Varje företag, oavsett storlek, vill leverera de bästa produkterna och tjänsterna till sina kunder. För att uppnå detta vill företag förstå branschtrender och kundbeteende, och optimera interna processer och dataanalyser på rutin. Detta är en avgörande komponent för ett företags framgång.
En mycket framträdande del av analytikerrollen inkluderar visualisering av affärsmått (som försäljningsintäkter) och förutsägelse av framtida händelser (som ökad efterfrågan) för att fatta datadrivna affärsbeslut. För att närma dig denna första utmaning kan du använda Amazon QuickSight, en molnskala business intelligence (BI)-tjänst som ger lättförståeliga insikter och ger beslutsfattare möjlighet att utforska och tolka information i en interaktiv visuell miljö. För den andra uppgiften kan du använda Amazon SageMaker Canvas, en molntjänst som utökar tillgången till maskininlärning (ML) genom att förse affärsanalytiker med ett visuellt peka-och-klicka-gränssnitt som låter dig generera korrekta ML-förutsägelser på egen hand.
När man tittar på dessa mätetal identifierar affärsanalytiker ofta mönster i kundbeteende, för att avgöra om företaget riskerar att förlora kunden. Detta problem kallas kund churn, och ML-modeller har en bevisad erfarenhet av att förutsäga sådana kunder med hög noggrannhet (se till exempel Elulas AI-lösningar hjälper banker att förbättra kundbehållningen).
Att bygga ML-modeller kan vara en knepig process eftersom det kräver ett expertteam för att hantera dataförberedelserna och ML-modellutbildningen. Men med Canvas kan du göra det utan någon speciell kunskap och med noll rader kod. För mer information, kolla in Förutsäg kundförlust med no-code maskininlärning med Amazon SageMaker Canvas.
I det här inlägget visar vi dig hur du visualiserar de förutsägelser som genereras från Canvas i en QuickSight-instrumentpanel, vilket möjliggör intelligent beslutsfattande via ML.
Översikt över lösningen
I posten Förutsäg kundförlust med no-code maskininlärning med Amazon SageMaker Canvas, antog vi rollen som affärsanalytiker på marknadsavdelningen hos en mobiltelefonoperatör, och vi skapade framgångsrikt en ML-modell för att identifiera kunder med potentiell risk för churn. Tack vare förutsägelserna som genereras av vår modell vill vi nu göra en analys av ett potentiellt ekonomiskt resultat för att fatta datadrivna affärsbeslut om potentiella kampanjer för dessa kunder och regioner.
Arkitekturen som hjälper oss att uppnå detta visas i följande diagram.
Arbetsflödesstegen är följande:
- Ladda upp en ny datauppsättning med den aktuella kundpopulationen till Canvas.
- Kör en batch-förutsägelse och ladda ner resultaten.
- Ladda upp filerna till QuickSight för att skapa eller uppdatera visualiseringar.
Du kan utföra dessa steg i Canvas utan att skriva en enda rad kod. För den fullständiga listan över datakällor som stöds, se Importera data i Amazon SageMaker Canvas.
Förutsättningar
För den här genomgången, se till att följande förutsättningar är uppfyllda:
Använd kundens churn-modell
Efter att du har klarat av förutsättningarna bör du ha en modell tränad på historisk data i Canvas, redo att användas med ny kunddata för att förutsäga kundavgång, som du sedan kan använda i QuickSight.
- Skapa en ny fil
churn-no-labels.csv
genom att slumpmässigt välja 1,500 XNUMX rader från den ursprungliga datamängden churn.csv och ta bortChurn?
kolonn.
Vi använder denna nya datauppsättning för att generera förutsägelser.
Vi slutför nästa steg i Canvas. Du kan öppna Canvas via AWS Management Console, eller via SSO-applikationen från din molnadministratör. Om du inte är säker på hur du kommer åt Canvas, se Komma igång med att använda Amazon SageMaker Canvas.
- Välj på Canvas-konsolen dataset i navigeringsfönstret.
- Välja Importera.
- Välja Ladda och välj
churn-no-labels.csv
fil som du skapade. - Välja Importera datum.
Processtiden för dataimporten beror på filens storlek. I vårt fall bör det vara cirka 10 sekunder. När den är klar kan vi se att datamängden finns i Ready
status.
- För att förhandsgranska de första 100 raderna i datamängden, välj alternativmenyn (tre punkter) och välj Förhandsvisning.
- Välja Modeller i navigeringsfönstret och välj sedan churn-modellen du skapade som en del av förutsättningarna.
- På förutsäga fliken, välj Välj dataset.
