การทำความเข้าใจพฤติกรรมของลูกค้าเป็นสิ่งสำคัญที่สุดสำหรับทุกธุรกิจในปัจจุบัน การได้รับข้อมูลเชิงลึกเกี่ยวกับสาเหตุและวิธีที่ลูกค้าซื้อสามารถช่วยเพิ่มรายได้ได้ แต่การสูญเสียลูกค้า (หรือที่เรียกว่าการเลิกใจของลูกค้า) ถือเป็นความเสี่ยงเสมอ และข้อมูลเชิงลึกว่าเหตุใดลูกค้าจึงลาออกก็มีความสำคัญไม่แพ้กันในการรักษารายได้และผลกำไร การเรียนรู้ของเครื่อง (ML) สามารถช่วยได้ด้วยข้อมูลเชิงลึก แต่จนถึงขณะนี้คุณต้องการผู้เชี่ยวชาญด้าน ML เพื่อสร้างแบบจำลองเพื่อคาดการณ์การเลิกใช้งาน ซึ่งการขาดสิ่งเหล่านี้อาจทำให้การดำเนินการที่ขับเคลื่อนด้วยข้อมูลเชิงลึกโดยธุรกิจล่าช้าเพื่อรักษาลูกค้าไว้ได้
ในโพสต์นี้ เราจะแสดงให้คุณเห็นว่านักวิเคราะห์ธุรกิจสามารถสร้างโมเดล ML ที่เปลี่ยนใจลูกค้าได้อย่างไร ผืนผ้าใบ Amazon SageMakerไม่ต้องใช้รหัส Canvas ช่วยให้นักวิเคราะห์ธุรกิจมีอินเทอร์เฟซแบบชี้และคลิกที่ภาพ ซึ่งช่วยให้คุณสร้างโมเดลและสร้างการคาดการณ์ ML ที่แม่นยำได้ด้วยตัวเอง โดยไม่ต้องมีประสบการณ์ ML ใดๆ หรือต้องเขียนโค้ดแม้แต่บรรทัดเดียว
ภาพรวมของโซลูชัน
สำหรับโพสต์นี้ เรารับหน้าที่เป็นนักวิเคราะห์การตลาดในแผนกการตลาดของผู้ให้บริการโทรศัพท์มือถือ เราได้รับมอบหมายให้ระบุลูกค้าที่อาจเสี่ยงต่อการเลิกใช้งาน เราสามารถเข้าถึงข้อมูลการใช้บริการและข้อมูลพฤติกรรมของลูกค้าอื่นๆ ได้ และต้องการทราบว่าข้อมูลนี้สามารถช่วยอธิบายสาเหตุที่ลูกค้าลาออกได้หรือไม่ หากเราสามารถระบุปัจจัยที่อธิบายการเลิกใช้งาน เราก็สามารถดำเนินการแก้ไขเพื่อเปลี่ยนแปลงพฤติกรรมที่คาดการณ์ไว้ เช่น การเรียกใช้แคมเปญการรักษาลูกค้าเป้าหมาย
ในการดำเนินการนี้ เราใช้ข้อมูลที่เรามีในไฟล์ CSV ซึ่งมีข้อมูลเกี่ยวกับการใช้งานและการเลิกใช้งานของลูกค้า เราใช้ Canvas เพื่อดำเนินการตามขั้นตอนต่อไปนี้:
- นำเข้าชุดข้อมูลปั่นจาก บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (อเมซอน เอส3).
