Omogočite inteligentno odločanje z Amazon SageMaker Canvas in Amazon QuickSight

Vsako podjetje, ne glede na velikost, želi svojim strankam ponuditi najboljše izdelke in storitve. Da bi to dosegli, želijo podjetja razumeti industrijske trende in vedenje strank ter redno optimizirati notranje procese in analize podatkov. To je ključna sestavina uspeha podjetja.

Zelo pomemben del vloge analitika vključuje vizualizacijo poslovnih meritev (kot je prihodek od prodaje) in napovedovanje prihodnjih dogodkov (kot je povečanje povpraševanja) za sprejemanje poslovnih odločitev na podlagi podatkov. Če želite pristopiti k temu prvemu izzivu, lahko uporabite Amazon QuickSight, storitev poslovne inteligence (BI) v oblaku, ki zagotavlja lahko razumljive vpoglede in daje odločevalcem priložnost, da raziskujejo in interpretirajo informacije v interaktivnem vizualnem okolju. Za drugo nalogo lahko uporabite Amazon SageMaker Canvas, storitev v oblaku, ki razširja dostop do strojnega učenja (ML), tako da poslovnim analitikom nudi vizualni vmesnik pokaži in klikni, ki vam omogoča, da sami ustvarite natančne napovedi ML.

Ko gledajo te meritve, poslovni analitiki pogosto prepoznajo vzorce v vedenju strank, da ugotovijo, ali podjetje tvega izgubo stranke. Ta problem se imenuje odbitek strank, in modeli ML imajo dokazane rezultate pri napovedovanju takih strank z visoko natančnostjo (za primer glejte Rešitve Elula AI pomagajo bankam izboljšati zadrževanje strank).

Gradnja modelov ML je lahko težaven proces, saj zahteva skupino strokovnjakov za upravljanje priprave podatkov in usposabljanje modela ML. Vendar pa lahko s Canvasom to storite brez posebnega znanja in z nič vrsticami kode. Za več informacij preverite Predvidite odliv strank s strojnim učenjem brez kode z uporabo Amazon SageMaker Canvas.

V tej objavi vam pokažemo, kako vizualizirati predvidevanja, ustvarjena iz Canvas, na nadzorni plošči QuickSight, kar omogoča inteligentno odločanje prek ML.

Pregled rešitve

V postu Predvidite odliv strank s strojnim učenjem brez kode z uporabo Amazon SageMaker Canvas, smo prevzeli vlogo poslovnega analitika v marketinškem oddelku mobilnega operaterja in uspešno izdelali model ML za identifikacijo strank s potencialnim tveganjem odliva. Zahvaljujoč napovedim, ki jih je ustvaril naš model, želimo zdaj narediti analizo potencialnega finančnega izida, da bi na podlagi podatkov sprejeli poslovne odločitve o potencialnih promocijah za te stranke in regije.

Arhitektura, ki nam bo to pomagala doseči, je prikazana v naslednjem diagramu.

Koraki poteka dela so naslednji:

1. Naložite nov nabor podatkov s trenutno populacijo strank v Canvas.
2. Zaženite paketno predvidevanje in prenesite rezultate.
3. Naložite datoteke v QuickSight, da ustvarite ali posodobite vizualizacije.

Te korake lahko izvedete v Canvasu, ne da bi napisali eno vrstico kode. Za celoten seznam podprtih virov podatkov glejte Uvažanje podatkov v Amazon SageMaker Canvas.

Predpogoji

Za ta potek se prepričajte, da so izpolnjeni naslednji predpogoji:

Uporabite model odliva strank

Ko izpolnite predpogoje, bi morali imeti model, usposobljen za zgodovinske podatke v Canvasu, pripravljen za uporabo z novimi podatki o strankah za napovedovanje odliva strank, ki ga lahko nato uporabite v QuickSightu.

1. Ustvarite novo datoteko churn-no-labels.csv z naključnim izborom 1,500 vrstic iz izvirnega nabora podatkov churn.csv in odstranjevanje Churn? stolpec.

