ทุกบริษัทไม่ว่าขนาดใดต้องการนำเสนอผลิตภัณฑ์และบริการที่ดีที่สุดให้กับลูกค้า เพื่อให้บรรลุสิ่งนี้ บริษัทต่างๆ ต้องการทำความเข้าใจแนวโน้มอุตสาหกรรมและพฤติกรรมของลูกค้า และเพิ่มประสิทธิภาพกระบวนการภายในและการวิเคราะห์ข้อมูลเป็นประจำ นี่เป็นองค์ประกอบสำคัญของความสำเร็จของบริษัท
ส่วนที่โดดเด่นมากของบทบาทนักวิเคราะห์ประกอบด้วยการแสดงภาพเมทริกทางธุรกิจ (เช่น รายได้จากการขาย) และการคาดการณ์เหตุการณ์ในอนาคต (เช่น ความต้องการที่เพิ่มขึ้น) เพื่อทำการตัดสินใจทางธุรกิจที่ขับเคลื่อนด้วยข้อมูล เพื่อเข้าถึงความท้าทายแรกนี้ คุณสามารถใช้ อเมซอน QuickSightซึ่งเป็นบริการข่าวกรองธุรกิจระดับคลาวด์ (BI) ที่ให้ข้อมูลเชิงลึกที่เข้าใจง่าย และให้โอกาสผู้มีอำนาจตัดสินใจในการสำรวจและตีความข้อมูลในสภาพแวดล้อมที่เป็นภาพแบบโต้ตอบ สำหรับงานที่สอง คุณสามารถใช้ ผืนผ้าใบ Amazon SageMakerซึ่งเป็นบริการระบบคลาวด์ที่ขยายการเข้าถึงแมชชีนเลิร์นนิง (ML) โดยให้นักวิเคราะห์ธุรกิจมีอินเทอร์เฟซแบบชี้และคลิกที่มองเห็นได้ ซึ่งช่วยให้คุณสร้างการคาดการณ์ ML ที่แม่นยำได้ด้วยตนเอง
เมื่อพิจารณาจากตัวชี้วัดเหล่านี้ นักวิเคราะห์ธุรกิจมักจะระบุรูปแบบพฤติกรรมของลูกค้า เพื่อพิจารณาว่าบริษัทมีความเสี่ยงที่จะสูญเสียลูกค้าหรือไม่ ปัญหานี้เรียกว่า ลูกค้ากำลังจะเปลี่ยนใจจากคุณและโมเดล ML มีประวัติที่พิสูจน์แล้วในการคาดการณ์ลูกค้าดังกล่าวด้วยความแม่นยำสูง (เช่น ดู โซลูชัน AI ของ Elula ช่วยธนาคารปรับปรุงการรักษาลูกค้า).
การสร้างแบบจำลอง ML อาจเป็นกระบวนการที่ยุ่งยาก เนื่องจากต้องใช้ทีมผู้เชี่ยวชาญในการจัดการการเตรียมข้อมูลและการฝึกอบรมแบบจำลอง ML อย่างไรก็ตาม ด้วย Canvas คุณสามารถทำได้โดยไม่ต้องมีความรู้พิเศษใดๆ และมีโค้ดเป็นศูนย์ ดูรายละเอียดเพิ่มเติมได้ที่ ทำนายการเลิกราของลูกค้าด้วยแมชชีนเลิร์นนิงแบบไม่มีโค้ดโดยใช้ Amazon SageMaker Canvas.