- ฝึกอบรมและสร้างโมเดลปั่น
- วิเคราะห์ผลลัพธ์ของแบบจำลอง
- ทดสอบการคาดการณ์กับแบบจำลอง
สำหรับชุดข้อมูลของเรา เราใช้ a ชุดข้อมูลสังเคราะห์ จากผู้ให้บริการโทรศัพท์มือถือโทรคมนาคม ชุดข้อมูลตัวอย่างนี้มี 5,000 เรคคอร์ด โดยแต่ละเรคคอร์ดใช้แอตทริบิวต์ 21 รายการเพื่ออธิบายโปรไฟล์ลูกค้า คุณลักษณะมีดังนี้:
- สถานะ – รัฐของสหรัฐอเมริกาที่ลูกค้าอาศัยอยู่ ระบุด้วยตัวย่อสองตัว ตัวอย่างเช่น OH หรือ NJ
- ความยาวบัญชี – จำนวนวันที่บัญชีนี้มีการใช้งาน
- รหัสพื้นที่ – รหัสพื้นที่สามหลักของหมายเลขโทรศัพท์ของลูกค้า
- เบอร์โทรศัพท์ – หมายเลขโทรศัพท์เจ็ดหลักที่เหลือ
- แผนระหว่างประเทศ – ลูกค้ามีแผนการโทรระหว่างประเทศหรือไม่ (ใช่/ไม่ใช่)
- แผน VMail – ลูกค้ามีคุณสมบัติวอยซ์เมลหรือไม่ (ใช่/ไม่ใช่)
- ข้อความ VM – จำนวนข้อความเสียงเฉลี่ยต่อเดือน
- วันนาที – จำนวนนาทีการโทรทั้งหมดที่ใช้ในระหว่างวัน
- โทรระหว่างวัน – จำนวนการโทรทั้งหมดที่เกิดขึ้นระหว่างวัน
- ค่าบริการรายวัน – ค่าบริการที่เรียกเก็บจากการโทรในเวลากลางวัน
- อีฟ มินส์, อีฟ โทร, อีฟชาร์จ – ค่าบริการที่เรียกเก็บสำหรับการโทรช่วงเย็น
- นาทีกลางคืน, โทรกลางคืน, ชาร์จคืน – ค่าบริการที่เรียกเก็บสำหรับการโทรในเวลากลางคืน
- นาทีระหว่างประเทศ, การโทรระหว่างประเทศ, ค่าใช้จ่ายระหว่างประเทศ – ค่าโทรระหว่างประเทศที่เรียกเก็บ
- การโทรแบบ CustServ – จำนวนการโทรติดต่อฝ่ายบริการลูกค้า
- ปั่น? – ลูกค้าออกจากบริการหรือไม่ (จริง/เท็จ)
คุณลักษณะสุดท้าย, Churn?
เป็นแอตทริบิวต์ที่เราต้องการให้โมเดล ML ทำนาย คุณลักษณะเป้าหมายเป็นไบนารี่ ซึ่งหมายความว่าแบบจำลองของเราคาดการณ์ผลลัพธ์เป็นหนึ่งในสองประเภท (True
or False
).
เบื้องต้น
ผู้ดูแลระบบคลาวด์ที่มี an บัญชี AWS ต้องมีสิทธิ์ที่เหมาะสมเพื่อดำเนินการข้อกำหนดเบื้องต้นต่อไปนี้ให้สมบูรณ์:
- ปรับใช้และ อเมซอน SageMaker สำหรับคำแนะนำโปรดดู ออนบอร์ดไปยังโดเมน Amazon SageMaker.
- ปรับใช้ Canvas สำหรับคำแนะนำ โปรดดูที่ การตั้งค่าและจัดการ Amazon SageMaker Canvas (สำหรับผู้ดูแลระบบไอที).
- กำหนดค่านโยบายการแชร์ทรัพยากรข้ามต้นทาง (CORS) สำหรับ Canvas ดูคำแนะนำได้ที่ ให้ผู้ใช้ของคุณสามารถอัปโหลดไฟล์ในเครื่องได้.
สร้างโมเดลการปั่นของลูกค้า
ก่อนอื่นเรามาดาวน์โหลด ปั่นชุดข้อมูล และตรวจสอบไฟล์เพื่อให้แน่ใจว่ามีข้อมูลทั้งหมดอยู่ที่นั่น จากนั้นทำตามขั้นตอนต่อไปนี้:
- เข้าสู่ระบบเพื่อ คอนโซลการจัดการ AWSโดยใช้บัญชีที่มีสิทธิ์เข้าถึง Canvas
- ลงชื่อเข้าใช้คอนโซล Canvas
นี่คือที่ที่เราสามารถจัดการชุดข้อมูลของเราและสร้างแบบจำลองได้
- Choose นำเข้า.