- Välj
churn-no-labels.csv
dataset och välj sedan Skapa förutsägelser.
Inferenstiden beror på modellens komplexitet och datasetets storlek; i vårt fall tar det cirka 10 sekunder. När jobbet är klart ändras status till Klar och vi kan ladda ner resultatet.
- Välj alternativmenyn (tre punkter), Downloadoch Ladda ner alla värden.
Alternativt kan vi ta en snabb titt på resultatet när vi väljer Förhandsvisning. De två första kolumnerna är förutsägelser från modellen.
Vi har framgångsrikt använt vår modell för att förutsäga churnrisk för vår nuvarande kundpopulation. Nu är vi redo att visualisera affärsmått baserat på våra förutsägelser.
Importera data till QuickSight
Som vi diskuterade tidigare kräver affärsanalytiker att förutsägelser ska visualiseras tillsammans med affärsmått för att kunna fatta datadrivna affärsbeslut. För att göra det använder vi QuickSight som ger lättförståeliga insikter och ger beslutsfattare möjlighet att utforska och tolka information i en interaktiv visuell miljö. Med QuickSight kan vi bygga visualiseringar som grafer och diagram på några sekunder med ett enkelt dra-och-släpp-gränssnitt. I det här inlägget bygger vi flera visualiseringar för att bättre förstå affärsrisker och hur vi kan hantera dem, till exempel var vi ska lansera nya marknadsföringskampanjer.
Gör så här för att komma igång:
- Välj på QuickSight-konsolen dataset i navigeringsfönstret.
- Välja Nytt datasätt.
QuickSight stöder många datakällor. I det här inlägget använder vi en lokal fil, den vi tidigare genererade i Canvas, som vår källdata.
- Välja Ladda upp en fil.
- Välj den nyligen nedladdade filen med förutsägelser.
QuickSight laddar upp och analyserar filen.
- Kontrollera att allt är som förväntat i förhandsgranskningen och välj sedan Nästa.
- Välja visualisera.
Data har nu importerats och vi är redo att analysera dem.
Skapa en instrumentpanel med affärsstatistik för churn-förutsägelser
Det är dags att analysera vår data och göra en tydlig och lättanvänd instrumentpanel som sammanfattar all information som behövs för datadrivna affärsbeslut. Denna typ av instrumentpanel är ett viktigt verktyg i en affärsanalytikers arsenal.
Följande är ett exempel på en instrumentpanel som kan hjälpa till att identifiera och agera på risken för kundavgång.
På den här instrumentpanelen visualiserar vi flera viktiga affärsmått:
- Kunder kommer sannolikt att churna – Det vänstra munkdiagrammet representerar antalet och procentandelen användare som överstiger 50 % risk för att de tappar sig. Det här diagrammet hjälper oss att snabbt förstå storleken på ett potentiellt problem.
- Potentiell intäktsförlust – Den övre mitten av munkdiagrammet representerar mängden intäktsbortfall från användare över 50 % risk för att de hamnar. Det här diagrammet hjälper oss att snabbt förstå storleken på potentiell intäktsförlust från churn. Diagrammet visar också att vi kan förlora flera kunder över genomsnittet eftersom en procentandel av potentiella intäkter som går förlorade som är större än procentandelen användare som riskerar att churnas.
- Potentiell intäktsförlust per stat – Det horisontella stapeldiagrammet längst upp till höger representerar storleken på förlorad intäkt jämfört med intäkt från kunder som inte riskerar att förlora. Den här bilden kan hjälpa oss att förstå vilken stat som är viktigast för oss ur ett marknadsföringskampanjperspektiv.
- Detaljer om kunder som riskerar att bli churning – Den nedre vänstra tabellen innehåller information om alla våra kunder. Den här tabellen kan vara till hjälp om vi snabbt vill titta på detaljerna för flera kunder med och utan churnrisk.
Kunder kommer sannolikt att churna
Vi börjar med att bygga ett diagram med kunder som riskerar att bli churning.
- Enligt Fältlista, Välj den Churn? attribut.
QuickSight bygger automatiskt en visualisering.
Även om stapeldiagrammet är en vanlig visualisering för att förstå datadistribution, föredrar vi att använda ett munkdiagram. Vi kan ändra denna visuella genom att ändra dess egenskaper.
- Välj munkdiagramikonen under Visuella typer.
- Välj det aktuella namnet (dubbelklicka) och ändra det till Kunder kommer sannolikt att churna.
- För att anpassa andra visuella effekter (ta bort förklaring, lägg till värden, ändra teckenstorlek), välj pennikonen och gör dina ändringar.