ในโพสต์นี้ เราจะแสดงวิธีแสดงภาพการคาดคะเนที่สร้างจาก Canvas ในแดชบอร์ด QuickSight ทำให้สามารถตัดสินใจได้อย่างชาญฉลาดผ่าน ML
ภาพรวมของโซลูชัน
ในการโพสต์ ทำนายการเลิกราของลูกค้าด้วยแมชชีนเลิร์นนิงแบบไม่มีโค้ดโดยใช้ Amazon SageMaker Canvasเราสวมบทบาทนักวิเคราะห์ธุรกิจในแผนกการตลาดของผู้ให้บริการโทรศัพท์มือถือ และเราประสบความสำเร็จในการสร้างแบบจำลอง ML เพื่อระบุลูกค้าที่อาจเสี่ยงต่อการเลิกใช้งาน ต้องขอบคุณการคาดการณ์ที่สร้างโดยแบบจำลองของเรา ตอนนี้เราต้องการวิเคราะห์ผลลัพธ์ทางการเงินที่เป็นไปได้ เพื่อทำการตัดสินใจทางธุรกิจที่ขับเคลื่อนด้วยข้อมูล เกี่ยวกับการส่งเสริมการขายที่เป็นไปได้สำหรับลูกค้าและภูมิภาคเหล่านี้
สถาปัตยกรรมที่จะช่วยให้เราบรรลุเป้าหมายดังแสดงในแผนภาพต่อไปนี้
ขั้นตอนเวิร์กโฟลว์มีดังนี้:
- อัปโหลดชุดข้อมูลใหม่ที่มีประชากรลูกค้าปัจจุบันไปยัง Canvas
- เรียกใช้การคาดการณ์แบบกลุ่มและดาวน์โหลดผลลัพธ์
- อัปโหลดไฟล์ไปยัง QuickSight เพื่อสร้างหรืออัปเดตการแสดงภาพ
คุณสามารถทำตามขั้นตอนเหล่านี้ใน Canvas ได้โดยไม่ต้องเขียนโค้ดแม้แต่บรรทัดเดียว สำหรับรายการแหล่งข้อมูลที่รองรับทั้งหมด โปรดดูที่ การนำเข้าข้อมูลใน Amazon SageMaker Canvas.
เบื้องต้น
สำหรับคำแนะนำนี้ ตรวจสอบให้แน่ใจว่าตรงตามข้อกำหนดเบื้องต้นต่อไปนี้:
ใช้รูปแบบการปั่นของลูกค้า
หลังจากที่คุณทำข้อกำหนดเบื้องต้นเสร็จแล้ว คุณควรมีแบบจำลองที่ได้รับการฝึกอบรมเกี่ยวกับข้อมูลในอดีตใน Canvas ซึ่งพร้อมที่จะใช้กับข้อมูลลูกค้าใหม่เพื่อคาดการณ์การเลิกราของลูกค้า ซึ่งคุณสามารถใช้ใน QuickSight ได้
- สร้างไฟล์ใหม่
churn-no-labels.csv
โดยสุ่มเลือก 1,500 บรรทัดจากชุดข้อมูลเดิม churn.csv และถอดChurn?
คอลัมน์.
เราใช้ชุดข้อมูลใหม่นี้เพื่อสร้างการคาดการณ์
เราดำเนินการขั้นตอนต่อไปใน Canvas คุณสามารถเปิด Canvas ผ่านทาง คอนโซลการจัดการ AWSหรือผ่านแอปพลิเคชัน SSO ที่ผู้ดูแลระบบคลาวด์ของคุณให้มา หากคุณไม่แน่ใจว่าจะเข้าถึง Canvas ได้อย่างไร โปรดดูที่ เริ่มต้นใช้งาน Amazon SageMaker Canvas.
- บนคอนโซล Canvas ให้เลือก ชุดข้อมูล ในบานหน้าต่างนำทาง
- Choose นำเข้า.
- Choose อัพโหลด และเลือก
churn-no-labels.csv
ไฟล์ที่คุณสร้างขึ้น - Choose นำเข้าข้อมูล.
เวลาในกระบวนการนำเข้าข้อมูลขึ้นอยู่กับขนาดของไฟล์ ในกรณีของเรา ควรใช้เวลาประมาณ 10 วินาที เมื่อเสร็จแล้วเราจะเห็นชุดข้อมูลอยู่ใน Ready
สถานะ
- หากต้องการดูตัวอย่าง 100 แถวแรกของชุดข้อมูล ให้เลือกเมนูตัวเลือก (สามจุด) แล้วเลือก ดูตัวอย่าง.
