Amazon SageMaker Canvas 및 Amazon QuickSight로 지능적인 의사 결정 지원

모든 기업은 규모에 관계없이 고객에게 최고의 제품과 서비스를 제공하기를 원합니다. 이를 달성하기 위해 기업은 업계 동향과 고객 행동을 이해하고 정기적으로 내부 프로세스 및 데이터 분석을 최적화하기를 원합니다. 이것은 회사의 성공의 중요한 구성 요소입니다.

분석가 역할의 가장 두드러진 부분은 데이터 기반 비즈니스 결정을 내리기 위한 비즈니스 메트릭 시각화(예: 판매 수익) 및 미래 이벤트 예측(예: 수요 증가)을 포함합니다. 이 첫 번째 과제에 접근하기 위해 다음을 사용할 수 있습니다. 아마존 퀵 사이트, 이해하기 쉬운 통찰력을 제공하고 의사 결정자가 대화형 시각적 환경에서 정보를 탐색하고 해석할 수 있는 기회를 제공하는 클라우드 규모의 비즈니스 인텔리전스(BI) 서비스입니다. 두 번째 작업의 경우 다음을 사용할 수 있습니다. Amazon SageMaker 캔버스, 비즈니스 분석가에게 정확한 ML 예측을 스스로 생성할 수 있는 시각적 포인트 앤 클릭 인터페이스를 제공하여 머신 러닝(ML)에 대한 액세스를 확장하는 클라우드 서비스입니다.

이러한 메트릭을 볼 때 비즈니스 분석가는 회사가 고객을 잃을 위험이 있는지 여부를 결정하기 위해 종종 고객 행동의 패턴을 식별합니다. 이 문제는 고객 이탈, ML 모델은 이러한 고객을 높은 정확도로 예측하는 입증된 실적을 보유하고 있습니다(예: Elula의 AI 솔루션은 은행이 고객 유지를 개선하도록 지원합니다.).

ML 모델을 구축하는 것은 데이터 준비 및 ML 모델 교육을 관리하는 전문가 팀이 필요하기 때문에 까다로운 프로세스일 수 있습니다. 그러나 Canvas를 사용하면 특별한 지식 없이 코드 줄 없이 이를 수행할 수 있습니다. 자세한 내용은 다음을 확인하세요. Amazon SageMaker Canvas를 사용하여 코드 없는 기계 학습으로 고객 이탈 예측.

이 게시물에서는 ML을 통해 지능적인 의사 결정을 가능하게 하는 QuickSight 대시보드에서 Canvas에서 생성된 예측을 시각화하는 방법을 보여줍니다.

솔루션 개요

게시물에서 Amazon SageMaker Canvas를 사용하여 코드 없는 기계 학습으로 고객 이탈 예측, 우리는 이동 통신사의 마케팅 부서에서 비즈니스 분석가의 역할을 맡았고 잠재적인 이탈 위험이 있는 고객을 식별하는 ML 모델을 성공적으로 만들었습니다. 우리 모델에서 생성된 예측 덕분에 이제 이러한 고객 및 지역에 대한 잠재적 프로모션에 대한 데이터 기반 비즈니스 결정을 내리기 위해 잠재적 재무 결과를 분석하려고 합니다.

이를 달성하는 데 도움이 되는 아키텍처가 다음 다이어그램에 나와 있습니다.

워크플로 단계는 다음과 같습니다.

1. 현재 고객 모집단이 있는 새 데이터세트를 Canvas에 업로드합니다.
2. 일괄 예측을 실행하고 결과를 다운로드합니다.
3. 파일을 QuickSight에 업로드하여 시각화를 생성하거나 업데이트하십시오.

코드를 한 줄도 작성하지 않고 Canvas에서 이러한 단계를 수행할 수 있습니다. 지원되는 데이터 소스의 전체 목록은 다음을 참조하십시오. Amazon SageMaker Canvas에서 데이터 가져오기.

사전 조건

이 연습에서는 다음 전제 조건이 충족되는지 확인합니다.

고객 이탈 모델 사용

전제 조건을 완료한 후에는 Canvas의 과거 데이터에 대해 훈련된 모델이 있어야 하며, 새로운 고객 데이터와 함께 사용할 준비가 되어 있어야 고객 이탈을 예측할 수 있습니다. 그런 다음 이를 QuickSight에서 사용할 수 있습니다.

