Elk bedrijf, ongeacht zijn grootte, wil zijn klanten de beste producten en diensten leveren. Om dit te bereiken, willen bedrijven inzicht krijgen in branchetrends en klantgedrag, en regelmatig interne processen en data-analyses optimaliseren. Dit is een cruciaal onderdeel van het succes van een bedrijf.
Een zeer prominent onderdeel van de rol van analist omvat de visualisatie van bedrijfsstatistieken (zoals verkoopinkomsten) en voorspelling van toekomstige gebeurtenissen (zoals een toename van de vraag) om gegevensgestuurde zakelijke beslissingen te nemen. Om deze eerste uitdaging aan te gaan, kunt u gebruik maken van Amazon QuickSight, een cloud-scale business intelligence (BI)-service die gemakkelijk te begrijpen inzichten biedt en besluitvormers de mogelijkheid geeft om informatie te verkennen en te interpreteren in een interactieve visuele omgeving. Voor de tweede taak kun je Amazon SageMaker-canvas, een cloudservice die de toegang tot machine learning (ML) uitbreidt door bedrijfsanalisten een visuele aanwijzen-en-klik-interface te bieden waarmee u zelf nauwkeurige ML-voorspellingen kunt genereren.
Bij het bekijken van deze statistieken identificeren bedrijfsanalisten vaak patronen in klantgedrag, om te bepalen of het bedrijf het risico loopt de klant te verliezen. Dit probleem heet klantverloop, en ML-modellen hebben een bewezen staat van dienst in het voorspellen van dergelijke klanten met hoge nauwkeurigheid (zie bijvoorbeeld: Elula's AI-oplossingen helpen banken om klantbehoud te verbeteren).
Het bouwen van ML-modellen kan een lastig proces zijn, omdat er een deskundig team voor nodig is om de gegevensvoorbereiding en ML-modeltraining te beheren. Met Canvas kun je dat echter doen zonder speciale kennis en met nul regels code. Kijk voor meer informatie op Voorspel klantverloop met machine learning zonder code met Amazon SageMaker Canvas.
In dit bericht laten we je zien hoe je de voorspellingen die zijn gegenereerd vanuit Canvas in een QuickSight-dashboard kunt visualiseren, waardoor intelligente besluitvorming via ML mogelijk wordt.
Overzicht van de oplossing
Bij de post Voorspel klantverloop met machine learning zonder code met Amazon SageMaker Canvas, namen we de rol van bedrijfsanalist op de marketingafdeling van een mobiele-telefoonoperator op zich en creëerden we met succes een ML-model om klanten met een potentieel risico op klantverloop te identificeren. Dankzij de voorspellingen die door ons model zijn gegenereerd, willen we nu een analyse maken van een mogelijk financieel resultaat om datagestuurde zakelijke beslissingen te nemen over mogelijke promoties voor deze klanten en regio's.
De architectuur die ons zal helpen dit te bereiken, wordt weergegeven in het volgende diagram.
De workflowstappen zijn als volgt:
- Upload een nieuwe dataset met de huidige klantenpopulatie in Canvas.
- Voer een batchvoorspelling uit en download de resultaten.
- Upload de bestanden naar QuickSight om visualisaties te maken of bij te werken.
Je kunt deze stappen in Canvas uitvoeren zonder een enkele regel code te schrijven. Raadpleeg voor de volledige lijst met ondersteunde gegevensbronnen: Gegevens importeren in Amazon SageMaker Canvas.
Voorwaarden
Zorg ervoor dat voor deze walkthrough aan de volgende vereisten wordt voldaan:
Gebruik het klantverloopmodel
Nadat je aan de vereisten hebt voldaan, zou je een model moeten hebben dat is getraind op historische gegevens in Canvas, klaar om te worden gebruikt met nieuwe klantgegevens om klantverloop te voorspellen, dat je vervolgens kunt gebruiken in QuickSight.
- Maak een nieuw bestand
churn-no-labels.csv
door willekeurig 1,500 regels te selecteren uit de originele dataset verloop.csv en het verwijderen van deChurn?
kolom.