- Choose Models ในบานหน้าต่างนำทาง จากนั้นเลือกแบบจำลองการปั่นที่คุณสร้างเป็นส่วนหนึ่งของข้อกำหนดเบื้องต้น
- เกี่ยวกับ ทำนาย เลือกแท็บ เลือกชุดข้อมูล.
- เลือก
churn-no-labels.csv
ชุดข้อมูล จากนั้นเลือก สร้างคำทำนาย.
เวลาอนุมานขึ้นอยู่กับความซับซ้อนของโมเดลและขนาดชุดข้อมูล ในกรณีของเรา ใช้เวลาประมาณ 10 วินาที เมื่องานเสร็จแล้วจะเปลี่ยนสถานะเป็น Ready และเราสามารถดาวน์โหลดผลลัพธ์ได้
- เลือกเมนูตัวเลือก (สามจุด) ดาวน์โหลดและ ดาวน์โหลดค่าทั้งหมด.
หรือเราสามารถดูผลการเลือกได้อย่างรวดเร็ว ดูตัวอย่าง. สองคอลัมน์แรกเป็นการคาดคะเนจากแบบจำลอง
เราใช้แบบจำลองของเราอย่างประสบความสำเร็จในการคาดการณ์ความเสี่ยงในการเลิกใช้งานสำหรับประชากรลูกค้าปัจจุบันของเรา ตอนนี้เราพร้อมที่จะเห็นภาพตัวชี้วัดทางธุรกิจตามการคาดการณ์ของเราแล้ว
นำเข้าข้อมูลไปยัง QuickSight
ดังที่เราได้พูดคุยกันก่อนหน้านี้ นักวิเคราะห์ธุรกิจต้องการให้แสดงการคาดการณ์พร้อมกับเมตริกทางธุรกิจ เพื่อทำการตัดสินใจทางธุรกิจที่ขับเคลื่อนด้วยข้อมูล ในการทำเช่นนั้น เราใช้ QuickSight ซึ่งให้ข้อมูลเชิงลึกที่เข้าใจง่าย และให้โอกาสผู้มีอำนาจตัดสินใจในการสำรวจและตีความข้อมูลในสภาพแวดล้อมที่เป็นภาพแบบโต้ตอบ ด้วย QuickSight เราสามารถสร้างการแสดงภาพ เช่น กราฟและแผนภูมิในไม่กี่วินาทีด้วยอินเทอร์เฟซแบบลากแล้ววางที่เรียบง่าย ในโพสต์นี้ เราสร้างภาพหลายภาพเพื่อทำความเข้าใจความเสี่ยงทางธุรกิจและวิธีที่เราจะสามารถจัดการได้ เช่น ที่ที่เราควรเปิดตัวแคมเปญการตลาดใหม่
ในการเริ่มต้น ให้ทำตามขั้นตอนต่อไปนี้:
- บนคอนโซล QuickSight ให้เลือก ชุดข้อมูล ในบานหน้าต่างนำทาง
- Choose ชุดข้อมูลใหม่.
QuickSight รองรับแหล่งข้อมูลมากมาย ในโพสต์นี้ เราใช้ไฟล์ในเครื่อง ซึ่งเป็นไฟล์ที่เราสร้างไว้ก่อนหน้านี้ใน Canvas เป็นข้อมูลต้นทางของเรา
- Choose อัปโหลดไฟล์.
- เลือกไฟล์ที่ดาวน์โหลดล่าสุดพร้อมการคาดคะเน
QuickSight อัปโหลดและวิเคราะห์ไฟล์
- ตรวจสอบว่าทุกอย่างเป็นไปตามคาดในตัวอย่าง แล้วเลือก ถัดไป.
- Choose จินตนาการ.
