Untuk Jenis visual, pilih Bagan batang horizontal.
- Gunakan bidang loan_status untuk sumbu Y.
- Gunakan bidang jumlah_pinjaman untuk Nilai.
- Ubah Nilai agregasi lapangan dari Jumlah untuk Biasa saja.
Kita dapat melihat bahwa rata-rata, jumlah pinjaman sekitar $3,500 lebih rendah untuk pinjaman yang dibayar penuh dibandingkan dengan pinjaman saat ini, dan sekitar $3,500 lebih rendah untuk pinjaman yang dibayar penuh dibandingkan dengan pinjaman yang dibebankan. Tampaknya ada korelasi antara jumlah pinjaman dan risiko kredit.
- Untuk menggandakan visual, pilih menu opsi (tiga titik), pilih Gandakan visual ke, dan pilih Lembar ini.
- Pilih visual duplikat untuk mengubah konfigurasinya.
- Untuk Jenis visual, pilih Bagan batang horizontal.
- Gunakan bidang loan_status untuk sumbu Y.
- Gunakan bidang jumlah_pinjaman untuk Nilai.
- Ubah Nilai agregasi lapangan dari Jumlah untuk Biasa saja.
Anda dapat membuat visual tambahan untuk memeriksa driver risiko tambahan. Misalnya:
- Istilah pinjaman
- Buka jalur kredit
- Tingkat pemanfaatan jalur bergulir
- Total jalur kredit
- Setelah Anda menambahkan visual, publikasikan dasbor menggunakan Share opsi di halaman analisis dan bagikan dasbor dengan pemangku kepentingan bisnis.
Membersihkan
Untuk menghindari timbulnya biaya di masa mendatang, hapus atau matikan sumber daya yang Anda buat saat mengikuti postingan ini. Mengacu pada Keluar dari Amazon SageMaker Canvas lebih lanjut.
Kesimpulan
Dalam postingan ini, kami melatih model ML menggunakan Canvas tanpa menulis satu baris kode pun berkat antarmuka yang ramah pengguna dan visualisasi yang jelas. Kami kemudian membuat prediksi tunggal dan batch untuk model ini di Canvas. Untuk menilai tren, risiko, dan peluang bisnis di seluruh perusahaan, kami mengirimkan prediksi model ML ini ke QuickSight. Sebagai analis bisnis, kami membuat berbagai visualisasi untuk menilai tren di QuickSight.
Kemampuan ini tersedia di semua Wilayah tempat Canvas sekarang didukung. Anda dapat mempelajari lebih lanjut di Kanvas halaman produk dan dokumentasi.
Tentang Penulis
Ajjay Govindaram adalah Arsitek Solusi Senior di AWS. Dia bekerja dengan pelanggan strategis yang menggunakan AI/ML untuk memecahkan masalah bisnis yang kompleks. Pengalamannya terletak pada memberikan arahan teknis serta bantuan desain untuk penyebaran aplikasi AI/ML skala kecil hingga besar. Pengetahuannya berkisar dari arsitektur aplikasi hingga data besar, analitik, dan pembelajaran mesin. Dia menikmati mendengarkan musik sambil beristirahat, menikmati alam bebas, dan menghabiskan waktu bersama orang yang dicintainya.
Varun Mehta adalah Arsitek Solusi di AWS. Dia bersemangat untuk membantu pelanggan membangun solusi berskala perusahaan yang dirancang dengan baik di AWS Cloud. Dia bekerja dengan pelanggan strategis yang menggunakan AI/ML untuk memecahkan masalah bisnis yang rumit.
Shyam Srinivasan adalah Manajer Produk Utama di tim AWS AI/ML, memimpin manajemen produk untuk Amazon SageMaker Canvas. Shyam peduli untuk membuat dunia menjadi tempat yang lebih baik melalui teknologi dan bersemangat tentang bagaimana AI dan ML dapat menjadi katalis dalam perjalanan ini.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- PlatoAiStream. Kecerdasan Data Web3. Pengetahuan Diperkuat. Akses Di Sini.
- Mencetak Masa Depan bersama Adryenn Ashley. Akses Di Sini.
