Amazon SageMaker Canvas ve Amazon QuickSight ile akıllı karar almayı etkinleştirin

Her şirket, büyüklüğü ne olursa olsun, müşterilerine en iyi ürün ve hizmetleri sunmak ister. Bunu başarmak için şirketler, endüstri trendlerini ve müşteri davranışlarını anlamak ve rutin olarak dahili süreçleri ve veri analizlerini optimize etmek istiyor. Bu, bir şirketin başarısının çok önemli bir bileşenidir.

Analist rolünün çok belirgin bir parçası, veriye dayalı iş kararları vermek için iş metriklerinin görselleştirilmesini (satış geliri gibi) ve gelecekteki olayların tahminini (talep artışı gibi) içerir. Bu ilk zorluğa yaklaşmak için şunları kullanabilirsiniz: Amazon QuickSight, anlaşılması kolay içgörüler sağlayan ve karar vericilere bilgileri etkileşimli bir görsel ortamda keşfetme ve yorumlama fırsatı veren bulut ölçeğinde bir iş zekası (BI) hizmetidir. İkinci görev için kullanabilirsiniz Amazon SageMaker Tuval, iş analistlerine kendi başınıza doğru ML tahminleri oluşturmanıza olanak tanıyan görsel bir tıkla ve tıkla arabirimi sağlayarak makine öğrenimine (ML) erişimi genişleten bir bulut hizmeti.

Bu metriklere bakarken, iş analistleri, şirketin müşteriyi kaybetme riskinin olup olmadığını belirlemek için genellikle müşteri davranışındaki kalıpları belirler. Bu sorun denir müşteri değişimive ML modelleri, bu tür müşterileri yüksek doğrulukla tahmin etme konusunda kanıtlanmış bir geçmişe sahiptir (örneğin, bkz. Elula'nın Yapay Zeka Çözümleri, Bankaların Müşteriyi Elde Tutmayı İyileştirmesine Yardımcı Oluyor).

ML modelleri oluşturmak, veri hazırlama ve ML model eğitimini yönetmek için uzman bir ekip gerektirdiğinden zor bir süreç olabilir. Ancak Canvas ile bunu herhangi bir özel bilgi olmadan ve sıfır kod satırı ile yapabilirsiniz. Daha fazla bilgi için, kontrol edin Amazon SageMaker Canvas'ı kullanarak kodsuz makine öğrenimi ile müşteri kaybını tahmin edin.

Bu gönderide, Canvas'tan oluşturulan tahminleri bir QuickSight panosunda nasıl görselleştireceğinizi ve ML aracılığıyla akıllı karar vermeyi mümkün kılacağınızı gösteriyoruz.

Çözüme genel bakış

Yayında Amazon SageMaker Canvas'ı kullanarak kodsuz makine öğrenimi ile müşteri kaybını tahmin edin, bir cep telefonu operatörünün pazarlama departmanında iş analisti rolünü üstlendik ve potansiyel kayıp riski olan müşterileri belirlemek için başarılı bir ML modeli oluşturduk. Modelimiz tarafından oluşturulan tahminler sayesinde, şimdi bu müşteriler ve bölgeler için potansiyel promosyonlar hakkında veriye dayalı iş kararları vermek için potansiyel bir finansal sonucun analizini yapmak istiyoruz.

Bunu başarmamıza yardımcı olacak mimari aşağıdaki şemada gösterilmiştir.

İş akışı adımları aşağıdaki gibidir:

1. Mevcut müşteri popülasyonuyla yeni bir veri kümesini Canvas'a yükleyin.
2. Toplu tahmin çalıştırın ve sonuçları indirin.
3. Görselleştirmeler oluşturmak veya güncellemek için dosyaları QuickSight'a yükleyin.

Bu adımları Canvas'ta tek satır kod yazmadan gerçekleştirebilirsiniz. Desteklenen veri kaynaklarının tam listesi için bkz. Amazon SageMaker Canvas'ta verileri içe aktarma.

Önkoşullar

Bu izlenecek yol için aşağıdaki ön koşulların karşılandığından emin olun:

Müşteri kayıp modelini kullanın

Ön koşulları tamamladıktan sonra, daha sonra QuickSight'ta kullanabileceğiniz müşteri kaybını tahmin etmek için yeni müşteri verileriyle kullanılmaya hazır, Canvas'taki geçmiş veriler üzerinde eğitilmiş bir modeliniz olmalıdır.