Ta novi nabor podatkov uporabljamo za ustvarjanje napovedi.

Dokončamo naslednje korake v Canvasu. Canvas lahko odprete prek Konzola za upravljanje AWS, ali prek aplikacije SSO, ki jo zagotovi vaš skrbnik v oblaku. Če niste prepričani, kako dostopati do Canvas, glejte Začetek uporabe Amazon SageMaker Canvas.

2. Na konzoli Canvas izberite Podatkovni nizi v podoknu za krmarjenje.
3. Izberite uvoz.

4. Izberite Pošiljanje In izberite churn-no-labels.csv datoteko, ki ste jo ustvarili.
5. Izberite Uvozi podatke.

Čas postopka uvoza podatkov je odvisen od velikosti datoteke. V našem primeru bi moralo biti približno 10 sekund. Ko je dokončan, lahko vidimo, da je nabor podatkov vstavljen Ready Status.

6. Za predogled prvih 100 vrstic nabora podatkov izberite meni z možnostmi (tri pike) in izberite predogled.

7. Izberite Modeli v podoknu za krmarjenje nato izberite model odliva, ki ste ga ustvarili kot del predpogojev.

8. o Predvidite izberite jeziček Izberite nabor podatkov.

9. Izberite churn-no-labels.csv nabor podatkov, nato izberite Ustvarite napovedi.

Čas sklepanja je odvisen od kompleksnosti modela in velikosti nabora podatkov; v našem primeru traja približno 10 sekund. Ko je opravilo končano, spremeni status v Pripravljen in lahko prenesemo rezultate.

10. Izberite meni z možnostmi (tri pike), Prenosin Prenesite vse vrednosti.

Po želji si lahko na hitro ogledamo rezultate pri izbiri predogled. Prva dva stolpca sta napovedi iz modela.

Naš model smo uspešno uporabili za napovedovanje tveganja odliva za našo trenutno populacijo strank. Zdaj smo pripravljeni na vizualizacijo poslovnih meritev na podlagi naših predvidevanj.

Uvozite podatke v QuickSight

Kot smo že omenili, poslovni analitiki zahtevajo vizualizacijo napovedi skupaj s poslovnimi meritvami, da lahko sprejemajo poslovne odločitve, ki temeljijo na podatkih. Za to uporabljamo QuickSight, ki zagotavlja lahko razumljive vpoglede in daje odločevalcem priložnost, da raziskujejo in interpretirajo informacije v interaktivnem vizualnem okolju. S QuickSightom lahko v nekaj sekundah ustvarimo vizualizacije, kot so grafi in diagrami, s preprostim vmesnikom povleci in spusti. V tem prispevku izdelamo več vizualizacij za boljše razumevanje poslovnih tveganj in kako jih lahko obvladujemo, na primer, kje naj začnemo nove tržne akcije.

Če želite začeti, izvedite naslednje korake:

1. Na konzoli QuickSight izberite Podatkovni nizi v podoknu za krmarjenje.
2. Izberite Nov nabor podatkov.

QuickSight podpira številne vire podatkov. V tej objavi kot izvorne podatke uporabljamo lokalno datoteko, tisto, ki smo jo prej ustvarili v Canvasu.

3. Izberite Naložite datoteko.

4. Izberite nedavno preneseno datoteko z napovedmi.

QuickSight naloži in analizira datoteko.

5. Preverite, ali je v predogledu vse po pričakovanjih, nato izberite Naslednji.

6. Izberite Vizualiziraj.

Podatki so zdaj uspešno uvoženi in pripravljeni smo jih analizirati.

Ustvarite nadzorno ploščo s poslovnimi meritvami napovedi opuščanja

Čas je, da analiziramo naše podatke in naredimo pregledno in za uporabo preprosto nadzorno ploščo, ki povzema vse informacije, potrebne za poslovne odločitve, ki temeljijo na podatkih. Ta vrsta nadzorne plošče je pomembno orodje v arzenalu poslovnih analitikov.