1. 새 파일 만들기 churn-no-labels.csv 원본 데이터 세트에서 1,500개 라인을 무작위로 선택하여 이탈.csv 및 제거 Churn? 열입니다.

이 새로운 데이터 세트를 사용하여 예측을 생성합니다.

Canvas에서 다음 단계를 완료합니다. 다음을 통해 Canvas를 열 수 있습니다. AWS 관리 콘솔, 또는 클라우드 관리자가 제공한 SSO 애플리케이션을 통해 Canvas에 액세스하는 방법을 잘 모르는 경우 다음을 참조하세요. Amazon SageMaker Canvas 사용 시작하기.

2. Canvas 콘솔에서 다음을 선택합니다. 데이터 세트 탐색 창에서
3. 왼쪽 메뉴에서 수입.

4. 왼쪽 메뉴에서 가이드라가 선택하고 churn-no-labels.csv 생성한 파일입니다.
5. 왼쪽 메뉴에서 데이터 가져 오기.

데이터 가져오기 처리 시간은 파일 크기에 따라 다릅니다. 우리의 경우에는 약 10초여야 합니다. 완료되면 데이터세트가 Ready 상태.

6. 데이터세트의 처음 100개 행을 미리 보려면 옵션 메뉴(점 XNUMX개)를 선택하고 시사.

7. 왼쪽 메뉴에서 모델 탐색 창에서 사전 요구 사항의 일부로 생성한 이탈 모델을 선택합니다.

8. 에 예측 탭에서 데이터 세트 선택.

9. 선택 churn-no-labels.csv 데이터 세트를 선택한 다음 예측 생성.

추론 시간은 모델 복잡성과 데이터 세트 크기에 따라 다릅니다. 우리의 경우에는 약 10초가 걸립니다. 작업이 완료되면 상태가 준비로 변경되고 결과를 다운로드할 수 있습니다.

10. 옵션 메뉴(점 XNUMX개)를 선택하고, 다운로드및 모든 값 다운로드.

선택적으로 결과를 빠르게 살펴볼 수 있습니다. 시사. 처음 두 열은 모델의 예측입니다.

우리는 모델을 성공적으로 사용하여 현재 고객 인구의 이탈 위험을 예측했습니다. 이제 예측을 기반으로 비즈니스 메트릭을 시각화할 준비가 되었습니다.

QuickSight로 데이터 가져오기

이전에 논의한 바와 같이 비즈니스 분석가는 데이터 기반 비즈니스 결정을 내리기 위해 비즈니스 메트릭과 함께 예측을 시각화해야 합니다. 이를 위해 이해하기 쉬운 통찰력을 제공하고 의사 결정자가 대화형 시각적 환경에서 정보를 탐색하고 해석할 수 있는 기회를 제공하는 QuickSight를 사용합니다. QuickSight를 사용하면 간단한 끌어서 놓기 인터페이스로 몇 초 만에 그래프 및 차트와 같은 시각화를 구축할 수 있습니다. 이 게시물에서는 비즈니스 위험과 새로운 마케팅 캠페인을 시작해야 하는 위치와 같은 위험을 관리하는 방법을 더 잘 이해하기 위해 몇 가지 시각화를 작성합니다.

시작하려면 다음 단계를 완료하십시오.

1. QuickSight 콘솔에서 데이터 세트 탐색 창에서
2. 왼쪽 메뉴에서 새로운 데이터 세트.

QuickSight는 많은 데이터 소스를 지원합니다. 이 게시물에서는 이전에 Canvas에서 생성한 로컬 파일을 소스 데이터로 사용합니다.

3. 왼쪽 메뉴에서 파일을 올리다.

4. 최근에 다운로드한 예측 파일을 선택합니다.

QuickSight는 파일을 업로드하고 분석합니다.

5. 미리보기에서 모든 것이 예상대로인지 확인한 다음 다음 보기.

6. 왼쪽 메뉴에서 눈에 보이게하다.

이제 데이터를 성공적으로 가져왔고 분석할 준비가 되었습니다.

이탈 예측의 비즈니스 메트릭으로 대시보드 만들기

이제 데이터를 분석하고 데이터 기반 비즈니스 의사 결정에 필요한 모든 정보를 요약하는 명확하고 사용하기 쉬운 대시보드를 만들어야 합니다. 이러한 유형의 대시보드는 비즈니스 분석가의 무기고에서 중요한 도구입니다.