We gebruiken deze nieuwe dataset om voorspellingen te genereren.
We voltooien de volgende stappen in Canvas. Je kunt Canvas openen via de AWS-beheerconsole, of via de SSO-toepassing van uw cloudbeheerder. Als je niet zeker weet hoe je Canvas moet openen, raadpleeg dan: Aan de slag met het gebruik van Amazon SageMaker Canvas.
- Kies op de Canvas-console datasets in het navigatievenster.
- Kies import.
- Kies Uploaden En kies de
churn-no-labels.csv
bestand dat u hebt gemaakt. - Kies Datums importeren.
De procestijd voor het importeren van gegevens is afhankelijk van de grootte van het bestand. In ons geval zou dit ongeveer 10 seconden moeten zijn. Als het compleet is, kunnen we zien dat de dataset binnen is Ready
statuut.
- Om een voorbeeld van de eerste 100 rijen van de dataset te bekijken, kiest u het optiemenu (drie stippen) en kiest u Voorbeschouwing.
- Kies Modellen in het navigatievenster en kies vervolgens het churn-model dat u hebt gemaakt als onderdeel van de vereisten.
- Op de Voorspellen tabblad, kies Selecteer dataset.
- Selecteer het
churn-no-labels.csv
gegevensset en kies vervolgens Voorspellingen genereren.
De inferentietijd is afhankelijk van de complexiteit van het model en de grootte van de dataset; in ons geval duurt het ongeveer 10 seconden. Wanneer de taak is voltooid, verandert de status in Gereed en kunnen we de resultaten downloaden.
- Kies het optiemenu (drie puntjes), Downloaden en Download alle waarden.
Optioneel kunnen we snel de resultaten bekijken door te kiezen Voorbeschouwing. De eerste twee kolommen zijn voorspellingen uit het model.
We hebben ons model met succes gebruikt om het churn-risico voor onze huidige klantenpopulatie te voorspellen. Nu zijn we klaar om bedrijfsstatistieken te visualiseren op basis van onze voorspellingen.
Gegevens importeren in QuickSight
Zoals we eerder hebben besproken, vereisen bedrijfsanalisten dat voorspellingen worden gevisualiseerd samen met bedrijfsstatistieken om gegevensgestuurde zakelijke beslissingen te nemen. Om dat te doen, gebruiken we QuickSight, dat gemakkelijk te begrijpen inzichten biedt en besluitvormers de mogelijkheid geeft om informatie te verkennen en te interpreteren in een interactieve visuele omgeving. Met QuickSight kunnen we in enkele seconden visualisaties zoals grafieken en diagrammen maken met een eenvoudige interface voor slepen en neerzetten. In dit bericht bouwen we verschillende visualisaties om bedrijfsrisico's beter te begrijpen en hoe we deze kunnen beheren, zoals waar we nieuwe marketingcampagnes moeten lanceren.
Voer de volgende stappen uit om aan de slag te gaan:
- Kies op de QuickSight-console datasets in het navigatievenster.
- Kies Nieuwe dataset.
QuickSight ondersteunt veel gegevensbronnen. In dit bericht gebruiken we een lokaal bestand, het bestand dat we eerder in Canvas hebben gegenereerd, als onze brongegevens.
- Kies Een bestand uploaden.
- Kies het recent gedownloade bestand met voorspellingen.
QuickSight uploadt en analyseert het bestand.
- Controleer of alles is zoals verwacht in het voorbeeld en kies vervolgens Volgende.
- Kies Visualiseer.
De gegevens zijn nu succesvol geïmporteerd en we zijn klaar om deze te analyseren.
Maak een dashboard met bedrijfsstatistieken van prognoses voor verloop
Het is tijd om onze gegevens te analyseren en een duidelijk en gebruiksvriendelijk dashboard te maken met alle informatie die nodig is voor gegevensgestuurde zakelijke beslissingen. Dit type dashboard is een belangrijk hulpmiddel in het arsenaal van bedrijfsanalisten.
Het volgende is een voorbeelddashboard dat kan helpen bij het identificeren van en reageren op het risico van klantverloop.