นำเข้าข้อมูลเรียบร้อยแล้วและเราพร้อมที่จะวิเคราะห์
สร้างแดชบอร์ดพร้อมเมตริกธุรกิจของการทำนายความปั่นป่วน
ถึงเวลาวิเคราะห์ข้อมูลของเราและสร้างแดชบอร์ดที่ชัดเจนและใช้งานง่าย ซึ่งจะสรุปข้อมูลทั้งหมดที่จำเป็นสำหรับการตัดสินใจทางธุรกิจที่ขับเคลื่อนด้วยข้อมูล แดชบอร์ดประเภทนี้เป็นเครื่องมือสำคัญในคลังแสงของนักวิเคราะห์ธุรกิจ
ต่อไปนี้คือตัวอย่างแดชบอร์ดที่สามารถช่วยระบุและดำเนินการตามความเสี่ยงที่ลูกค้าจะเลิกใช้
บนแดชบอร์ดนี้ เราเห็นภาพตัวชี้วัดทางธุรกิจที่สำคัญหลายประการ:
- ลูกค้ามีแนวโน้มที่จะปั่น – แผนภูมิโดนัทด้านซ้ายแสดงจำนวนและเปอร์เซ็นต์ของผู้ใช้ที่เสี่ยงต่อการเลิกใช้มากกว่า 50% แผนภูมินี้ช่วยให้เราเข้าใจขนาดของปัญหาที่อาจเกิดขึ้นได้อย่างรวดเร็ว
- การสูญเสียรายได้ที่อาจเกิดขึ้น – แผนภูมิโดนัทตรงกลางด้านบนแสดงจำนวนการสูญเสียรายได้จากผู้ใช้ที่เสี่ยงต่อการเลิกใช้มากกว่า 50% แผนภูมินี้ช่วยให้เราเข้าใจอย่างรวดเร็วถึงขนาดของรายได้ที่อาจสูญเสียจากการเลิกใช้งาน แผนภูมิยังแสดงให้เห็นว่าเราอาจสูญเสียลูกค้าที่สูงกว่าค่าเฉลี่ยหลายราย เนื่องจากเปอร์เซ็นต์ของรายได้ที่อาจสูญเสียไปซึ่งมากกว่าเปอร์เซ็นต์ของผู้ใช้ที่เสี่ยงต่อการเลิกใช้งาน
- การสูญเสียรายได้ที่อาจเกิดขึ้นโดยรัฐ – แผนภูมิแท่งแนวนอนด้านบนขวาแสดงขนาดของรายได้ที่สูญเสียไปเทียบกับรายได้จากลูกค้าที่ไม่เสี่ยงต่อการเลิกรา ภาพนี้จะช่วยให้เราเข้าใจว่าสถานะใดที่สำคัญที่สุดสำหรับเราจากมุมมองของแคมเปญการตลาด
- รายละเอียดลูกค้าที่เสี่ยงปั่น – ตารางด้านล่างซ้ายมีรายละเอียดเกี่ยวกับลูกค้าของเราทั้งหมด ตารางนี้อาจมีประโยชน์หากเราต้องการดูรายละเอียดของลูกค้าหลายรายอย่างรวดเร็วทั้งที่มีและไม่มีความเสี่ยงในการเลิกใช้งาน
ลูกค้ามีแนวโน้มที่จะปั่น
เราเริ่มต้นด้วยการสร้างแผนภูมิกับลูกค้าที่เสี่ยงต่อการเลิกรา
- ภายใต้ รายการช่อง, เลือก ปั่น? คุณลักษณะ
QuickSight สร้างการแสดงภาพโดยอัตโนมัติ
แม้ว่ากราฟแท่งจะเป็นการแสดงภาพทั่วไปเพื่อทำความเข้าใจการกระจายข้อมูล แต่เราชอบที่จะใช้แผนภูมิโดนัท เราสามารถเปลี่ยนวิชวลนี้ได้โดยการเปลี่ยนคุณสมบัติของมัน
- เลือกไอคอนแผนภูมิโดนัทภายใต้ ประเภทภาพ.