다음은 고객 이탈 위험을 식별하고 조치를 취하는 데 도움이 될 수 있는 예시 대시보드입니다.

이 대시보드에서는 몇 가지 중요한 비즈니스 메트릭을 시각화합니다.

• 이탈 가능성이 있는 고객 – 왼쪽 도넛 차트는 이탈 위험이 50% 이상인 사용자의 수와 비율을 나타냅니다. 이 차트는 잠재적인 문제의 크기를 빠르게 이해하는 데 도움이 됩니다.
• 잠재적 수익 손실 – 상단 중간 도넛 차트는 이탈 위험이 50% 이상인 사용자의 수익 손실 금액을 나타냅니다. 이 차트는 이탈로 인한 잠재적 수익 손실의 규모를 빠르게 이해하는 데 도움이 됩니다. 차트는 또한 이탈 위험이 있는 사용자의 비율보다 더 큰 잠재적 수익 손실 비율로 인해 평균 이상의 여러 고객을 잃을 수 있음을 보여줍니다.
• 주별 잠재적 수익 손실 – 상단 오른쪽 가로 막대형 차트는 이탈 위험이 없는 고객의 수익 대비 손실된 수익의 크기를 나타냅니다. 이 시각 자료는 마케팅 캠페인 관점에서 어떤 상태가 우리에게 가장 중요한지 이해하는 데 도움이 될 수 있습니다.
• 이탈 위험이 있는 고객에 대한 세부정보 – 왼쪽 하단 테이블에는 모든 고객에 대한 세부 정보가 포함되어 있습니다. 이 표는 이탈 위험이 있거나 없는 여러 고객의 세부 정보를 빠르게 확인하려는 경우에 유용할 수 있습니다.

이탈 가능성이 있는 고객

이탈 위험이 있는 고객과 함께 차트를 ​​작성하는 것으로 시작합니다.

1. $XNUMX Million 미만 필드리스트을 선택하십시오 휘젓다? 속성을 사용하지 않는 것입니다.

QuickSight는 자동으로 시각화를 구축합니다.

막대 그림은 데이터 분포를 이해하기 위한 일반적인 시각화이지만 도넛 차트를 사용하는 것을 선호합니다. 속성을 변경하여 이 시각적 개체를 변경할 수 있습니다.

2. 아래에서 도넛 차트 아이콘을 선택하십시오. 비주얼 타입.
3. 현재 이름을 선택하고(더블 클릭) 다음으로 변경합니다. 이탈 가능성이 있는 고객.

4. 다른 시각 효과(범례 제거, 값 추가, 글꼴 크기 변경)를 사용자 지정하려면 연필 아이콘을 선택하고 변경합니다.

다음 스크린샷에서 볼 수 있듯이 도넛의 면적을 늘리고 레이블에 몇 가지 추가 정보를 추가했습니다.

잠재적 수익 손실

고객 이탈이 비즈니스에 미치는 영향을 계산할 때 고려해야 할 또 다른 중요한 지표는 잠재적인 수익 손실입니다. 이는 이탈 위험이 없는 고객이 비즈니스에 미치는 영향을 이해하는 데 도움이 되기 때문에 중요한 지표입니다. 예를 들어 통신 산업에서는 이탈 위험이 높지만 수익이 전혀 없는 비활성 클라이언트가 많이 있을 수 있습니다. 이 차트는 우리가 그러한 상황에 있는지 여부를 이해하는 데 도움이 될 수 있습니다. 이 메트릭을 대시보드에 추가하기 위해 잠재적인 수익 손실을 계산하기 위한 수학 공식을 제공하여 사용자 지정 계산된 필드를 만든 다음 다른 도넛형 차트로 시각화합니다.

1. 에 추가 메뉴, 선택 계산 된 필드 추가.

2. 필드 이름을 총 요금으로 지정합니다.
3. {주간 요금}+{이브 요금}+{국제 요금}+{야간 요금} 공식을 입력합니다.
4. 왼쪽 메뉴에서 찜하기.

5. 에 추가 메뉴, 선택 비주얼 추가.

