Aktiver intelligent beslutningstaking med Amazon SageMaker Canvas og Amazon QuickSight

Hvert selskap, uansett størrelse, ønsker å levere de beste produktene og tjenestene til sine kunder. For å oppnå dette ønsker bedrifter å forstå bransjetrender og kundeatferd, og optimalisere interne prosesser og dataanalyser på rutinebasis. Dette er en avgjørende komponent for et selskaps suksess.

En svært fremtredende del av analytikerrollen inkluderer visualisering av forretningsberegninger (som salgsinntekter) og prediksjon av fremtidige hendelser (som økning i etterspørsel) for å ta datadrevne forretningsbeslutninger. For å nærme deg denne første utfordringen kan du bruke Amazon QuickSight, en skyskala business intelligence (BI)-tjeneste som gir lettfattelig innsikt og gir beslutningstakere muligheten til å utforske og tolke informasjon i et interaktivt visuelt miljø. For den andre oppgaven kan du bruke Amazon SageMaker Canvas, en skytjeneste som utvider tilgangen til maskinlæring (ML) ved å gi forretningsanalytikere et visuelt pek-og-klikk-grensesnitt som lar deg generere nøyaktige ML-spådommer på egenhånd.

Når man ser på disse beregningene, identifiserer forretningsanalytikere ofte mønstre i kundeadferd, for å avgjøre om selskapet risikerer å miste kunden. Dette problemet kalles kunden churn, og ML-modeller har dokumentert erfaring med å forutsi slike kunder med høy nøyaktighet (se for eksempel Elulas AI-løsninger hjelper bankene med å forbedre kundeoppbevaring).

Å bygge ML-modeller kan være en vanskelig prosess fordi det krever et ekspertteam for å administrere dataforberedelsen og ML-modellopplæringen. Men med Canvas kan du gjøre det uten noen spesiell kunnskap og med null linjer med kode. For mer informasjon, sjekk ut Forutsi kundefragang med maskinlæring uten kode ved hjelp av Amazon SageMaker Canvas.

I dette innlegget viser vi deg hvordan du visualiserer spådommene generert fra Canvas i et QuickSight-dashbord, som muliggjør intelligent beslutningstaking via ML.

Oversikt over løsning

I posten Forutsi kundefragang med maskinlæring uten kode ved hjelp av Amazon SageMaker Canvas, påtok vi oss rollen som forretningsanalytiker i markedsavdelingen til en mobiltelefonoperatør, og vi har lykkes med å opprette en ML-modell for å identifisere kunder med potensiell risiko for avgang. Takket være spådommene generert av modellen vår, ønsker vi nå å foreta en analyse av et potensielt økonomisk utfall for å ta datadrevne forretningsbeslutninger om potensielle kampanjer for disse kundene og regionene.

Arkitekturen som vil hjelpe oss å oppnå dette er vist i følgende diagram.

Arbeidsflyttrinnene er som følger:

1. Last opp et nytt datasett med gjeldende kundepopulasjon til Canvas.
2. Kjør en batch-prediksjon og last ned resultatene.
3. Last opp filene til QuickSight for å lage eller oppdatere visualiseringer.

Du kan utføre disse trinnene i Canvas uten å skrive en eneste linje med kode. For den fullstendige listen over støttede datakilder, se Importere data i Amazon SageMaker Canvas.

Forutsetninger

For denne gjennomgangen, sørg for at følgende forutsetninger er oppfylt:

Bruk kundeavgang-modellen

Etter at du har fullført forutsetningene, bør du ha en modell trent på historiske data i Canvas, klar til å brukes med nye kundedata for å forutsi kundeavgang, som du deretter kan bruke i QuickSight.

1. Opprett en ny fil churn-no-labels.csv ved å tilfeldig velge 1,500 linjer fra det originale datasettet churn.csv og fjerne Churn? kolonne.

Vi bruker dette nye datasettet til å generere spådommer.

Vi fullfører de neste trinnene i Canvas. Du kan åpne Canvas via AWS-administrasjonskonsoll, eller via SSO-applikasjonen levert av skyadministratoren din. Hvis du ikke er sikker på hvordan du får tilgang til Canvas, se Komme i gang med bruk av Amazon SageMaker Canvas.

2. Velg på Canvas-konsollen datasett i navigasjonsruten.
3. Velg Import.

4. Velg Last opp og velg churn-no-labels.csv filen du opprettet.
5. Velg Import datoer.

Prosesstiden for dataimport avhenger av størrelsen på filen. I vårt tilfelle bør det være rundt 10 sekunder. Når den er fullført, kan vi se at datasettet er inne Ready status.