- เลือกชื่อปัจจุบัน (ดับเบิลคลิก) และเปลี่ยนเป็น ลูกค้ามีแนวโน้มที่จะปั่น.
- ในการปรับแต่งเอฟเฟกต์ภาพอื่นๆ (ลบคำอธิบาย เพิ่มค่า เปลี่ยนขนาดฟอนต์) ให้เลือกไอคอนดินสอและทำการเปลี่ยนแปลงของคุณ
ดังที่แสดงในภาพหน้าจอต่อไปนี้ เราได้เพิ่มพื้นที่ของโดนัท รวมทั้งเพิ่มข้อมูลเพิ่มเติมในฉลาก
การสูญเสียรายได้ที่อาจเกิดขึ้น
ตัวชี้วัดที่สำคัญอีกประการหนึ่งที่ควรพิจารณาเมื่อคำนวณผลกระทบทางธุรกิจจากการเลิกราของลูกค้าคือการสูญเสียรายได้ที่อาจเกิดขึ้น นี่เป็นตัวชี้วัดที่สำคัญเพราะช่วยให้เราเข้าใจผลกระทบทางธุรกิจจากลูกค้าที่ไม่เสี่ยงต่อการเลิกรา ตัวอย่างเช่น ในอุตสาหกรรมโทรคมนาคม เราสามารถมีลูกค้าที่ไม่ได้ใช้งานจำนวนมากที่มีความเสี่ยงสูงที่จะเลิกใช้งานแต่มีรายได้เป็นศูนย์ แผนภูมินี้สามารถช่วยให้เราเข้าใจว่าเราอยู่ในสถานการณ์ดังกล่าวหรือไม่ ในการเพิ่มเมตริกนี้ลงในแดชบอร์ดของเรา เราสร้างฟิลด์ที่คำนวณได้เองโดยให้สูตรทางคณิตศาสตร์สำหรับคำนวณการสูญเสียรายได้ที่อาจเกิดขึ้น จากนั้นให้เห็นภาพเป็นแผนภูมิโดนัทอื่น
- เกี่ยวกับ เพิ่ม เมนูให้เลือก เพิ่มช่องจากการคำนวณ.
- ตั้งชื่อฟิลด์ ค่าใช้จ่ายทั้งหมด
- ป้อนสูตร {Day Charge}+{Eve Charge}+{Intl Charge}+{Night Charge}
- Choose ลด.
- เกี่ยวกับ เพิ่ม เมนูให้เลือก เพิ่มภาพ.
- ภายใต้ ประเภทภาพ, เลือกไอคอนแผนภูมิโดนัท
- ภายใต้ รายการช่องลาก ปั่น? ไปยัง กลุ่ม/สี.
- ลาก ค่าใช้จ่ายทั้งหมด ไปยัง ความคุ้มค่า.
- เกี่ยวกับ ความคุ้มค่า เมนูให้เลือก แสดงเป็น และเลือก เงินตรา.
- เลือกไอคอนดินสอเพื่อปรับแต่งเอฟเฟกต์ภาพอื่นๆ (ลบคำอธิบาย เพิ่มค่า เปลี่ยนขนาดฟอนต์)
ในขณะนี้ แดชบอร์ดของเรามีสองการแสดงภาพ
เราสามารถสังเกตได้ว่าโดยรวมแล้วเราอาจสูญเสียลูกค้า 18% (270) ราย ซึ่งเท่ากับ 24% (6,280) ของรายได้ มาสำรวจเพิ่มเติมโดยการวิเคราะห์การสูญเสียรายได้ที่อาจเกิดขึ้นในระดับรัฐ
การสูญเสียรายได้ที่อาจเกิดขึ้นโดยรัฐ
เพื่อให้เห็นภาพที่อาจสูญเสียรายได้ตามรัฐ ให้เพิ่มกราฟแท่งแนวนอน
- เกี่ยวกับ เพิ่ม เมนูให้เลือก เพิ่มภาพ.