6. $XNUMX Million 미만 비주얼 타입, 도넛 차트 아이콘을 선택합니다.
7. $XNUMX Million 미만 필드리스트, 드래그 휘젓다? 에 그룹 / 색상.
8. 친애하는 총 요금 에 가치관.
9. 에 가치관 메뉴, 선택 다음으로 표시 선택하고 환율.
10. 연필 아이콘을 선택하여 다른 시각 효과를 사용자 지정합니다(범례 제거, 값 추가, 글꼴 크기 변경).

현재 대시보드에는 두 가지 시각화가 있습니다.

우리는 이미 총 18%(270명)의 고객을 잃을 수 있다는 것을 알 수 있으며, 이는 매출의 24%($6,280)에 해당합니다. 주 수준에서 잠재적인 수익 손실을 분석하여 더 자세히 살펴보겠습니다.

주별 잠재적 수익 손실

주별 잠재적 수익 손실을 시각화하기 위해 가로 막대 그래프를 추가해 보겠습니다.

1. 에 추가 메뉴, 선택 비주얼 추가.

2. $XNUMX Million 미만 비주얼 타입¸ 가로 막대 차트 아이콘을 선택합니다.
3. $XNUMX Million 미만 필드리스트¸ 드래그 휘젓다? 에 그룹 / 색상.
4. 친애하는 총 요금 에 가치관.
5. 에 가치관 메뉴, 선택 다음으로 표시 와 환율.
6. 친애하는 단계 에 Y축.
7. 연필 아이콘을 선택하여 다른 시각 효과를 사용자 지정합니다(범례 제거, 값 추가, 글꼴 크기 변경).

8. 우리는 또한 선택하여 새로운 시각적 개체를 정렬할 수 있습니다 총 요금 하단에서 선택하고 내림차순.

이 시각 자료는 마케팅 캠페인 관점에서 어떤 상태가 가장 중요한지 이해하는 데 도움이 될 수 있습니다. 예를 들어 하와이에서는 잠재적으로 수익의 절반($253,000)을 잃을 수 있지만 워싱턴에서는 이 값이 10%($52,000) 미만입니다. 또한 애리조나에서는 거의 모든 고객을 잃을 위험이 있습니다.

이탈 위험이 있는 고객에 대한 세부정보

이탈 위험이 있는 고객에 대한 세부 정보가 포함된 테이블을 작성해 보겠습니다.

1. 에 추가 메뉴, 선택 비주얼 추가.

2. $XNUMX Million 미만 비주얼 타입테이블 아이콘을 선택하십시오.
3. $XNUMX Million 미만 필드 목록, 드래그 연락처 , 주 정부, 국제 계획, Vmail 계획, 휘젓다?및 계정 길이 에 그룹화 기준.
4. 친애하는 확률 에 가치관.
5. 에 가치관 메뉴, 선택 다음으로 표시 와 퍼센트.

대시 보드 사용자 정의

QuickSight는 다음과 같이 대시보드를 사용자 정의할 수 있는 여러 옵션을 제공합니다.

1. 이름을 추가하려면 추가 메뉴, 선택 제목 추가.

2. 제목 입력(이 게시물의 경우 대시보드 이름을 이탈 분석).

3. 시각적 개체의 크기를 조정하려면 차트의 오른쪽 하단 모서리를 선택하고 원하는 크기로 끕니다.
4. 시각적 개체를 이동하려면 차트의 위쪽 가운데를 선택하고 새 위치로 끕니다.
5. 테마를 변경하려면 테마 탐색 창에서
6. 새 테마를 선택합니다(예: 한밤중)를 선택하고 신청.

대시보드 게시

대시보드는 보고 목적으로 다른 QuickSight 사용자와 공유할 수 있는 분석의 읽기 전용 스냅샷입니다. 대시보드는 필터링, 매개변수, 컨트롤, 정렬 순서 등을 포함하여 게시할 때의 분석 구성을 유지합니다. 분석에 사용된 데이터는 대시보드의 일부로 캡처되지 않습니다. 대시보드를 보면 분석에 사용된 데이터 세트의 현재 데이터가 반영됩니다.

대시 보드를 게시하려면 다음 단계를 완료하십시오.

1. 에 공유 메뉴, 선택 대시 보드 게시.

2. 대시보드의 이름을 입력합니다.
3. 왼쪽 메뉴에서 대시 보드 게시.