6. For å forhåndsvise de første 100 radene i datasettet, velg alternativmenyen (tre prikker) og velg Forhåndsvisning.

7. Velg Modeller i navigasjonsruten, velg deretter churn-modellen du opprettet som en del av forutsetningene.

8. På forutsi kategorien, velg Velg datasett.

9. Velg churn-no-labels.csv datasett, og velg deretter Generer spådommer.

Inferenstiden avhenger av modellens kompleksitet og datasettstørrelse; i vårt tilfelle tar det rundt 10 sekunder. Når jobben er ferdig, endrer den status til Klar, og vi kan laste ned resultatene.

10. Velg alternativmenyen (tre prikker), Last nedog Last ned alle verdier.

Eventuelt kan vi ta en rask titt på resultatene ved å velge Forhåndsvisning. De to første kolonnene er prediksjoner fra modellen.

Vi har med hell brukt modellen vår til å forutsi churn-risiko for vår nåværende kundepopulasjon. Nå er vi klare til å visualisere forretningsberegninger basert på våre spådommer.

Importer data til QuickSight

Som vi diskuterte tidligere, krever forretningsanalytikere at spådommer skal visualiseres sammen med forretningsberegninger for å ta datadrevne forretningsbeslutninger. For å gjøre det bruker vi QuickSight, som gir lettfattelig innsikt og gir beslutningstakere muligheten til å utforske og tolke informasjon i et interaktivt visuelt miljø. Med QuickSight kan vi bygge visualiseringer som grafer og diagrammer på sekunder med et enkelt dra-og-slipp-grensesnitt. I dette innlegget bygger vi flere visualiseringer for å bedre forstå forretningsrisikoer og hvordan vi kan håndtere dem, for eksempel hvor vi bør lansere nye markedsføringskampanjer.

Gjør følgende for å komme i gang:

1. Velg på QuickSight-konsollen datasett i navigasjonsruten.
2. Velg Nytt datasett.

QuickSight støtter mange datakilder. I dette innlegget bruker vi en lokal fil, den vi tidligere genererte i Canvas, som kildedata.

3. Velg Last opp en fil.

4. Velg den nylig nedlastede filen med spådommer.

QuickSight laster opp og analyserer filen.

5. Sjekk at alt er som forventet i forhåndsvisningen, og velg deretter neste.

6. Velg Visualisere.

Dataene er nå importert og vi er klare til å analysere dem.

Lag et dashbord med forretningsberegninger for kundeanslag

Det er på tide å analysere dataene våre og lage et oversiktlig og brukervennlig dashbord som gjengir all informasjonen som er nødvendig for datadrevne forretningsbeslutninger. Denne typen dashbord er et viktig verktøy i arsenalet til forretningsanalytikere.

Følgende er et eksempel på dashbord som kan hjelpe med å identifisere og handle på risikoen for kundefragang.

På dette dashbordet visualiserer vi flere viktige forretningsberegninger:

• Kunder vil sannsynligvis churn – Det venstre smultringdiagrammet representerer antallet og prosentandelen av brukere som overstiger 50 % risiko for churning. Dette diagrammet hjelper oss raskt å forstå størrelsen på et potensielt problem.
• Potensielt inntektstap – Det øverste midterste smultringdiagrammet representerer mengden inntektstap fra brukere over 50 % risiko for churning. Dette diagrammet hjelper oss raskt å forstå størrelsen på potensielt inntektstap fra churn. Diagrammet viser også at vi kan miste flere kunder over gjennomsnittet ettersom en prosentandel av potensielle tapte inntekter er større enn prosentandelen av brukere som står i fare for å churning.
• Potensielt inntektstap etter stat – Det horisontale søylediagrammet øverst til høyre representerer størrelsen på tapte inntekter kontra inntekter fra kunder som ikke står i fare for å trekke seg tilbake. Denne visualiseringen kan hjelpe oss å forstå hvilken tilstand som er den viktigste for oss fra et markedsføringskampanjeperspektiv.
• Detaljer om kunder som står i fare for churning – Tabellen nederst til venstre inneholder detaljer om alle våre kunder. Denne tabellen kan være nyttig hvis vi raskt vil se på detaljene til flere kunder med og uten churn-risiko.

Kunder vil sannsynligvis churn

Vi starter med å bygge et diagram med kunder som risikerer å churning.

1. Under Feltliste, Velg Churn? attributt.

QuickSight bygger automatisk en visualisering.