- ภายใต้ ประเภทภาพ¸ เลือกไอคอนแผนภูมิแท่งแนวนอน
- ภายใต้ รายการช่อง¸ ลาก ปั่น? ไปยัง กลุ่ม/สี.
- ลาก ค่าใช้จ่ายทั้งหมด ไปยัง ความคุ้มค่า.
- เกี่ยวกับ ความคุ้มค่า เมนูให้เลือก แสดงเป็น และ เงินตรา.
- ลาก ระยะ ไปยัง แกน Y.
- เลือกไอคอนดินสอเพื่อปรับแต่งเอฟเฟกต์ภาพอื่นๆ (ลบคำอธิบาย เพิ่มค่า เปลี่ยนขนาดฟอนต์)
- นอกจากนี้เรายังสามารถจัดเรียงภาพใหม่ของเราโดยเลือก ค่าใช้จ่ายทั้งหมด ที่ด้านล่างและเลือก มากไปหาน้อย.
ภาพนี้จะช่วยให้เราเข้าใจว่าสถานะใดสำคัญที่สุดจากมุมมองของแคมเปญทางการตลาด ตัวอย่างเช่น ในฮาวาย เราอาจสูญเสียรายได้ครึ่งหนึ่ง (253,000 ดอลลาร์) ในขณะที่อยู่ในวอชิงตัน ค่านี้น้อยกว่า 10% (52,000 ดอลลาร์) นอกจากนี้เรายังพบว่าในรัฐแอริโซนา เราเสี่ยงที่จะสูญเสียลูกค้าเกือบทุกคน
รายละเอียดลูกค้าที่เสี่ยงปั่น
มาสร้างตารางที่มีรายละเอียดเกี่ยวกับลูกค้าที่เสี่ยงต่อการปั่นกัน
- เกี่ยวกับ เพิ่ม เมนูให้เลือก เพิ่มภาพ.
- ภายใต้ ประเภทภาพ, เลือกไอคอนตาราง
- ภายใต้ รายการภาคสนามลาก เบอร์โทรศัพท์, สถานะ, แผนระหว่างประเทศ, แผน Vmail, ปั่น?และ ความยาวบัญชี ไปยัง จัดกลุ่มตาม.
- ลาก ความน่าจะเป็น ไปยัง ความคุ้มค่า.
- เกี่ยวกับ ความคุ้มค่า เมนูให้เลือก แสดงเป็น และ เปอร์เซ็นต์.
ปรับแต่งแดชบอร์ดของคุณ
QuickSight มีตัวเลือกมากมายในการปรับแต่งแดชบอร์ดของคุณ เช่น
- หากต้องการเพิ่มชื่อบน เพิ่ม เมนูให้เลือก เพิ่มชื่อ.
- ป้อนชื่อ (สำหรับโพสต์นี้ เราเปลี่ยนชื่อแดชบอร์ดของเรา การวิเคราะห์การปั่น).
- ในการปรับขนาดภาพของคุณ ให้เลือกมุมล่างขวาของแผนภูมิแล้วลากไปยังขนาดที่ต้องการ
- เมื่อต้องการย้ายภาพ ให้เลือกกึ่งกลางบนสุดของแผนภูมิแล้วลากไปยังตำแหน่งใหม่
- หากต้องการเปลี่ยนธีม ให้เลือก ธีม ในบานหน้าต่างนำทาง
- เลือกธีมใหม่ของคุณ (เช่น เที่ยงคืน) และเลือก ใช้.