Sledi primer nadzorne plošče, ki lahko pomaga prepoznati in ukrepati glede tveganja odliva strank.

Na tej nadzorni plošči vizualiziramo več pomembnih poslovnih meritev:

• Stranke bodo verjetno odpadle – Levi krožni grafikon predstavlja število in odstotek uporabnikov, pri katerih obstaja več kot 50-odstotno tveganje opustitve. Ta grafikon nam pomaga hitro razumeti velikost morebitne težave.
• Morebitna izguba prihodka – Zgornji srednji krožni grafikon predstavlja znesek izgube prihodka pri uporabnikih, pri katerih obstaja več kot 50-odstotno tveganje opustitve. Ta grafikon nam pomaga hitro razumeti velikost potencialne izgube prihodka zaradi odliva. Grafikon tudi kaže, da bi lahko izgubili več nadpovprečnih strank kot odstotek izgubljenega potencialnega prihodka, ki je večji od odstotka uporabnikov, ki jim grozi odpoved.
• Morebitna izguba prihodka glede na državo – Zgornji desni vodoravni stolpčni grafikon predstavlja velikost izgubljenega prihodka v primerjavi s prihodki od strank, ki jim ne grozi izpad. Ta slika bi nam lahko pomagala razumeti, katero stanje je za nas najpomembnejše z vidika marketinške kampanje.
• Podrobnosti o strankah, pri katerih obstaja tveganje odpovedi – Spodnja leva tabela vsebuje podrobnosti o vseh naših strankah. Ta tabela je lahko v pomoč, če želimo hitro pogledati podrobnosti več strank z ali brez tveganja odliva.

Stranke bodo verjetno odpadle

Začnemo z gradnjo grafikona s strankami, pri katerih obstaja tveganje odpovedi.

1. Pod Seznam polj, izberite Odliv? atribut.

QuickSight samodejno ustvari vizualizacijo.

Čeprav je palični grafikon običajna vizualizacija za razumevanje porazdelitve podatkov, raje uporabljamo krogasti grafikon. To sliko lahko spremenimo tako, da spremenimo njene lastnosti.

2. Spodaj izberite ikono krogastega grafikona Vizualne vrste.
3. Izberite trenutno ime (dvokliknite) in ga spremenite v Stranke bodo verjetno odpadle.

4. Če želite prilagoditi druge vizualne učinke (odstraniti legendo, dodati vrednosti, spremeniti velikost pisave), izberite ikono svinčnika in naredite spremembe.

Kot je prikazano na naslednjem posnetku zaslona, ​​smo povečali površino krofa in dodali nekaj dodatnih informacij v oznake.

Morebitna izguba prihodka

Druga pomembna metrika, ki jo je treba upoštevati pri izračunu vpliva odliva strank na poslovanje, je potencialna izguba prihodka. To je pomembna metrika, saj nam pomaga razumeti poslovni vpliv strank, ki jim ne grozi odpoved. V telekomunikacijski industriji, na primer, bi lahko imeli veliko nedejavnih strank, ki imajo visoko tveganje odliva, vendar nič prihodkov. Ta grafikon nam lahko pomaga razumeti, ali smo v takšni situaciji ali ne. Da bi to meritev dodali na našo nadzorno ploščo, ustvarimo izračunano polje po meri, tako da zagotovimo matematično formulo za izračun potencialne izgube prihodka, nato pa jo vizualiziramo kot še en krožni grafikon.

1. o Dodaj izberite meni Dodajte izračunano polje.

2. Poimenujte polje Skupni stroški.
3. Vnesite formulo {dnevno plačilo}+{predvečer plačilo}+{mednarodno plačilo}+{nočno plačilo}.
4. Izberite Shrani.

5. o Dodaj izberite meni Dodajte vizualno.

6. Pod Vizualne vrste, izberite ikono krogastega grafikona.
7. Pod Seznam polj, povlecite Odliv? do Skupina/barva.
8. Povlecite Skupni stroški do vrednost.
9. o vrednost izberite meni Pokaži kot In izberite valuta.
10. Izberite ikono svinčnika, da prilagodite druge vizualne učinke (odstranite legendo, dodajte vrednosti, spremenite velikost pisave).