- Choose อัพโหลด และเลือก
churn.csv
ไฟล์ - Choose นำเข้าข้อมูล เพื่ออัปโหลดไปยัง Canvas
กระบวนการนำเข้าใช้เวลาประมาณ 10 วินาที (ซึ่งอาจแตกต่างกันไปขึ้นอยู่กับขนาดชุดข้อมูล) เมื่อเสร็จแล้วเราจะเห็นชุดข้อมูลเข้ามา Ready
สถานะ
- หากต้องการดูตัวอย่างชุดข้อมูล 100 แถวแรก ให้วางเมาส์ไว้เหนือไอคอนรูปตา
การแสดงตัวอย่างชุดข้อมูลจะปรากฏขึ้น ที่นี่เราสามารถตรวจสอบได้ว่าข้อมูลของเราถูกต้อง
หลังจากที่เรายืนยันว่าชุดข้อมูลที่นำเข้าพร้อมแล้ว เราจะสร้างแบบจำลองของเรา
- Choose รุ่นใหม่.
- เลือกชุดข้อมูล churn.csv และเลือก เลือกชุดข้อมูล.
ตอนนี้เรากำหนดค่ากระบวนการสร้างแบบจำลอง
- สำหรับ คอลัมน์เป้าหมาย, เลือก
Churn?
คอลัมน์.
สำหรับ ประเภทรุ่นในกรณีนี้ Canvas จะแนะนำประเภทโมเดลโดยอัตโนมัติ การทำนาย 2 หมวดหมู่ (สิ่งที่นักวิทยาศาสตร์ข้อมูลเรียกว่าการจำแนกประเภทไบนารี) เหมาะสำหรับกรณีการใช้งานของเราเนื่องจากเรามีค่าการทำนายที่เป็นไปได้เพียงสองค่าเท่านั้น: True
or False
เราเลยทำตามคำแนะนำของ Canvas ที่ทำไว้
ตอนนี้เราตรวจสอบสมมติฐานบางอย่างแล้ว เราต้องการทราบอย่างรวดเร็วว่าคอลัมน์เป้าหมายของเราจะคาดการณ์ได้จากคอลัมน์อื่นๆ หรือไม่ เราสามารถดูความแม่นยำโดยประมาณของโมเดลและผลกระทบของคอลัมน์ได้อย่างรวดเร็ว (ความสำคัญโดยประมาณของแต่ละคอลัมน์ในการทำนายคอลัมน์เป้าหมาย).
- เลือกทั้งหมด 21 คอลัมน์แล้วเลือก ดูตัวอย่างรุ่น.
คุณลักษณะนี้ใช้ชุดย่อยของชุดข้อมูลของเราและผ่านเพียงครั้งเดียวในการสร้างแบบจำลอง สำหรับกรณีการใช้งานของเรา โมเดลตัวอย่างจะใช้เวลาประมาณ 2 นาทีในการสร้าง
ดังที่แสดงในภาพหน้าจอต่อไปนี้ Phone
และ State
คอลัมน์มีผลกระทบต่อการทำนายของเราน้อยกว่ามาก เราต้องการใช้ความระมัดระวังเมื่อลบการป้อนข้อความ เนื่องจากอาจมีคุณลักษณะที่สำคัญแยกจากกันและจัดหมวดหมู่ซึ่งมีส่วนช่วยในการทำนายของเรา ในที่นี้ หมายเลขโทรศัพท์เป็นเพียงหมายเลขบัญชีเท่านั้น ซึ่งไม่มีคุณค่าในการคาดการณ์แนวโน้มที่จะเลิกใช้ของบัญชีอื่น และสถานะของลูกค้าไม่ได้ส่งผลกระทบต่อโมเดลของเรามากนัก
- เราลบคอลัมน์เหล่านี้เนื่องจากไม่มีความสำคัญด้านคุณลักษณะที่สำคัญ
- หลังจากที่เราลบ
Phone
และState
คอลัมน์ เรามาเรียกใช้การแสดงตัวอย่างอีกครั้ง