เผยแพร่แดชบอร์ดของคุณ
แดชบอร์ดเป็นสแน็ปช็อตแบบอ่านอย่างเดียวของการวิเคราะห์ที่คุณสามารถแบ่งปันกับผู้ใช้ QuickSight คนอื่นๆ เพื่อวัตถุประสงค์ในการรายงาน แดชบอร์ดของคุณจะรักษาการกำหนดค่าของการวิเคราะห์ไว้ในขณะที่คุณเผยแพร่ ซึ่งรวมถึงสิ่งต่างๆ เช่น การกรอง พารามิเตอร์ การควบคุม และลำดับการจัดเรียง ข้อมูลที่ใช้ในการวิเคราะห์จะไม่ถูกบันทึกเป็นส่วนหนึ่งของแดชบอร์ด เมื่อคุณดูแดชบอร์ด จะแสดงข้อมูลปัจจุบันในชุดข้อมูลที่ใช้โดยการวิเคราะห์
หากต้องการเผยแพร่แดชบอร์ด ให้ทำตามขั้นตอนต่อไปนี้:
- เกี่ยวกับ Share เมนูให้เลือก เผยแพร่แดชบอร์ด.
- ป้อนชื่อสำหรับแดชบอร์ดของคุณ
- Choose เผยแพร่แดชบอร์ด.
ขอแสดงความยินดี คุณได้สร้างแดชบอร์ดการวิเคราะห์การเลิกใช้สำเร็จแล้ว
อัปเดตแดชบอร์ดของคุณด้วยคำทำนายใหม่
เมื่อโมเดลพัฒนาขึ้นและเราสร้างข้อมูลใหม่จากธุรกิจ เราอาจจำเป็นต้องอัปเดตแดชบอร์ดนี้ด้วยข้อมูลใหม่ ทำตามขั้นตอนต่อไปนี้:
- สร้างไฟล์ใหม่
churn-no-labels-updated.csv
โดยสุ่มเลือกอีก 1,500 บรรทัดจากชุดข้อมูลเดิม churn.csv และถอดChurn?
คอลัมน์.
เราใช้ชุดข้อมูลใหม่นี้เพื่อสร้างการคาดการณ์ใหม่
- ทำซ้ำขั้นตอนจาก ใช้รูปแบบการปั่นของลูกค้า ของโพสต์นี้เพื่อรับการคาดการณ์สำหรับชุดข้อมูลใหม่และดาวน์โหลดไฟล์ใหม่
- บนคอนโซล QuickSight ให้เลือก ชุดข้อมูล ในบานหน้าต่างนำทาง
- เลือกชุดข้อมูลที่เราสร้างขึ้น
- Choose แก้ไขชุดข้อมูล.
- บนเมนูแบบเลื่อนลง ให้เลือก อัปเดตไฟล์.
- Choose อัพโหลดไฟล์.
- เลือกไฟล์ที่ดาวน์โหลดล่าสุดพร้อมคำทำนาย
- ตรวจทานตัวอย่าง จากนั้นเลือก ยืนยันการอัพเดทไฟล์.
หลังจากที่ข้อความ "ไฟล์อัปเดตสำเร็จ" ปรากฏขึ้น เราจะเห็นว่าชื่อไฟล์นั้นเปลี่ยนไปด้วย
- Choose บันทึกและเผยแพร่.
- เมื่อข้อความ "บันทึกและเผยแพร่สำเร็จ" ปรากฏขึ้น คุณสามารถกลับไปที่เมนูหลักโดยเลือกโลโก้ QuickSight ที่มุมบนซ้าย
- Choose แผงควบคุม ในบานหน้าต่างนำทางและเลือกแดชบอร์ดที่เราสร้างไว้ก่อนหน้านี้
คุณควรเห็นแดชบอร์ดของคุณพร้อมค่าที่อัปเดต
เราเพิ่งอัปเดตแดชบอร์ด QuickSight ด้วยการคาดคะเนล่าสุดจาก Canvas
ทำความสะอาด
เพื่อหลีกเลี่ยงค่าใช้จ่ายในอนาคต ออกจากระบบ Canvas.