1. Yeni bir dosya oluştur churn-no-labels.csv orijinal veri kümesinden rastgele 1,500 satır seçerek çalkalama.csv ve Churn? sütun.

Bu yeni veri kümesini tahminler oluşturmak için kullanıyoruz.

Canvas'ta sonraki adımları tamamlıyoruz. Canvas'ı şu şekilde açabilirsiniz: AWS Yönetim Konsoluveya bulut yöneticiniz tarafından sağlanan SSO uygulaması aracılığıyla. Canvas'a nasıl erişeceğinizden emin değilseniz, bkz. Amazon SageMaker Canvas'ı kullanmaya başlama.

2. Canvas konsolunda, Veri Setleri Gezinti bölmesinde.
3. Klinik ithalat.

4. Klinik Foto Yükle ve seçiniz churn-no-labels.csv oluşturduğunuz dosya.
5. Klinik Tarihleri ​​içe aktar.

Veri içe aktarma işlemi süresi, dosyanın boyutuna bağlıdır. Bizim durumumuzda, yaklaşık 10 saniye olmalıdır. Tamamlandığında, veri kümesinin içinde olduğunu görebiliriz. Ready durumu.

6. Veri kümesinin ilk 100 satırını önizlemek için seçenekler menüsünü (üç nokta) seçin ve Önizleme.

7. Klinik Modeller gezinme bölmesinde, ardından ön koşulların bir parçası olarak oluşturduğunuz kayıp modelini seçin.

8. Üzerinde Tahmin sekmesini seçin Veri kümesini seçin.

9. seçmek churn-no-labels.csv veri kümesini seçin, ardından Tahminler oluştur.

Çıkarım süresi, model karmaşıklığına ve veri kümesi boyutuna bağlıdır; bizim durumumuzda, yaklaşık 10 saniye sürer. İş bittiğinde durumunu Hazır olarak değiştirir ve sonuçları indirebiliriz.

10. Seçenekler menüsünü seçin (üç nokta), İndir, ve Tüm değerleri indir.

İsteğe bağlı olarak seçim sonuçlarına hızlıca göz atabiliriz. Önizleme. İlk iki sütun, modelden tahminlerdir.

Mevcut müşteri popülasyonumuz için kayıp riskini tahmin etmek için modelimizi başarıyla kullandık. Artık tahminlerimize dayalı olarak iş metriklerini görselleştirmeye hazırız.

Verileri QuickSight'a aktarın

Daha önce tartıştığımız gibi, iş analistleri, veriye dayalı iş kararları vermek için tahminlerin iş metrikleriyle birlikte görselleştirilmesini gerektirir. Bunu yapmak için, anlaşılması kolay öngörüler sağlayan ve karar vericilere bilgileri etkileşimli bir görsel ortamda keşfetme ve yorumlama fırsatı veren QuickSight'ı kullanıyoruz. QuickSight ile, basit bir sürükle ve bırak arayüzü ile saniyeler içinde grafikler ve çizelgeler gibi görselleştirmeler oluşturabiliriz. Bu gönderide, yeni pazarlama kampanyalarını nerede başlatmamız gerektiği gibi iş risklerini ve bunları nasıl yönetebileceğimizi daha iyi anlamak için çeşitli görselleştirmeler oluşturuyoruz.

Başlamak için aşağıdaki adımları uygulayın:

1. QuickSight konsolunda şunu seçin: Veri Setleri Gezinti bölmesinde.
2. Klinik Yeni veri kümesi.

QuickSight birçok veri kaynağını destekler. Bu gönderide, kaynak verimiz olarak daha önce Canvas'ta oluşturduğumuz yerel bir dosya kullanıyoruz.

3. Klinik Bir dosya yükle.

4. Tahminlerle birlikte en son indirilen dosyayı seçin.

QuickSight, dosyayı yükler ve analiz eder.

5. Önizlemede her şeyin beklendiği gibi olup olmadığını kontrol edin, ardından Sonraki.

6. Klinik Görselleştirin.

Veriler şimdi başarıyla içe aktarıldı ve analiz etmeye hazırız.

Kayıp tahminlerinin iş metriklerini içeren bir pano oluşturun

Verilerimizi analiz etmenin ve veriye dayalı iş kararları için gerekli tüm bilgileri özetleyen açık ve kullanımı kolay bir gösterge panosu oluşturmanın zamanı geldi. Bu tür bir gösterge panosu, bir iş analistinin cephaneliğinde önemli bir araçtır.