ดังที่แสดงในภาพหน้าจอต่อไปนี้ ความแม่นยำของแบบจำลองเพิ่มขึ้น 0.1% โมเดลตัวอย่างของเรามีความแม่นยำโดยประมาณ 95.9% และคอลัมน์ที่มีผลกระทบมากที่สุดคือ Night Calls
, Eve Mins
และ Night Charge
. ข้อมูลนี้ช่วยให้เราเข้าใจได้ว่าคอลัมน์ใดที่ส่งผลต่อประสิทธิภาพของโมเดลของเรามากที่สุด ที่นี่เราต้องระมัดระวังเมื่อทำการเลือกคุณลักษณะ เนื่องจากหากคุณลักษณะเดียวมีผลกระทบอย่างมากต่อผลลัพธ์ของแบบจำลอง คุณลักษณะดังกล่าวจะเป็นตัวบ่งชี้หลักของ เป้าหมายรั่วและฟีเจอร์นี้จะไม่พร้อมใช้งานในขณะที่คาดการณ์ ในกรณีนี้ มีเพียงไม่กี่คอลัมน์ที่มีผลกระทบที่คล้ายกันมาก ดังนั้นเราจึงสร้างแบบจำลองของเราต่อไป
Canvas มีสองตัวเลือกในการสร้าง:
- โครงสร้างมาตรฐาน – สร้างแบบจำลองที่ดีที่สุดจากกระบวนการที่ได้รับการปรับปรุงซึ่งขับเคลื่อนโดย ออโต้เอ็มแอล; มีการแลกเปลี่ยนความเร็วเพื่อความแม่นยำสูงสุด
- สร้างด่วน – สร้างแบบจำลองในเวลาอันสั้นเมื่อเทียบกับรุ่นมาตรฐาน ความแม่นยำที่เป็นไปได้ถูกแลกเปลี่ยนกับความเร็ว
- สำหรับโพสต์นี้เราเลือก โครงสร้างมาตรฐาน ตัวเลือกเพราะเราต้องการได้โมเดลที่ดีที่สุดและเรายินดีที่จะใช้เวลาเพิ่มเติมในการรอผลลัพธ์
กระบวนการสร้างอาจใช้เวลา 2-4 ชั่วโมง ในช่วงเวลานี้ Canvas จะทดสอบไปป์ไลน์ที่เป็นตัวเลือกหลายร้อยรายการ โดยเลือกรุ่นที่ดีที่สุดมานำเสนอให้เรา ในภาพหน้าจอต่อไปนี้ เราจะเห็นเวลาและความคืบหน้าในการสร้างที่คาดไว้
ประเมินประสิทธิภาพของแบบจำลอง
เมื่อกระบวนการสร้างโมเดลเสร็จสมบูรณ์ โมเดลคาดการณ์การเลิกใช้งาน 97.9% ดูเหมือนว่าจะดี แต่ในฐานะนักวิเคราะห์ เราต้องการเจาะลึกลงไปอีกและดูว่าเราสามารถเชื่อถือแบบจำลองในการตัดสินใจตามแบบจำลองได้หรือไม่ บน เกณฑ์การให้คะแนน แท็บ เราสามารถตรวจสอบแผนภาพการคาดการณ์ของเราที่แมปกับผลลัพธ์ได้ สิ่งนี้ช่วยให้เราเข้าใจโมเดลของเราได้ลึกซึ้งยิ่งขึ้น
Canvas แยกชุดข้อมูลออกเป็นชุดการฝึกอบรมและชุดการทดสอบ ชุดข้อมูลการฝึกอบรมคือข้อมูลที่ Canvas ใช้ในการสร้างโมเดล ชุดทดสอบใช้เพื่อดูว่าโมเดลทำงานได้ดีกับข้อมูลใหม่หรือไม่ แผนภาพ Sankey ในภาพหน้าจอต่อไปนี้แสดงให้เห็นว่าแบบจำลองทำงานอย่างไรในชุดทดสอบ หากต้องการเรียนรู้เพิ่มเติม โปรดดูที่ การประเมินประสิทธิภาพของโมเดลของคุณใน Amazon SageMaker Canvas.