Trenutno ima naša nadzorna plošča dve vizualizaciji.

Že zdaj lahko opazimo, da bi skupaj lahko izgubili 18 % (270) strank, kar je enako 24 % (6,280 $) prihodkov. Raziščimo naprej z analizo morebitne izgube prihodkov na državni ravni.

Morebitna izguba prihodka glede na državo

Za vizualizacijo morebitne izgube prihodka glede na zvezno državo dodamo vodoravni palični graf.

1. o Dodaj izberite meni Dodajte vizualno.

2. Pod Vizualne vrste¸ izberite ikono vodoravnega paličnega grafikona.
3. Pod Seznam polj¸ povlecite Odliv? do Skupina/barva.
4. Povlecite Skupni stroški do vrednost.
5. o vrednost izberite meni Pokaži kot in valuta.
6. Povlecite Stage do Os Y.
7. Izberite ikono svinčnika, da prilagodite druge vizualne učinke (odstranite legendo, dodajte vrednosti, spremenite velikost pisave).

8. Našo novo sliko lahko tudi razvrstimo z izbiro Skupni stroški na dnu in izbiranje Padajoče.

Ta vizualni prikaz nam lahko pomaga razumeti, katero stanje je najpomembnejše z vidika marketinške kampanje. Na primer, na Havajih bi lahko potencialno izgubili polovico prihodkov (253,000 USD), medtem ko je v Washingtonu ta vrednost manjša od 10 % (52,000 USD). Vidimo lahko tudi, da v Arizoni tvegamo izgubo skoraj vseh strank.

Podrobnosti o strankah, pri katerih obstaja tveganje odpovedi

Sestavimo tabelo s podrobnostmi o strankah, pri katerih obstaja tveganje odpovedi.

1. o Dodaj izberite meni Dodajte vizualno.

2. Pod Vizualne vrste, izberite ikono tabele.
3. Pod Seznami polj, povlecite Telefon, Država, Int'l načrt, Načrt Vmail, Odliv?in Dolžina računa do Skupina z.
4. Povlecite verjetnost do vrednost.
5. o vrednost izberite meni Pokaži kot in Odstotek.

Prilagodite svojo nadzorno ploščo

QuickSight ponuja več možnosti za prilagoditev vaše nadzorne plošče, kot so naslednje.

1. Če želite dodati ime, na Dodaj izberite meni Dodaj naslov.

2. Vnesite naslov (za to objavo preimenujemo našo nadzorno ploščo Analiza Churna).

3. Če želite spremeniti velikost vizualnih elementov, izberite spodnji desni kot grafikona in povlecite na želeno velikost.
4. Če želite premakniti vizualni element, izberite zgornji sredinski del grafikona in ga povlecite na novo lokacijo.
5. Če želite spremeniti temo, izberite Teme v podoknu za krmarjenje.
6. Izberite novo temo (npr. Midnight), in izberite Uporabi.

Objavite svojo nadzorno ploščo

Nadzorna plošča je posnetek analize samo za branje, ki ga lahko delite z drugimi uporabniki QuickSighta za namene poročanja. Vaša nadzorna plošča ohranja konfiguracijo analize v času, ko jo objavite, vključno s stvarmi, kot so filtriranje, parametri, kontrolniki in vrstni red razvrščanja. Podatki, uporabljeni za analizo, niso zajeti kot del nadzorne plošče. Ko si ogledate nadzorno ploščo, odraža trenutne podatke v naborih podatkov, ki jih uporablja analiza.

Če želite objaviti nadzorno ploščo, sledite naslednjim korakom:

1. o Delite s prijatelji, znanci, družino in partnerji :-) izberite meni Objavi nadzorno ploščo.