สรุป
ในโพสต์นี้ เราใช้โมเดล ML จาก Canvas เพื่อคาดการณ์ลูกค้าที่มีความเสี่ยงที่จะเลิกใช้งาน และสร้างแดชบอร์ดพร้อมการแสดงภาพที่ชาญฉลาด เพื่อช่วยเราในการตัดสินใจทางธุรกิจที่ขับเคลื่อนด้วยข้อมูล เราทำได้โดยไม่ต้องเขียนโค้ดแม้แต่บรรทัดเดียว ต้องขอบคุณอินเทอร์เฟซที่ใช้งานง่ายและการแสดงภาพที่ชัดเจน ซึ่งช่วยให้นักวิเคราะห์ธุรกิจมีความคล่องตัวในการสร้างแบบจำลอง ML และดำเนินการวิเคราะห์และดึงข้อมูลเชิงลึกในความเป็นอิสระโดยสมบูรณ์จากทีมวิทยาศาสตร์ข้อมูล
หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับการใช้ Canvas โปรดดูที่ สร้าง แชร์ ปรับใช้: วิธีที่นักวิเคราะห์ธุรกิจและนักวิทยาศาสตร์ข้อมูลบรรลุเวลาสู่ตลาดได้เร็วขึ้นโดยใช้ ML แบบไม่มีโค้ดและ Amazon SageMaker Canvas. สำหรับข้อมูลเพิ่มเติมเกี่ยวกับการสร้างโมเดล ML ด้วยโซลูชันแบบไม่มีโค้ด โปรดดูที่ ประกาศเปิดตัว Amazon SageMaker Canvas – ภาพที่ไม่มีความสามารถในการเรียนรู้ด้วยเครื่องโค้ดสำหรับนักวิเคราะห์ธุรกิจ. หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับคุณสมบัติ QuickSight ล่าสุดและแนวทางปฏิบัติที่ดีที่สุด โปรดดูที่ บล็อก AWS Big Data.
เกี่ยวกับผู้เขียน
Alexander Patrushev เป็นสถาปนิก AI/ML Specialist Solutions Architect ที่ AWS ซึ่งตั้งอยู่ในลักเซมเบิร์ก เขาหลงใหลเกี่ยวกับระบบคลาวด์และแมชชีนเลิร์นนิง และวิธีที่พวกเขาสามารถเปลี่ยนแปลงโลกได้ นอกเวลางาน เขาชอบเดินป่า เล่นกีฬา และใช้เวลาอยู่กับครอบครัว
ดาวิเด้ กัลลิเตลลี่ เป็น Specialist Solutions Architect สำหรับ AI/ML ในภูมิภาค EMEA เขาอยู่ในบรัสเซลส์และทำงานอย่างใกล้ชิดกับลูกค้าทั่วเบเนลักซ์ เขาเป็นนักพัฒนาตั้งแต่ยังเด็ก เริ่มเขียนโค้ดเมื่ออายุ 7 ขวบ เขาเริ่มเรียน AI/ML ที่มหาวิทยาลัย และตกหลุมรักมันตั้งแต่นั้นเป็นต้นมา
- AI
- ไอ อาร์ต
- เครื่องกำเนิดไออาร์ท
- หุ่นยนต์ไอ
- อเมซอน QuickSight
- อเมซอน SageMaker
- ผืนผ้าใบ Amazon SageMaker
- การวิเคราะห์
- ปัญญาประดิษฐ์
- ใบรับรองปัญญาประดิษฐ์
- ปัญญาประดิษฐ์ในการธนาคาร
- หุ่นยนต์ปัญญาประดิษฐ์
- หุ่นยนต์ปัญญาประดิษฐ์
- ซอฟต์แวร์ปัญญาประดิษฐ์
- AWS Machine Learning AWS
- blockchain
- การประชุม blockchain ai
- เหรียญอัจฉริยะ
- ปัญญาประดิษฐ์สนทนา
- การประชุม crypto ai
- ดัล-อี
- การเรียนรู้ลึก ๆ
- google ai
- เรียนรู้เครื่อง
- เพลโต
- เพลโตไอ
- เพลโตดาต้าอินเทลลิเจนซ์
- เกมเพลโต
- เพลโตดาต้า
- เพลโตเกม
- ขนาดไอ
- วากยสัมพันธ์
- วิธีการทางเทคนิค
- ลมทะเล