Selv om søylediagrammet er en vanlig visualisering for å forstå datadistribusjon, foretrekker vi å bruke et smultringdiagram. Vi kan endre dette visuelle ved å endre dets egenskaper.

2. Velg smultringdiagramikonet under Visuelle typer.
3. Velg gjeldende navn (dobbeltklikk) og endre det til Kunder vil sannsynligvis churn.

4. For å tilpasse andre visuelle effekter (fjern forklaring, legg til verdier, endre skriftstørrelse), velg blyantikonet og foreta endringene.

Som vist i følgende skjermbilde, økte vi arealet av smultringen, samt la til litt ekstra informasjon i etikettene.

Potensielt inntektstap

En annen viktig beregning å vurdere når man beregner forretningseffekten av kundeavgang, er potensielt inntektstap. Dette er en viktig beregning fordi den hjelper oss å forstå forretningseffekten fra kunder som ikke står i fare for å churning. I telekomindustrien, for eksempel, kan vi ha mange inaktive kunder som har høy risiko for churn og men null inntekt. Dette diagrammet kan hjelpe oss å forstå om vi er i en slik situasjon eller ikke. For å legge til denne beregningen til dashbordet vårt, lager vi et tilpasset beregnet felt ved å gi den matematiske formelen for å beregne potensielt inntektstap, og deretter visualisere det som et annet smultringdiagram.

1. På Legg til meny, velg Legg til beregnet felt.

2. Navngi feltet Totale kostnader.
3. Skriv inn formelen {Day Charge}+{Eve Charge}+{Intl Charge}+{Night Charge}.
4. Velg Spar.

5. På Legg til meny, velg Legg til visuelt.

6. Under Visuelle typer, velg smultringdiagramikonet.
7. Under Feltliste, dra Churn? til Gruppe/Farge.
8. Dra Totale kostnader til Verdi.
9. På Verdi meny, velg Vis som Og velg valuta.
10. Velg blyantikonet for å tilpasse andre visuelle effekter (fjern forklaring, legg til verdier, endre skriftstørrelse).

For øyeblikket har dashbordet vårt to visualiseringer.

Vi kan allerede observere at vi totalt sett kan miste 18 % (270) kunder, noe som tilsvarer 24 % ($6,280 XNUMX) i inntekt. La oss utforske videre ved å analysere potensielt inntektstap på statlig nivå.

Potensielt inntektstap etter stat

For å visualisere potensielt inntektstap etter stat, la oss legge til et horisontalt søylediagram.

1. På Legg til meny, velg Legg til visuelt.

2. Under Visuelle typer¸ velg det horisontale søylediagramikonet.
3. Under Feltliste¸ dra Churn? til Gruppe/Farge.
4. Dra Totale kostnader til Verdi.
5. På Verdi meny, velg Vis som og valuta.
6. Dra Scene til Y-aksen.
7. Velg blyantikonet for å tilpasse andre visuelle effekter (fjern forklaring, legg til verdier, endre skriftstørrelse).

8. Vi kan også sortere det nye visuelle ved å velge Totale kostnader nederst og velge synkende.

Dette bildet kan hjelpe oss å forstå hvilken tilstand som er den viktigste fra et markedsføringskampanjeperspektiv. For eksempel, på Hawaii kan vi potensielt miste halvparten av inntektene våre ($253,000 10), mens denne verdien i Washington er mindre enn 52,000 % ($XNUMX XNUMX). Vi kan også se at i Arizona risikerer vi å miste nesten hver eneste kunde.

Detaljer om kunder som står i fare for churning

La oss bygge en tabell med detaljer om kunder som står i fare for churning.

1. På Legg til meny, velg Legg til visuelt.

2. Under Visuelle typer, velg tabellikonet.
3. Under Feltlister, dra Telefon, Tilstand, Internasjonal plan, Vmail-plan, Churn?og Kontolengde til Gruppe av.
4. Dra sannsynlighet til Verdi.
5. På Verdi meny, velg Vis som og prosent.

Tilpass dashbordet ditt

QuickSight tilbyr flere alternativer for å tilpasse dashbordet ditt, for eksempel følgende.

1. For å legge til et navn, på Legg til meny, velg Legg til tittel.

2. Skriv inn en tittel (for dette innlegget gir vi nytt navn til dashbordet vårt Churn analyse).

3. For å endre størrelsen på det visuelle bildet, velg det nederste høyre hjørnet av diagrammet og dra til ønsket størrelse.
4. For å flytte et bilde, velg øverst i midten av diagrammet og dra det til en ny plassering.
5. For å endre tema, velg temaer i navigasjonsruten.
6. Velg ditt nye tema (f.eks. Midnatt), og velg Påfør.