Som visas i följande skärmdump ökade vi munkens yta, samt lade till lite extra information i etiketterna.
Potentiell intäktsförlust
Ett annat viktigt mått att tänka på när man beräknar affärseffekten av kundförlust är potentiell intäktsförlust. Detta är ett viktigt mått eftersom det hjälper oss att förstå verksamhetens påverkan från kunder som inte riskerar att bli churning. Inom telekombranschen, till exempel, skulle vi kunna ha många inaktiva kunder som har en hög risk för churn och men noll intäkter. Det här diagrammet kan hjälpa oss att förstå om vi är i en sådan situation eller inte. För att lägga till detta mått på vår instrumentpanel skapar vi ett anpassat beräknat fält genom att tillhandahålla den matematiska formeln för att beräkna potentiell intäktsförlust, och sedan visualisera den som ett annat munkdiagram.
- På Lägg till meny, välj Lägg till beräknat fält.
- Namnge fältet Totala avgifter.
- Ange formeln {Day Charge}+{Eve Charge}+{Intl Charge}+{Night Charge}.
- Välja Save.
- På Lägg till meny, välj Lägg till visuellt.
- Enligt Visuella typer, välj ikonen för munkdiagram.
- Enligt Fältlista, drag Churn? till Grupp / färg.
- Dra Totala avgifter till Värde.
- På Värde meny, välj Visa som Och välj Valuta.
- Välj pennikonen för att anpassa andra visuella effekter (ta bort förklaring, lägg till värden, ändra teckenstorlek).
För närvarande har vår instrumentpanel två visualiseringar.
Vi kan redan nu konstatera att vi totalt sett kan förlora 18 % (270) kunder, vilket motsvarar 24 % (6,280 XNUMX USD) i intäkter. Låt oss utforska ytterligare genom att analysera potentiell intäktsförlust på statlig nivå.
Potentiell intäktsförlust per stat
För att visualisera potentiell intäktsförlust per stat, låt oss lägga till ett horisontellt stapeldiagram.
- På Lägg till meny, välj Lägg till visuellt.
- Enligt Visuella typer¸ välj den horisontella stapeldiagramikonen.
- Enligt Fältlistadrag Churn? till Grupp / färg.
- Dra Totala avgifter till Värde.
- På Värde meny, välj Visa som och Valuta.
- Dra Etapp till Y-axeln.
- Välj pennikonen för att anpassa andra visuella effekter (ta bort förklaring, lägg till värden, ändra teckenstorlek).
- Vi kan också sortera vår nya bild genom att välja Totala avgifter längst ner och välja Omvänd.
Den här bilden kan hjälpa oss att förstå vilken stat som är viktigast ur ett marknadsföringskampanjperspektiv. På Hawaii kan vi till exempel förlora hälften av våra intäkter (253,000 10 USD) medan detta värde i Washington är mindre än 52,000 % (XNUMX XNUMX USD). Vi kan också se att i Arizona riskerar vi att förlora nästan varje kund.
Detaljer om kunder som riskerar att bli churning
Låt oss bygga en tabell med detaljer om kunder som riskerar att bli churning.
- På Lägg till meny, välj Lägg till visuellt.
- Enligt Visuella typer, välj tabellikonen.
- Enligt Fältlistor, drag Telefon, Ange, Int'l Plan, Vmail-plan, Churn?och Kontolängd till Grupp av.
- Dra Sannolikheten till Värde.
- På Värde meny, välj Visa som och Procent.
Anpassa din instrumentpanel
QuickSight erbjuder flera alternativ för att anpassa din instrumentpanel, till exempel följande.
- För att lägga till ett namn, på Lägg till meny, välj Lägg till titel.
- Ange en titel (för det här inlägget byter vi namn på vår instrumentpanel Churn-analys).
- För att ändra storlek på dina bilder, välj det nedre högra hörnet av diagrammet och dra till önskad storlek.
- För att flytta en bild, välj den övre mitten av diagrammet och dra den till en ny plats.
- Välj om du vill ändra tema teman i navigeringsfönstret.
- Välj ditt nya tema (t.ex. Midnatt) och välj Ansök.
Publicera din instrumentpanel
En instrumentpanel är en skrivskyddad ögonblicksbild av en analys som du kan dela med andra QuickSight-användare för rapporteringsändamål. Din instrumentpanel bevarar analysens konfiguration när du publicerar den, inklusive sådant som filtrering, parametrar, kontroller och sorteringsordning. Data som används för analysen fångas inte in som en del av instrumentpanelen. När du visar instrumentpanelen återspeglar den aktuella data i de datauppsättningar som används av analysen.