2. Vnesite ime za svojo nadzorno ploščo.
3. Izberite Objavi nadzorno ploščo.

Čestitamo, uspešno ste ustvarili nadzorno ploščo za analizo opuščanja.

Posodobite svojo nadzorno ploščo z novo napovedjo

Ko se model razvija in ustvarjamo nove podatke iz podjetja, bomo morda morali to nadzorno ploščo posodobiti z novimi informacijami. Izvedite naslednje korake:

1. Ustvarite novo datoteko churn-no-labels-updated.csv z naključnim izborom dodatnih 1,500 vrstic iz izvirnega nabora podatkov churn.csv in odstranjevanje Churn? stolpec.

Ta novi nabor podatkov uporabljamo za ustvarjanje novih napovedi.

2. Ponovite korake od Uporabite model odliva strank razdelek te objave, da dobite napovedi za nov nabor podatkov, in prenesite novo datoteko.
3. Na konzoli QuickSight izberite Podatkovni nizi v podoknu za krmarjenje.
4. Izberite nabor podatkov, ki smo ga ustvarili.

5. Izberite Uredi nabor podatkov.

6. V spustnem meniju izberite Posodobi datoteko.

7. Izberite Naloži datoteko.

8. Izberite nedavno preneseno datoteko z napovedmi.
9. Preglejte predogled in izberite Potrdite posodobitev datoteke.

Ko se prikaže sporočilo »Datoteka je bila uspešno posodobljena«, lahko vidimo, da se je tudi ime datoteke spremenilo.

10. Izberite Shrani in objavi.

11. Ko se prikaže sporočilo »Shranjeno in uspešno objavljeno«, se lahko vrnete v glavni meni z izbiro logotipa QuickSight v levem zgornjem kotu.

12. Izberite Armaturnih plošč v podoknu za krmarjenje in izberite nadzorno ploščo, ki smo jo ustvarili prej.

Morali bi videti svojo nadzorno ploščo s posodobljenimi vrednostmi.

Pravkar smo posodobili našo nadzorno ploščo QuickSight z najnovejšimi napovedmi Canvasa.

Čiščenje

Da bi se izognili prihodnjim stroškom, odjava iz Canvasa.

zaključek

V tej objavi smo uporabili model ML podjetja Canvas za napovedovanje strank, pri katerih obstaja tveganje odpovedi, in izdelali nadzorno ploščo s pronicljivimi vizualizacijami, ki nam pomagajo sprejemati poslovne odločitve na podlagi podatkov. To smo storili, ne da bi napisali eno vrstico kode, zahvaljujoč uporabniku prijaznim vmesnikom in jasnim vizualizacijam. To poslovnim analitikom omogoča, da so agilni pri gradnji modelov ML ter izvajajo analize in pridobivajo vpoglede v popolni avtonomiji od ekip za podatkovno znanost.

Če želite izvedeti več o uporabi Canvas, glejte Zgradite, delite, uvedite: kako poslovni analitiki in podatkovni znanstveniki dosežejo hitrejši čas do trga z uporabo ML brez kode in Amazon SageMaker Canvas. Za več informacij o ustvarjanju modelov ML z rešitvijo brez kode glejte Predstavljamo Amazon SageMaker Canvas – vizualno zmožnost strojnega učenja brez kodiranja za poslovne analitike. Če želite izvedeti več o najnovejših funkcijah QuickSight in najboljših praksah, glejte Blog AWS za velike podatke.

---

O Author

Aleksandr Patrušev je specialist za rešitve AI/ML pri AWS s sedežem v Luksemburgu. Navdušen je nad oblakom in strojnim učenjem ter načinom, kako lahko spremenita svet. Izven dela se rad pohodi, ukvarja s športom in preživlja čas z družino.

Davide Gallitelli je specializirani arhitekt rešitev za AI/ML v regiji EMEA. Ima sedež v Bruslju in tesno sodeluje s strankami po vsem Beneluksu. Razvijalec je že od malih nog, kodirati je začel pri 7 letih. AI/ML se je začel učiti na univerzi in od takrat se je vanj zaljubil.