หากต้องการรับข้อมูลเชิงลึกที่มีรายละเอียดเพิ่มเติมนอกเหนือจากที่แสดงในแผนภาพ Sankey นักวิเคราะห์ธุรกิจสามารถใช้ เมทริกซ์ความสับสน การวิเคราะห์โซลูชันทางธุรกิจของพวกเขา ตัวอย่างเช่น เราต้องการเข้าใจความเป็นไปได้ของแบบจำลองที่คาดการณ์ผิดๆ ให้ดียิ่งขึ้น เราเห็นสิ่งนี้ได้ในแผนภาพ Sankey แต่ต้องการข้อมูลเชิงลึกเพิ่มเติม เราจึงเลือก ตัวชี้วัดขั้นสูง. เราได้รับเมทริกซ์ความสับสน ซึ่งแสดงประสิทธิภาพของแบบจำลองในรูปแบบภาพด้วยค่าต่อไปนี้ เฉพาะสำหรับคลาสเชิงบวก เรากำลังวัดโดยพิจารณาจากว่าพวกเขาจะเลิกใช้งานจริงหรือไม่ ดังนั้นคลาสเชิงบวกของเราคือ True
ในตัวอย่างนี้:
- ทรู โพสิทีฟ (TP) - จำนวน
True
ผลลัพธ์ที่ทำนายได้ถูกต้อง เช่นTrue
- ทรูลบ (TN) - จำนวน
False
ผลลัพธ์ที่ทำนายได้ถูกต้อง เช่นFalse
- ผลบวกเท็จ (FP) - จำนวน
False
ผลลัพธ์ที่ทำนายผิด เช่นTrue
- ลบเท็จ (FN) - จำนวน
True
ผลลัพธ์ที่ทำนายผิด เช่นFalse
เราสามารถใช้แผนภูมิเมทริกซ์นี้เพื่อพิจารณาว่าแบบจำลองของเรามีความแม่นยำเพียงใด แต่ยังพิจารณาว่าเกิดขึ้นเมื่อใด บ่อยแค่ไหน และผิดพลาดอย่างไร
เมตริกขั้นสูงดูดี เราสามารถเชื่อถือผลลัพธ์ของโมเดลได้ เราเห็นผลบวกลวงและผลลบลวงต่ำมาก สิ่งเหล่านี้คือหากโมเดลคิดว่าลูกค้าในชุดข้อมูลจะเลิกใช้งานแล้วจริงๆ แล้วพวกเขาไม่ได้ทำ (ผลบวกลวง) หรือหากโมเดลคิดว่าลูกค้าจะเลิกใช้งานแล้วพวกเขาก็ทำจริง (ผลลบลวง) ตัวเลขที่สูงสำหรับทั้งสองอย่างอาจทำให้เราคิดมากขึ้นว่าเราสามารถใช้แบบจำลองในการตัดสินใจได้หรือไม่
กลับไปที่ ขององค์กร แท็บ เพื่อตรวจสอบผลกระทบของแต่ละคอลัมน์ ข้อมูลนี้สามารถช่วยให้ทีมการตลาดได้รับข้อมูลเชิงลึกที่นำไปสู่การดำเนินการเพื่อลดการเลิกใช้งานของลูกค้า ยกตัวอย่างเราจะเห็นว่าทั้งต่ำและสูง CustServ Calls
เพิ่มโอกาสเกิดการปั่นป่วน ทีมการตลาดสามารถดำเนินการเพื่อป้องกันไม่ให้ลูกค้าเปลี่ยนใจตามการเรียนรู้เหล่านี้ ตัวอย่าง ได้แก่ การสร้างคำถามที่พบบ่อยโดยละเอียดบนเว็บไซต์เพื่อลดการโทรติดต่อฝ่ายบริการลูกค้า และการจัดแคมเปญให้ความรู้กับลูกค้าเกี่ยวกับคำถามที่พบบ่อยที่สามารถเพิ่มการมีส่วนร่วมได้
แบบจำลองของเราดูค่อนข้างแม่นยำ เราสามารถทำการทำนายแบบโต้ตอบได้โดยตรงบน ทำนาย แท็บ ไม่ว่าจะเป็นการทำนายแบบกลุ่มหรือแบบเดี่ยว (เรียลไทม์) ในตัวอย่างนี้ เราได้ทำการเปลี่ยนแปลงเล็กน้อยกับค่าคอลัมน์บางค่าและดำเนินการคาดการณ์แบบเรียลไทม์ Canvas จะแสดงผลการทำนายพร้อมกับระดับความมั่นใจให้เราทราบ