Aşağıda, müşteri kaybı riskini belirlemeye ve buna göre hareket etmeye yardımcı olabilecek örnek bir pano yer almaktadır.

Bu gösterge panosunda birkaç önemli iş metriğini görselleştiriyoruz:

• Müşterilerin kaybolması muhtemel – Sol halka grafiği, %50'nin üzerinde çalkantı riskinin üzerindeki kullanıcıların sayısını ve yüzdesini temsil eder. Bu çizelge, olası bir sorunun boyutunu hızlı bir şekilde anlamamıza yardımcı olur.
• Potansiyel gelir kaybı – En üstteki orta halka grafiği, %50'lik çalkantı riskinin üzerindeki kullanıcılardan kaynaklanan gelir kaybı miktarını temsil eder. Bu grafik, kayıptan kaynaklanan potansiyel gelir kaybının boyutunu hızlı bir şekilde anlamamıza yardımcı olur. Grafik ayrıca, potansiyel gelir kaybının, kayıp riski taşıyan kullanıcıların oranından daha büyük bir yüzdesi olarak, ortalamanın üzerinde birkaç müşteriyi kaybedebileceğimizi gösteriyor.
• Eyaletlere göre potansiyel gelir kaybı – Sağ üstteki yatay çubuk grafik, kayıp gelirin boyutunu, kayıp riski olmayan müşterilerden elde edilen gelire karşı temsil eder. Bu görsel, pazarlama kampanyası perspektifinden hangi durumun bizim için en önemli olduğunu anlamamıza yardımcı olabilir.
• Çalkalama riski taşıyan müşterilerle ilgili ayrıntılar – Sol alttaki tablo tüm müşterilerimizle ilgili detayları içermektedir. Kayıp riski olan ve olmayan birkaç müşterinin ayrıntılarına hızlıca bakmak istiyorsak bu tablo yardımcı olabilir.

Müşterilerin kaybolması muhtemel

Müşterilerin çalkalanma riskiyle karşı karşıya olduğu bir çizelge oluşturarak başlıyoruz.

1. Altında Alanlar listesi, seç Çalık mı? özniteliği.

QuickSight otomatik olarak bir görselleştirme oluşturur.

Çubuk grafiği, veri dağılımını anlamak için yaygın bir görselleştirme olmasına rağmen, halka grafiği kullanmayı tercih ediyoruz. Bu görseli özelliklerini değiştirerek değiştirebiliriz.

2. Altındaki halka grafiği simgesini seçin Görsel türler.
3. Geçerli adı seçin (çift tıklayın) ve Müşterilerin kaybolması muhtemel.

4. Diğer görsel efektleri özelleştirmek için (lejandları kaldırın, değerler ekleyin, yazı tipi boyutunu değiştirin), kurşun kalem simgesini seçin ve değişikliklerinizi yapın.

Aşağıdaki ekran görüntüsünde gösterildiği gibi, çörek alanını artırdık ve ayrıca etiketlere bazı ekstra bilgiler ekledik.

Potansiyel gelir kaybı

Müşteri kaybının iş üzerindeki etkisini hesaplarken göz önünde bulundurulması gereken bir diğer önemli ölçüt, potansiyel gelir kaybıdır. Bu önemli bir ölçümdür, çünkü müşteri kaybetme riski taşımayan müşterilerin iş üzerindeki etkisini anlamamıza yardımcı olur. Örneğin telekom endüstrisinde, kayıp riski yüksek ama sıfır geliri olan birçok aktif olmayan müşterimiz olabilir. Bu tablo, böyle bir durumda olup olmadığımızı anlamamıza yardımcı olabilir. Bu metriği kontrol panelimize eklemek için, potansiyel gelir kaybını hesaplamak için matematiksel formül sağlayarak özel bir hesaplanmış alan oluşturuyoruz ve ardından bunu başka bir halka grafiği olarak görselleştiriyoruz.

1. Üzerinde Ekle menü seç Hesaplanan alan ekle.

2. Alanı Toplam masraflar olarak adlandırın.
3. {Gündüz Ücreti}+{Eve Ücreti}+{Uluslararası Ücret}+{Gece Ücreti} formülünü girin.
4. Klinik İndirim.

5. Üzerinde Ekle menü seç Görsel ekle.