Publiser dashbordet ditt

Et dashbord er et skrivebeskyttet øyeblikksbilde av en analyse som du kan dele med andre QuickSight-brukere for rapporteringsformål. Dashbordet ditt bevarer konfigurasjonen av analysen på det tidspunktet du publiserer den, inkludert slike ting som filtrering, parametere, kontroller og sorteringsrekkefølge. Dataene som brukes til analysen, blir ikke fanget opp som en del av dashbordet. Når du viser dashbordet, gjenspeiler det gjeldende data i datasettene som brukes av analysen.

Gjør følgende for å publisere dashbordet:

1. På Del meny, velg Publiser dashbord.

2. Skriv inn et navn for dashbordet.
3. Velg Publiser dashbord.

Gratulerer, du har opprettet et dashbord for avgangsanalyse.

Oppdater dashbordet med en ny prediksjon

Etter hvert som modellen utvikler seg og vi genererer nye data fra virksomheten, må vi kanskje oppdatere dette dashbordet med ny informasjon. Fullfør følgende trinn:

1. Opprett en ny fil churn-no-labels-updated.csv ved å tilfeldig velge ytterligere 1,500 linjer fra det originale datasettet churn.csv og fjerne Churn? kolonne.

Vi bruker dette nye datasettet til å generere nye spådommer.

2. Gjenta trinnene fra Bruk kundeavgang-modellen delen av dette innlegget for å få spådommer for det nye datasettet, og laste ned den nye filen.
3. Velg på QuickSight-konsollen datasett i navigasjonsruten.
4. Velg datasettet vi opprettet.

5. Velg Rediger datasett.

6. Velg på rullegardinmenyen Oppdater fil.

7. Velg Last opp fil.

8. Velg den nylig nedlastede filen med spådommene.
9. Se gjennom forhåndsvisningen, og velg deretter Bekreft filoppdatering.

Etter at meldingen "Fil oppdatert" vises, kan vi se at filnavnet også er endret.

10. Velg Lagre og publiser.

11. Når meldingen "Lagret og publisert vellykket" vises, kan du gå tilbake til hovedmenyen ved å velge QuickSight-logoen i øvre venstre hjørne.

12. Velg Instrumentbord i navigasjonsruten og velg dashbordet vi opprettet før.

Du bør se dashbordet med de oppdaterte verdiene.

Vi har nettopp oppdatert QuickSight-dashbordet med de nyeste spådommene fra Canvas.

Rydd opp

For å unngå fremtidige belastninger, logge ut fra Canvas.

konklusjonen

I dette innlegget brukte vi en ML-modell fra Canvas for å forutsi kunder som står i fare for churning og bygde et dashbord med innsiktsfulle visualiseringer for å hjelpe oss med å ta datadrevne forretningsbeslutninger. Vi gjorde det uten å skrive en eneste linje med kode takket være brukervennlige grensesnitt og klare visualiseringer. Dette gjør det mulig for forretningsanalytikere å være smidige i å bygge ML-modeller, og utføre analyser og hente ut innsikt i fullstendig autonomi fra datavitenskapsteam.

For å lære mer om bruk av Canvas, se Bygg, del, distribuer: hvordan forretningsanalytikere og dataforskere oppnår raskere time-to-market ved å bruke no-code ML og Amazon SageMaker Canvas. For mer informasjon om å lage ML-modeller med en kodefri løsning, se Kunngjøring av Amazon SageMaker Canvas – en visuell maskinlæringsevne uten kode for forretningsanalytikere. For å lære mer om de nyeste QuickSight-funksjonene og beste fremgangsmåtene, se AWS Big Data-blogg.

---

om forfatteren

Aleksandr Patrushev er AI/ML Specialist Solutions Architect hos AWS, basert i Luxembourg. Han er lidenskapelig opptatt av skyen og maskinlæring, og måten de kan forandre verden på. Utenfor jobben liker han fotturer, sport og tilbringe tid med familien.

Davide Gallitelli er en spesialistløsningsarkitekt for AI/ML i EMEA-regionen. Han er basert i Brussel og jobber tett med kunder i hele Benelux. Han har vært utvikler siden han var veldig ung, og begynte å kode i en alder av 7. Han begynte å lære AI/ML på universitetet, og har forelsket seg i det siden den gang.