축하합니다. 이탈 분석 대시보드를 성공적으로 만들었습니다.

새 예측으로 대시보드 업데이트

모델이 발전하고 비즈니스에서 새로운 데이터를 생성함에 따라 이 대시보드를 새로운 정보로 업데이트해야 할 수도 있습니다. 다음 단계를 완료하십시오.

1. 새 파일 만들기 churn-no-labels-updated.csv 원본 데이터 세트에서 다른 1,500개 라인을 무작위로 선택하여 이탈.csv 및 제거 Churn? 열입니다.

우리는 이 새로운 데이터 세트를 사용하여 새로운 예측을 생성합니다.

2. 에서 단계를 반복합니다. 고객 이탈 모델 사용 이 게시물의 섹션을 참조하여 새 데이터 세트에 대한 예측을 얻고 새 파일을 다운로드하세요.
3. QuickSight 콘솔에서 데이터 세트 탐색 창에서
4. 생성한 데이터세트를 선택합니다.

5. 왼쪽 메뉴에서 데이터 세트 수정.

6. 드롭 다운 메뉴에서 파일 업데이트.

7. 왼쪽 메뉴에서 파일을 업로드.

8. 예측과 함께 최근에 다운로드한 파일을 선택합니다.
9. 미리보기를 검토한 다음 파일 업데이트 확인.

"파일이 성공적으로 업데이트되었습니다"라는 메시지가 나타난 후 파일 이름도 변경된 것을 볼 수 있습니다.

10. 왼쪽 메뉴에서 저장 및 게시.

11. "저장 및 게시 성공" 메시지가 나타나면 왼쪽 상단 모서리에 있는 QuickSight 로고를 선택하여 기본 메뉴로 돌아갈 수 있습니다.

12. 왼쪽 메뉴에서 대시 보드 탐색 창에서 이전에 생성한 대시보드를 선택합니다.

업데이트된 값이 포함된 대시보드가 ​​표시되어야 합니다.

Canvas의 최신 예측으로 QuickSight 대시보드를 업데이트했습니다.

정리

향후 청구를 방지하려면 캔버스에서 로그아웃.

결론

이 게시물에서는 Canvas의 ML 모델을 사용하여 이탈 위험이 있는 고객을 예측하고 통찰력 있는 시각화가 포함된 대시보드를 구축하여 데이터 기반 비즈니스 결정을 내리는 데 도움이 되었습니다. 사용자 친화적인 인터페이스와 명확한 시각화 덕분에 단 한 줄의 코드도 작성하지 않았습니다. 이를 통해 비즈니스 분석가는 ML 모델을 신속하게 구축하고 데이터 과학 팀에서 완전히 자율적으로 분석을 수행하고 통찰력을 추출할 수 있습니다.

Canvas 사용에 대해 자세히 알아보려면 구축, 공유, 배포: 비즈니스 분석가와 데이터 과학자가 코드 없는 ML 및 Amazon SageMaker Canvas를 사용하여 시장 출시 시간을 단축하는 방법. 코드 없는 솔루션으로 ML 모델을 만드는 방법에 대한 자세한 내용은 다음을 참조하세요. Amazon SageMaker Canvas 발표 - 비즈니스 분석가를 위한 시각적이고 코드가 없는 기계 학습 기능. 최신 QuickSight 기능 및 모범 사례에 대한 자세한 내용은 다음을 참조하십시오. AWS 빅 데이터 블로그.

---

저자에 관하여

알렉산드르 파트루쇼프 룩셈부르크에 본사를 둔 AWS의 AI/ML 전문가 솔루션 아키텍트입니다. 그는 클라우드와 머신 러닝, 그리고 그들이 세상을 바꿀 수 있는 방법에 대해 열정적입니다. 직장 밖에서는 하이킹, 스포츠, 가족과 함께 시간을 보내는 것을 즐깁니다.

다비드 갈리텔리 EMEA 지역의 AI/ML 전문 솔루션 설계자입니다. 그는 브뤼셀에 거주하며 베네룩스 전역의 고객과 긴밀하게 협력하고 있습니다. 그는 아주 어렸을 때부터 개발자였으며 ​​7세에 코딩을 시작했습니다. 그는 대학에서 AI/ML을 배우기 시작했고 그때부터 사랑에 빠졌습니다.