6. Altında Görsel türler, halka grafiği simgesini seçin.
7. Altında Alanlar listesi, sürüklemek Çalık mı? için Grup/Renk.
8. Sürüklemek Toplam ücretler için Özellik.
9. Üzerinde Özellik menü seç Olarak göstermek Ve seç Para birimi.
10. Diğer görsel efektleri özelleştirmek için kurşun kalem simgesini seçin (açıklamaları kaldırın, değerler ekleyin, yazı tipi boyutunu değiştirin).

Şu anda, panomuz iki görselleştirmeye sahiptir.

Toplamda %18 (270) müşteri kaybedebileceğimizi şimdiden görebiliyoruz, bu da %24 (6,280$) gelire eşittir. Eyalet düzeyindeki potansiyel gelir kaybını analiz ederek daha fazla inceleyelim.

Eyaletlere göre potansiyel gelir kaybı

Eyaletlere göre potansiyel gelir kaybını görselleştirmek için yatay bir çubuk grafik ekleyelim.

1. Üzerinde Ekle menü seç Görsel ekle.

2. Altında Görsel türler¸ yatay çubuk grafik simgesini seçin.
3. Altında Alanlar listesisürüklemek Çalık mı? için Grup/Renk.
4. Sürüklemek Toplam ücretler için Özellik.
5. Üzerinde Özellik menü seç Olarak göstermek ve Para birimi.
6. Sürüklemek Aşama için Y ekseni.
7. Diğer görsel efektleri özelleştirmek için kurşun kalem simgesini seçin (açıklamaları kaldırın, değerler ekleyin, yazı tipi boyutunu değiştirin).

8. Seçerek de yeni görselimizi sıralayabiliriz. Toplam ücretler altta ve seçim Azalan.

Bu görsel, pazarlama kampanyası perspektifinden hangi durumun en önemli olduğunu anlamamıza yardımcı olabilir. Örneğin, Hawaii'de potansiyel olarak gelirimizin yarısını (253,000 $) kaybedebiliriz, Washington'da ise bu değer %10'dan (52,000 $) azdır. Arizona'da da hemen hemen her müşteriyi kaybetme riskiyle karşı karşıya olduğumuzu görebiliriz.

Çalkalama riski taşıyan müşterilerle ilgili ayrıntılar

Çalkalama riski taşıyan müşterilerle ilgili ayrıntıları içeren bir tablo oluşturalım.

1. Üzerinde Ekle menü seç Görsel ekle.

2. Altında Görsel türler, tablo simgesini seçin.
3. Altında Alan listeleri, sürüklemek Telefon, Eyalet, Uluslararası Plan, Vmail Planı, Çalık mı?, ve Hesap Uzunluğu için Tarafından gruba göre.
4. Sürüklemek olasılık için Özellik.
5. Üzerinde Özellik menü seç Olarak göstermek ve Yüzde.

Kontrol panelinizi özelleştirin

QuickSight, gösterge tablonuzu özelleştirmek için aşağıdakiler gibi çeşitli seçenekler sunar.

1. Bir ad eklemek için, Ekle menü seç Başlık ekle.

2. Bir başlık girin (bu gönderi için kontrol panelimizi yeniden adlandırıyoruz Çalkalama analizi).

3. Görsellerinizi yeniden boyutlandırmak için grafiğin sağ alt köşesini seçin ve istediğiniz boyuta sürükleyin.
4. Bir görseli taşımak için grafiğin üst ortasını seçin ve yeni bir konuma sürükleyin.
5. Temayı değiştirmek için Themes Gezinti bölmesinde.
6. Yeni temanızı seçin (örneğin, Geceyarısı), ve Seç Tamam.

Kontrol panelinizi yayınlayın

Pano, raporlama amacıyla diğer QuickSight kullanıcılarıyla paylaşabileceğiniz bir analizin salt okunur anlık görüntüsüdür. Kontrol paneliniz, filtreleme, parametreler, kontroller ve sıralama düzeni gibi şeyler dahil olmak üzere, analizin yayınlandığı andaki yapılandırmasını korur. Analiz için kullanılan veriler, kontrol panelinin bir parçası olarak yakalanmaz. Panoyu görüntülediğinizde, analiz tarafından kullanılan veri kümelerindeki mevcut verileri yansıtır.

Gösterge tablonuzu yayınlamak için aşağıdaki adımları izleyin:

1. Üzerinde paylaş menü seç Gösterge tablosunu yayınla.