Op dit dashboard visualiseren we een aantal belangrijke bedrijfsstatistieken:
- Klanten die waarschijnlijk zullen churn – De linker donutgrafiek geeft het aantal en het percentage gebruikers weer met een risico van meer dan 50% op karnen. Deze grafiek helpt ons snel de omvang van een potentieel probleem te begrijpen.
- Potentieel inkomstenverlies - De bovenste middelste donutgrafiek geeft het bedrag aan inkomstenverlies van gebruikers met meer dan 50% risico op karnen weer. Deze grafiek helpt ons snel inzicht te krijgen in de omvang van het potentiële omzetverlies door klantverloop. De grafiek laat ook zien dat we een aantal bovengemiddelde klanten zouden kunnen verliezen, aangezien een percentage van de potentiële omzet die verloren gaat groter is dan het percentage gebruikers dat het risico loopt om te churnen.
- Potentieel inkomstenverlies per staat – Het horizontale staafdiagram rechtsboven geeft de omvang van de verloren omzet weer ten opzichte van de omzet van klanten die geen risico lopen te karnen. Deze visual kan ons helpen te begrijpen welke staat voor ons het belangrijkst is vanuit het perspectief van een marketingcampagne.
- Details over klanten die het risico lopen te karnen – De tabel linksonder bevat details over al onze klanten. Deze tabel kan handig zijn als we snel de details van meerdere klanten met en zonder churn risico willen bekijken.
Klanten die waarschijnlijk zullen churn
We beginnen met het bouwen van een grafiek met klanten die het risico lopen om te karnen.
- Onder Lijst met velden, kies de Chun? attribuut.
QuickSight bouwt automatisch een visualisatie.
Hoewel de staafgrafiek een veelgebruikte visualisatie is om gegevensdistributie te begrijpen, gebruiken we liever een ringdiagram. We kunnen deze visual wijzigen door de eigenschappen ervan te wijzigen.
- Kies het ringdiagrampictogram onder Visuele typen.
- Kies de huidige naam (dubbelklik) en verander deze in Klanten die waarschijnlijk zullen churn.
- Om andere visuele effecten aan te passen (legenda verwijderen, waarden toevoegen, lettergrootte wijzigen), kiest u het potloodpictogram en brengt u uw wijzigingen aan.
Zoals te zien is in de volgende schermafbeelding, hebben we het gebied van de donut vergroot en wat extra informatie toegevoegd aan de labels.
Potentieel inkomstenverlies
Een andere belangrijke maatstaf waarmee rekening moet worden gehouden bij het berekenen van de zakelijke impact van klantverloop is mogelijk omzetverlies. Dit is een belangrijke statistiek omdat het ons helpt de zakelijke impact te begrijpen van klanten die niet het risico lopen om te karnen. In de telecomsector zouden we bijvoorbeeld veel inactieve klanten kunnen hebben met een hoog risico op klantverloop en zonder omzet. Deze grafiek kan ons helpen te begrijpen of we ons in een dergelijke situatie bevinden of niet. Om deze statistiek aan ons dashboard toe te voegen, maken we een aangepast berekend veld door de wiskundige formule op te geven voor het berekenen van het potentiële inkomstenverlies, en dit vervolgens te visualiseren als een ander donutdiagram.
- Op de Toevoegen menu, kies Voeg een berekend veld toe.
- Noem het veld Totale kosten.
- Voer de formule {Day Charge}+{Eve Charge}+{Intl Charge}+{Night Charge} in.
- Kies Bespaar.
- Op de Toevoegen menu, kies Voeg visueel toe.
- Onder Visuele typen, kies het ringdiagrampictogram.
- Onder Lijst met velden, sleep Chun? naar Groep / kleur.
- Slepen Totale kosten naar Waarde.
- Op de Waarde menu, kies Tonen als En kies Valuta.
- Kies het potloodpictogram om andere visuele effecten aan te passen (legenda verwijderen, waarden toevoegen, lettergrootte wijzigen).
Op dit moment heeft ons dashboard twee visualisaties.