สมมติว่าเรามีลูกค้าปัจจุบันซึ่งมีการใช้งานดังต่อไปนี้: Night Mins
เป็น 40 และ Eve Mins
คือ 40 เราสามารถเรียกใช้การคาดการณ์ และแบบจำลองของเราส่งคืนคะแนนความเชื่อมั่น 93.2% ที่ลูกค้ารายนี้จะเลิกใช้งาน (True
). ตอนนี้เราอาจเลือกที่จะให้ส่วนลดส่งเสริมการขายเพื่อรักษาลูกค้ารายนี้
สมมติว่าเรามีลูกค้าปัจจุบันซึ่งมีการใช้งานดังต่อไปนี้: Night Mins
เป็น 40 และ Eve Mins
คือ 40 เราสามารถเรียกใช้การคาดการณ์ และแบบจำลองของเราส่งคืนคะแนนความเชื่อมั่น 93.2% ที่ลูกค้ารายนี้จะเลิกใช้งาน (True
). ตอนนี้เราอาจเลือกที่จะให้ส่วนลดโปรโมชั่นเพื่อรักษาลูกค้ารายนี้
การเรียกใช้การคาดการณ์เพียงครั้งเดียวนั้นดีสำหรับการวิเคราะห์แบบ what-if แต่ละรายการ แต่เรายังจำเป็นต้องเรียกใช้การคาดการณ์กับหลายบันทึกในคราวเดียวด้วย แคนวาสก็ได้ เรียกใช้การคาดการณ์แบบกลุ่มซึ่งช่วยให้คุณเรียกใช้การคาดการณ์ในวงกว้างได้
สรุป
ในโพสต์นี้ เราได้แสดงให้เห็นว่านักวิเคราะห์ธุรกิจสามารถสร้างโมเดลการเปลี่ยนใจของลูกค้าด้วย SageMaker Canvas โดยใช้ข้อมูลตัวอย่างได้อย่างไร Canvas ช่วยให้นักวิเคราะห์ธุรกิจของคุณสร้างโมเดล ML ที่แม่นยำ และสร้างการคาดการณ์โดยใช้อินเทอร์เฟซแบบไม่มีโค้ด แบบภาพ แบบชี้แล้วคลิก ขณะนี้นักวิเคราะห์การตลาดสามารถใช้ข้อมูลนี้เพื่อดำเนินการแคมเปญการรักษาลูกค้าเป้าหมาย และทดสอบกลยุทธ์แคมเปญใหม่ได้เร็วขึ้น ซึ่งนำไปสู่การลดการหมุนเวียนของลูกค้า
นักวิเคราะห์สามารถยกระดับสิ่งนี้ไปอีกระดับด้วยการแชร์แบบจำลองกับเพื่อนร่วมงานนักวิทยาศาสตร์ข้อมูล นักวิทยาศาสตร์ข้อมูลสามารถดูโมเดล Canvas ได้ สตูดิโอ Amazon SageMakerโดยพวกเขาสามารถสำรวจตัวเลือกต่างๆ ของ Canvas AutoML ที่สร้างขึ้น ตรวจสอบผลลัพธ์ของโมเดล และแม้แต่สร้างโมเดลจริงได้ด้วยการคลิกเพียงไม่กี่ครั้ง สิ่งนี้สามารถเร่งการสร้างมูลค่าตาม ML และช่วยปรับขนาดผลลัพธ์ที่ได้รับการปรับปรุงได้เร็วขึ้น
หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับการใช้ Canvas โปรดดูที่ สร้าง แชร์ ปรับใช้: วิธีที่นักวิเคราะห์ธุรกิจและนักวิทยาศาสตร์ข้อมูลบรรลุเวลาสู่ตลาดได้เร็วขึ้นโดยใช้ ML แบบไม่มีโค้ดและ Amazon SageMaker Canvas. สำหรับข้อมูลเพิ่มเติมเกี่ยวกับการสร้างโมเดล ML ด้วยโซลูชันแบบไม่มีโค้ด โปรดดูที่ ประกาศเปิดตัว Amazon SageMaker Canvas – ภาพที่ไม่มีความสามารถในการเรียนรู้ด้วยเครื่องโค้ดสำหรับนักวิเคราะห์ธุรกิจ.