- Beli dan Jual Saham di Perusahaan PRE-IPO dengan PREIPOยฎ. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/publish-predictive-dashboards-in-amazon-quicksight-using-ml-predictions-from-amazon-sagemaker-canvas/
- :memiliki
- :adalah
- :Di mana
- $3
- $NAIK
- 000
- 10
- 100
- 11
- 12
- 15%
- 20
- 500
- 7
- 8
- 9
- a
- Sanggup
- Tentang Kami
- mempercepat
- dipercepat
- mengakses
- dapat diakses
- Akun
- tepat
- Mencapai
- dicapai
- di seluruh
- Tindakan
- kegiatan
- menambahkan
- Tambahan
- admin
- administrator
- pengumpulan
- AI
- AI / ML
- Semua
- mengizinkan
- juga
- Amazon
- Amazon QuickSight
- Amazon SageMaker
- Kanvas Amazon SageMaker
- Amazon Web Services
- jumlah
- an
- Analisis
- analisis
- analis
- Analis
- analisis
- menganalisa
- menganalisis
- dan
- Lain
- Apa pun
- Aplikasi
- arsitektur
- ADALAH
- sekitar
- AS
- Bantuan
- At
- melampirkan
- penulis
- secara otomatis
- ML Otomatis
- tersedia
- rata-rata
- menghindari
- AWS
- kembali
- bar
- BE
- menjadi
- menjadi
- sebelum
- makhluk
- TERBAIK
- Lebih baik
- antara
- Besar
- Big data
- Kotak
- membangun
- dibangun di
- bisnis
- intelijen bisnis
- bisnis
- by
- CAN
- kanvas
- kasus
- Katalisator
- Kategori
- perubahan
- Perubahan
- dibebankan
- beban
- memeriksa
- Pilih
- memilih
- jelas
- awan
- kode
- Kolom
- Kolom
- bagaimana
- dibandingkan
- lengkap
- kompleks
- konfigurasi
- konfirmasi
- Terhubung
- konsul
- Sudut
- benar
- Korelasi
- menutupi
- membuat
- dibuat
- membuat
- kredit
- terbaru
- pelanggan
- perilaku pelanggan
- pelanggan
- siklus
- dasbor
- data
- analisis data
- Data-driven
- kumpulan data
- Pengambilan Keputusan
- keputusan
- Default
- Permintaan
- mendemonstrasikan
- penyebaran
- deskripsi
- Mendesain
- rinci
- rincian
- terdeteksi
- berbeda
- arah
- membahas
- domain
- dilakukan
- turun
- Download
- driver
- setiap
- Mudah
- editor
- efek
- Efektif
- antara
- tertanam
- memungkinkan
- memungkinkan
- Enter
- Enterprise
- Seluruh
- penting
- peristiwa
- contoh
- dikecualikan
- eksekusi
- pengalaman
- mengalami
- Menjelajahi
- memfasilitasi
- lebih cepat
- bidang
- Menemukan
- temuan
- Pertama
- pertama kali
- berikut
- Untuk
- empat
- dari
- sepenuhnya
- lebih lanjut
- masa depan
- menghasilkan
- dihasilkan
- menghasilkan
- mendapatkan
- mendapatkan
- Go
- Pergi
- diberikan
- beasiswa
- membimbing
- Memiliki
- memiliki
- he
- membantu
- membantu
- tingkat tinggi
- -nya
- Beranda
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- HTML
- HTTPS
- ICON
- ID
- ideal
- gambar
- Dampak
- melaksanakan
- pengimporan
- in
- Meningkatkan
- informasi
- informatif
- memasukkan
- wawasan
- Intelijen
- interaktif
- Antarmuka
- interface
- ke
- IT
- perulangan
- NYA
- perjalanan
- jpg
- json
- pengetahuan
- dikenal
- bahasa
- besar-besaran
- jalankan
- terkemuka
- BELAJAR
- pengetahuan
- terletak
- 'like'
- baris
- Listening
- pinjaman
- Pinjaman
- lokal
- dicintai
- menurunkan
- mesin
- Mesin belajar
- membuat
- MEMBUAT
- Membuat
- mengelola
- berhasil
- pengelolaan
- manajer
- manual
- menu
- Metadata
- metode
- Metrik
- juta
- menit
- ML
- model
- model
- memodifikasi
- lebih
- beberapa
- musik
- harus
- nama
- nama
- Arahkan
- menavigasi
- Navigasi
- perlu
- dibutuhkan
- New
- sekarang
- of
- lepas
- on
- sekali
- ONE
- yang
- hanya
- Buka
- Peluang
- Opsi
- or
- kami
- di luar
- hasil
- di luar rumah
- sendiri
- pemilik
- pemilik
- halaman
- dibayar
- pasang
- pane
- bergairah
- Izin
- sangat penting
- Tempat
- plato
- Kecerdasan Data Plato
- Data Plato
- Bermain
- plus
- kebijaksanaan
- pop-up
- Pos
- diprediksi
- ramalan
- Prediksi
- Mempersiapkan
- prasyarat
- pers
- Preview
- sebelumnya
- Utama
- Masalah
- masalah
- Produk
- manajemen Produk
- manajer produk
- Profil
- menyediakan
- menerbitkan
- Cepat
- Baca
- siap
- merekomendasikan
- redirect
- wilayah
- daerah
- laporan
- sumber
- Sumber
- Pengembalian
- pendapatan
- benar
- Risiko
- risiko
- Peran
- Run
- pembuat bijak
- penjualan
- sama
- Save
- skenario
- mulus
- Pencarian
- Kedua
- Bagian
- bagian
- melihat
- tampaknya
- mengirim
- senior
- mengirim
- Seri
- melayani
- layanan
- Layanan
- set
- Share
- berbagi
- berbagi
- lembar
- harus
- Menunjukkan
- Pertunjukkan
- menutup
- sisi
- menandatangani
- Sederhana
- tunggal
- So
- larutan
- Solusi
- MEMECAHKAN
- beberapa
- sumber
- Pengeluaran
- stakeholder
- awal
- mulai
- Pernyataan
- Status
- Tangga
- Strategis
- studio
- sukses
- seperti itu
- Didukung
- Dibutuhkan
- target
- tim
- tim
- Teknis
- Teknologi
- Teknologi
- memiliki
- pengujian
- Terima kasih
- bahwa
- Grafik
- Dunia
- mereka
- Mereka
- kemudian
- Sana.
- Ini
- mereka
- ini
- ribuan
- tiga
- Melalui
- waktu
- Seri waktu
- untuk
- alat
- Total
- Pelatihan VE
- terlatih
- Pelatihan
- Tren
- mencoba
- mengetik
- bawah
- memahami
- menggunakan
- Pengguna
- user-friendly
- Pengguna
- menggunakan
- biasanya
- pengesahan
- nilai
- Nilai - Nilai
- berbagai
- versi
- vertikal
- View
- visualisasi
- visual
- adalah
- we
- jaringan
- layanan web
- Situs Web
- menyambut
- BAIK
- ketika
- yang
- sementara
- SIAPA
- akan
- dengan
- dalam
- tanpa
- Kerja
- bekerja
- dunia
- menulis
- penulisan
- Kamu
- Anda
- zephyrnet.dll