We kunnen nu al constateren dat we in totaal 18% (270) klanten zouden kunnen verliezen, wat gelijk staat aan 24% ($6,280) aan omzet. Laten we verder kijken door het potentiële inkomstenverlies op staatsniveau te analyseren.
Potentieel inkomstenverlies per staat
Laten we een horizontaal staafdiagram toevoegen om het potentiële inkomstenverlies per staat te visualiseren.
- Op de Toevoegen menu, kies Voeg visueel toe.
- Onder Visuele typen¸ kies het horizontale staafdiagrampictogram.
- Onder Lijst met veldensleuren Chun? naar Groep / kleur.
- Slepen Totale kosten naar Waarde.
- Op de Waarde menu, kies Tonen als en Valuta.
- Slepen Stadium naar Y-as.
- Kies het potloodpictogram om andere visuele effecten aan te passen (legenda verwijderen, waarden toevoegen, lettergrootte wijzigen).
- We kunnen onze nieuwe visual ook sorteren door te kiezen voor Totale kosten onderaan en kiezen Aflopend.
Deze visual kan ons helpen te begrijpen welke staat het belangrijkst is vanuit het perspectief van een marketingcampagne. In Hawaï kunnen we bijvoorbeeld mogelijk de helft van onze omzet verliezen ($ 253,000), terwijl deze waarde in Washington minder dan 10% is ($ 52,000). We kunnen ook zien dat we in Arizona het risico lopen bijna elke klant te verliezen.
Details over klanten die het risico lopen te karnen
Laten we een tabel maken met details over klanten die het risico lopen om te karnen.
- Op de Toevoegen menu, kies Voeg visueel toe.
- Onder Visuele typen, kies het tafelpictogram.
- Onder Veldlijsten, sleep Telefoonnummer, Land, Int'l Plan, Vmail-abonnement, Chun? en Accountlengte naar Groeperen op.
- Slepen waarschijnlijkheid naar Waarde.
- Op de Waarde menu, kies Tonen als en procent.
Pas uw dashboard aan
QuickSight biedt verschillende opties om uw dashboard aan te passen, zoals de volgende.
- Om een naam toe te voegen, op de Toevoegen menu, kies Voeg titel toe.
- Voer een titel in (voor dit bericht hernoemen we ons dashboard Churn-analyse).
- Als u het formaat van uw afbeeldingen wilt wijzigen, kiest u de rechterbenedenhoek van de grafiek en sleept u deze naar de gewenste grootte.
- Als u een visual wilt verplaatsen, kiest u het midden bovenaan de grafiek en sleept u deze naar een nieuwe locatie.
- Kies om het thema te wijzigen Thema's in het navigatievenster.
- Kies je nieuwe thema (bijvoorbeeld Middernacht), en kies Solliciteer.
Publiceer uw dashboard
Een dashboard is een alleen-lezen momentopname van een analyse die u kunt delen met andere QuickSight-gebruikers voor rapportagedoeleinden. Uw dashboard bewaart de configuratie van de analyse op het moment dat u deze publiceert, inclusief zaken als filteren, parameters, besturingselementen en sorteervolgorde. De gegevens die voor de analyse worden gebruikt, worden niet vastgelegd als onderdeel van het dashboard. Wanneer u het dashboard bekijkt, weerspiegelt het de huidige gegevens in de gegevenssets die door de analyse worden gebruikt.
Voer de volgende stappen uit om uw dashboard te publiceren:
- Op de Delen menu, kies Publiceer dashboard.
- Voer een naam in voor uw dashboard.
- Kies Publiceer dashboard.
Gefeliciteerd, je hebt met succes een dashboard voor klantverloopanalyse gemaakt.
Update uw dashboard met een nieuwe voorspelling
Naarmate het model evolueert en we nieuwe gegevens van het bedrijf genereren, moeten we dit dashboard mogelijk bijwerken met nieuwe informatie. Voer de volgende stappen uit:
- Maak een nieuw bestand
churn-no-labels-updated.csv
door willekeurig nog eens 1,500 regels uit de originele dataset te selecteren verloop.csv en het verwijderen van deChurn?
kolom.
We gebruiken deze nieuwe dataset om nieuwe voorspellingen te genereren.