เกี่ยวกับผู้เขียน
เฮนรี โรบาลิโน เป็นสถาปนิกโซลูชันที่ AWS ซึ่งตั้งอยู่ในนิวเจอร์ซีย์ เขาหลงใหลเกี่ยวกับระบบคลาวด์และแมชชีนเลิร์นนิง และบทบาทที่สิ่งเหล่านี้มีต่อสังคม เขาบรรลุเป้าหมายนี้ด้วยการทำงานร่วมกับลูกค้าเพื่อช่วยให้พวกเขาบรรลุเป้าหมายทางธุรกิจโดยใช้ AWS Cloud นอกเวลางาน คุณจะพบเฮนรี่กำลังเดินทางหรือสำรวจพื้นที่กลางแจ้งกับอาร์ลี ลูกสาวขนของเขา
เชาวรัน หวาง เป็นสถาปนิกโซลูชันที่ AWS ในเมืองดัลลัส รัฐเท็กซัส เขาทำงานที่ AWS นับตั้งแต่สำเร็จการศึกษาจากมหาวิทยาลัยเท็กซัสที่ดัลลัสในปี 2016 ด้วยปริญญาโทสาขาวิทยาการคอมพิวเตอร์ Chaoran ช่วยให้ลูกค้าสร้างแอปพลิเคชันที่ปรับขนาดได้ ปลอดภัย และคุ้มค่า และค้นหาโซลูชันเพื่อแก้ปัญหาความท้าทายทางธุรกิจบน AWS Cloud ภายนอกงาน Chaoran ชอบใช้เวลากับครอบครัวและสุนัขสองตัว Biubiu และ Coco
- "
- 000
- 10
- 100
- 11
- 2016
- 7
- 9
- เกี่ยวกับเรา
- เร่งความเร็ว
- เข้า
- ลงชื่อเข้าใช้
- ถูกต้อง
- การปฏิบัติ
- เพิ่มเติม
- ผู้ดูแลระบบ
- ผู้ดูแลระบบ
- สูง
- ทั้งหมด
- อเมซอน
- การวิเคราะห์
- นักวิเคราะห์
- การใช้งาน
- เหมาะสม
- ประมาณ
- AREA
- แอตทริบิวต์
- ใช้ได้
- เฉลี่ย
- AWS
- ที่ดีที่สุด
- เกิน
- ที่ใหญ่ที่สุด
- ชายแดน
- สร้าง
- การก่อสร้าง
- สร้าง
- ธุรกิจ
- ธุรกิจ
- ซื้อ
- โทรศัพท์
- รณรงค์
- แคมเปญ
- สามารถรับ
- ผู้สมัคร
- ผ้าใบ
- หมวดหมู่
- บาง
- ความท้าทาย
- เปลี่ยนแปลง
- รับผิดชอบ
- ทางเลือก
- Choose
- ชั้น
- การจัดหมวดหมู่
- เมฆ
- รหัส
- เพื่อนร่วมงาน
- คอลัมน์
- เมื่อเทียบกับ
- คอมพิวเตอร์
- วิทยาการคอมพิวเตอร์
- ความมั่นใจ
- ความสับสน
- ปลอบใจ
- มี
- ต่อ
- ค่าใช้จ่ายที่มีประสิทธิภาพ
- ได้
- สร้าง
- การสร้าง
- การสร้าง
- ลูกค้า
- บริการลูกค้า
- ลูกค้า
- ดัลลัส
- ข้อมูล
- นักวิทยาศาสตร์ข้อมูล
- ลึก
- ความล่าช้า
- ทั้งนี้ขึ้นอยู่กับ
- ปรับใช้
- รายละเอียด
- กำหนด
- โดยตรง
- แสดง
- ไม่
- การศึกษา
- มีส่วนร่วม
- ชั้นเยี่ยม
- ประมาณ
- ตัวอย่าง
- ที่มีอยู่
- ที่คาดหวัง
- ประสบการณ์
- ผู้เชี่ยวชาญ
- สำรวจ
- ตา
- ปัจจัย
- ครอบครัว
- คำถามที่พบบ่อย
- FAST
- เร็วขึ้น