Så här publicerar du instrumentpanelen:
- På Dela meny, välj Publicera instrumentpanelen.
- Ange ett namn för din instrumentpanel.
- Välja Publicera instrumentpanelen.
Grattis, du har framgångsrikt skapat en instrumentpanel för churnanalys.
Uppdatera din instrumentpanel med en ny förutsägelse
När modellen utvecklas och vi genererar ny data från verksamheten, kan vi behöva uppdatera den här instrumentpanelen med ny information. Slutför följande steg:
- Skapa en ny fil
churn-no-labels-updated.csv
genom att slumpmässigt välja ytterligare 1,500 XNUMX rader från den ursprungliga datamängden churn.csv och ta bortChurn?
kolonn.
Vi använder denna nya datauppsättning för att generera nya förutsägelser.
- Upprepa stegen från Använd kundens churn-modell avsnittet i det här inlägget för att få förutsägelser för den nya datamängden och ladda ner den nya filen.
- Välj på QuickSight-konsolen dataset i navigeringsfönstret.
- Välj den datauppsättning vi skapade.
- Välja Redigera dataset.
- Välj på rullgardinsmenyn Uppdatera fil.
- Välja Ladda upp fil.
- Välj den nyligen nedladdade filen med förutsägelserna.
- Granska förhandsgranskningen och välj sedan Bekräfta filuppdatering.
Efter att meddelandet "Fil uppdaterad framgångsrikt" visas kan vi se att filnamnet också har ändrats.
- Välja Spara & publicera.
- När meddelandet "Sparat och publicerat framgångsrikt" visas kan du gå tillbaka till huvudmenyn genom att välja QuickSight-logotypen i det övre vänstra hörnet.
- Välja Instrumentpaneler i navigeringsfönstret och välj instrumentpanelen vi skapade tidigare.
Du bör se din instrumentpanel med de uppdaterade värdena.
Vi har precis uppdaterat vår QuickSight-instrumentpanel med de senaste prognoserna från Canvas.
Städa upp
För att undvika framtida avgifter, logga ut från Canvas.
Slutsats
I det här inlägget använde vi en ML-modell från Canvas för att förutsäga kunder som riskerar att bli churning och byggde en instrumentpanel med insiktsfulla visualiseringar för att hjälpa oss att fatta datadrivna affärsbeslut. Vi gjorde det utan att skriva en enda rad kod tack vare användarvänliga gränssnitt och tydliga visualiseringar. Detta gör det möjligt för affärsanalytiker att vara agila i att bygga ML-modeller och utföra analyser och extrahera insikter i fullständig autonomi från datavetenskapsteam.
För att lära dig mer om hur du använder Canvas, se Bygg, dela, implementera: hur affärsanalytiker och datavetare uppnår snabbare time-to-market med hjälp av no-code ML och Amazon SageMaker Canvas. För mer information om att skapa ML-modeller med en kodlös lösning, se Tillkännager Amazon SageMaker Canvas – en visuell maskininlärningsförmåga utan kod för affärsanalytiker. För att lära dig mer om de senaste QuickSight-funktionerna och bästa praxis, se AWS Big Data-blogg.
Om författaren
Aleksandr Patrushev är AI/ML Specialist Solutions Architect på AWS, baserad i Luxemburg. Han brinner för molnet och maskininlärning, och hur de kan förändra världen. Utanför jobbet tycker han om att vandra, sporta och umgås med sin familj.
Davide Gallitelli är en specialistlösningsarkitekt för AI/ML i EMEA-regionen. Han är baserad i Bryssel och har ett nära samarbete med kunder i hela Benelux. Han har varit utvecklare sedan han var väldigt ung, började koda vid 7 års ålder. Han började lära sig AI/ML på universitetet och har blivit kär i det sedan dess.
- AI
- ai konst
- ai art generator
- har robot
- Amazon QuickSight
- Amazon SageMaker
- Amazon SageMaker Canvas
- analytics
- artificiell intelligens
- artificiell intelligenscertifiering
- artificiell intelligens inom bankväsendet
- artificiell intelligens robot
- robotar med artificiell intelligens
- programvara för artificiell intelligens
- AWS maskininlärning
- blockchain
- blockchain konferens ai
- coingenius
- konversationskonstnärlig intelligens
- kryptokonferens ai
- dalls
- djupt lärande
- du har google
- maskininlärning
- plato
- plato ai
- Platon Data Intelligence
- Platon spel
- PlatonData
- platogaming
- skala ai
- syntax
- Teknisk instruktion
- zephyrnet