- Herhaal de stappen vanaf de Gebruik het klantverloopmodel van dit bericht om voorspellingen voor de nieuwe dataset te krijgen en het nieuwe bestand te downloaden.
- Kies op de QuickSight-console datasets in het navigatievenster.
- Kies de dataset die we hebben gemaakt.
- Kies Gegevensset bewerken.
- Kies in het vervolgkeuzemenu Bestand bijwerken.
- Kies Upload bestand.
- Kies het recent gedownloade bestand met de voorspellingen.
- Bekijk het voorbeeld en kies vervolgens Bevestig bestandsupdate.
Nadat het bericht "Bestand succesvol bijgewerkt" verschijnt, kunnen we zien dat de bestandsnaam ook is gewijzigd.
- Kies Opslaan & publiceren.
- Wanneer het bericht "Succesd opgeslagen en gepubliceerd" verschijnt, kunt u teruggaan naar het hoofdmenu door het QuickSight-logo in de linkerbovenhoek te kiezen.
- Kies Dashboards in het navigatievenster en kies het dashboard dat we eerder hebben gemaakt.
U zou uw dashboard met de bijgewerkte waarden moeten zien.
We hebben zojuist ons QuickSight-dashboard bijgewerkt met de meest recente voorspellingen van Canvas.
Opruimen
Om toekomstige kosten te voorkomen, uitloggen bij Canvas.
Conclusie
In dit bericht hebben we een ML-model van Canvas gebruikt om klanten te voorspellen die het risico lopen op churning en een dashboard gebouwd met inzichtelijke visualisaties om ons te helpen bij het nemen van gegevensgestuurde zakelijke beslissingen. Dat deden we zonder een enkele regel code te schrijven dankzij gebruiksvriendelijke interfaces en duidelijke visualisaties. Dit stelt bedrijfsanalisten in staat om wendbaar te zijn bij het bouwen van ML-modellen, en analyses uit te voeren en inzichten te verkrijgen in volledige autonomie van datawetenschapsteams.
Voor meer informatie over het gebruik van Canvas, zie Build, Share, Deploy: hoe bedrijfsanalisten en datawetenschappers een snellere time-to-market bereiken met behulp van no-code ML en Amazon SageMaker Canvas. Voor meer informatie over het maken van ML-modellen met een oplossing zonder code, zie Aankondiging van Amazon SageMaker Canvas - een visuele, no-code machine learning-mogelijkheid voor bedrijfsanalisten. Voor meer informatie over de nieuwste QuickSight-functies en best practices, zie AWS Big Data-blog.
Over de auteur
Aleksandr Patroesjev is AI/ML Specialist Solutions Architect bij AWS, gevestigd in Luxemburg. Hij is gepassioneerd door de cloud en machine learning, en de manier waarop ze de wereld kunnen veranderen. Buiten het werk houdt hij van wandelen, sporten en tijd doorbrengen met zijn gezin.
David Gallitelli is Specialist Solutions Architect voor AI/ML in de EMEA-regio. Hij is gevestigd in Brussel en werkt nauw samen met klanten in de hele Benelux. Hij is een ontwikkelaar sinds hij heel jong was en begon te coderen op 7-jarige leeftijd. Hij begon AI/ML te leren op de universiteit en is er sindsdien verliefd op geworden.
- AI
- ai kunst
- ai kunst generator
- je hebt een robot
- Amazon QuickSight
- Amazon Sage Maker
- Amazon SageMaker-canvas
- analytics
- kunstmatige intelligentie
- certificering van kunstmatige intelligentie
- kunstmatige intelligentie in het bankwezen
- kunstmatige intelligentie robot
- kunstmatige intelligentie robots
- kunstmatige intelligentiesoftware
- AWS-machine learning
- blockchain
- blockchain conferentie ai
- vindingrijk
- conversatie kunstmatige intelligentie
- crypto conferentie ai
- van dall
- diepgaand leren
- google ai
- machine learning
- Plato
- plato ai
- Plato gegevensintelligentie
- Plato-spel
- PlatoData
- platogamen
- schaal ai
- syntaxis
- Technische instructies
- zephyrnet