- ลักษณะ
- คุณสมบัติ
- ปลาย
- ชื่อจริง
- ดังต่อไปนี้
- รูป
- สร้าง
- เป้าหมาย
- ดี
- ยิ่งใหญ่
- ใหญ่ที่สุด
- ขึ้น
- มี
- ช่วย
- จะช่วยให้
- โปรดคลิกที่นี่เพื่ออ่านรายละเอียดเพิ่มเติม
- จุดสูง
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- HTTPS
- ร้อย
- ICON
- แยกแยะ
- ระบุ
- ส่งผลกระทบ
- มีประสิทธิภาพ
- ความสำคัญ
- สำคัญ
- การปรับปรุง
- ประกอบด้วย
- เพิ่ม
- เพิ่มขึ้น
- เป็นรายบุคคล
- ข้อมูล
- อินพุต
- ข้อมูลเชิงลึก
- การโต้ตอบ
- อินเตอร์เฟซ
- International
- IT
- นำ
- ชั้นนำ
- เรียนรู้
- การเรียนรู้
- ทิ้ง
- ชั้น
- Line
- ในประเทศ
- เครื่อง
- เรียนรู้เครื่อง
- ทำ
- สำคัญ
- การทำ
- จัดการ
- การจัดการ
- การจัดการ
- การตลาด
- ปริญญาโท
- มดลูก
- ความหมาย
- ตัวชี้วัด
- ใจ
- ML
- โทรศัพท์มือถือ
- โทรศัพท์มือถือ
- แบบ
- โมเดล
- ข้อมูลเพิ่มเติม
- มากที่สุด
- เชิงลบ
- จำนวน
- ตัวเลข
- เสนอ
- การปรับให้เหมาะสม
- ตัวเลือกเสริม (Option)
- Options
- อื่นๆ
- กลางแจ้ง
- หลงใหล
- การปฏิบัติ
- เล่น
- นโยบาย
- บวก
- เป็นไปได้
- ที่มีศักยภาพ
- คาดการณ์
- คำทำนาย
- การคาดการณ์
- นำเสนอ
- สวย
- ดูตัวอย่าง
- ประถม
- กระบวนการ
- โปรไฟล์
- กำไร
- โปรโมชั่น
- โปรโมชั่น
- ให้
- ให้
- รวดเร็ว
- เรียลไทม์
- แนะนำ
- ระเบียน
- บันทึก
- ลด
- ที่เหลืออยู่
- ลบ
- จำเป็นต้องใช้
- ทรัพยากร
- ผลสอบ
- รับคืน
- รายได้
- ทบทวน
- ความเสี่ยง
- วิ่ง
- วิ่ง
- ที่ปรับขนาดได้
- ขนาด
- วิทยาศาสตร์
- นักวิทยาศาสตร์
- นักวิทยาศาสตร์
- วินาที
- ปลอดภัย
- บริการ
- ชุด
- Share
- ใช้งานร่วมกัน
- คล้ายคลึงกัน
- ง่าย
- ขนาด
- So
- สังคม
- ของแข็ง
- ทางออก
- โซลูชัน
- แก้
- บาง
- ความเร็ว
- ใช้จ่าย
- การใช้จ่าย
- มาตรฐาน
- สถานะ
- Status
- การเก็บรักษา
- กลยุทธ์
- การ
- เป้า
- ทีม
- โทรคมนาคม
- ทดสอบ
- การทดสอบ
- เท็กซัส
- เวลา
- ในวันนี้
- ด้านบน
- การฝึกอบรม
- การเดินทาง
- วางใจ
- TX
- เข้าใจ
- มหาวิทยาลัย
- us
- ใช้
- ผู้ใช้
- ความคุ้มค่า
- ตรวจสอบ
- รายละเอียด
- เสียงพูด
- เว็บไซต์
- อะไร
- ความหมายของ
- ว่า
- WHO
- วิกิพีเดีย
- งาน
- การทำงาน
- จะ