2. Kontrol paneliniz için bir ad girin.
3. Klinik Gösterge tablosunu yayınla.

Tebrikler, başarıyla bir kayıp analizi panosu oluşturdunuz.

Kontrol panelinizi yeni bir tahminle güncelleyin

Model geliştikçe ve işten yeni veriler oluşturduğumuzda, bu gösterge tablosunu yeni bilgilerle güncellememiz gerekebilir. Aşağıdaki adımları tamamlayın:

1. Yeni bir dosya oluştur churn-no-labels-updated.csv orijinal veri setinden rasgele 1,500 satır daha seçerek çalkalama.csv ve Churn? sütun.

Bu yeni veri kümesini yeni tahminler oluşturmak için kullanıyoruz.

2. adımlarını tekrarlayın. Müşteri kayıp modelini kullanın Yeni veri kümesi için tahminler almak ve yeni dosyayı indirmek için bu gönderinin bölümüne bakın.
3. QuickSight konsolunda şunu seçin: Veri Setleri Gezinti bölmesinde.
4. Oluşturduğumuz veri setini seçin.

5. Klinik Veri kümesini düzenle.

6. Açılır menüden şunu seçin: Dosyayı güncelle.

7. Klinik Dosya yükleme.

8. Tahminlerle birlikte en son indirilen dosyayı seçin.
9. Önizlemeyi gözden geçirin, ardından Dosya güncellemesini onaylayın.

“Dosya başarıyla güncellendi” mesajı çıktıktan sonra dosya adının da değiştiğini görebiliriz.

10. Klinik Kaydet ve yayınla.

11. “Kaydedildi ve başarıyla yayınlandı” mesajı göründüğünde, sol üst köşedeki QuickSight logosunu seçerek ana menüye dönebilirsiniz.

12. Klinik Panolar gezinme bölmesinde ve daha önce oluşturduğumuz panoyu seçin.

Gösterge tablonuzu güncellenmiş değerlerle görmelisiniz.

QuickSight panomuzu Canvas'tan en son tahminlerle yeni güncelledik.

Temizlemek

Gelecekteki ücretlerden kaçınmak için, Canvas'tan çıkış yap.

Sonuç

Bu gönderide, müşteri kaybetme riskiyle karşı karşıya olan müşterileri tahmin etmek için Canvas'tan bir ML modeli kullandık ve veriye dayalı iş kararları vermemize yardımcı olmak için anlayışlı görselleştirmeler içeren bir pano oluşturduk. Kullanıcı dostu arayüzler ve net görselleştirmeler sayesinde tek satır kod yazmadan bunu başardık. Bu, iş analistlerinin makine öğrenimi modelleri oluşturmada çevik olmalarını ve veri bilimi ekiplerinden tam özerklik içinde analizler gerçekleştirmelerini ve içgörüler elde etmelerini sağlar.

Canvas'ı kullanma hakkında daha fazla bilgi edinmek için bkz. Oluşturun, Paylaşın, Dağıtın: İş analistleri ve veri bilimcileri kodsuz ML ve Amazon SageMaker Canvas kullanarak nasıl daha hızlı pazara sunma süresi elde ediyor?. Kodsuz bir çözümle ML modelleri oluşturma hakkında daha fazla bilgi için bkz. Amazon SageMaker Canvas – İş Analistleri için Görsel, Kodsuz Makine Öğrenimi Yeteneği Duyurusu. En yeni QuickSight özellikleri ve en iyi uygulamalar hakkında daha fazla bilgi edinmek için bkz. AWS Büyük Veri Blogu.

---

Yazar Hakkında

Aleksandr Patruşev Lüksemburg merkezli AWS'de AI/ML Uzman Çözüm Mimarıdır. Bulut ve makine öğrenimi ve bunların dünyayı nasıl değiştirebilecekleri konusunda tutkulu. İş dışında yürüyüş yapmaktan, spor yapmaktan ve ailesiyle vakit geçirmekten hoşlanır.

Davide Gallitelli EMEA bölgesinde AI/ML için Uzman Çözüm Mimarıdır. Merkezi Brüksel'dedir ve Benelüks genelindeki müşterilerle yakın işbirliği içinde çalışmaktadır. Çok küçük yaşlardan beri geliştiricidir, 7 yaşında kodlamaya başlar. Üniversitede AI/ML öğrenmeye başladı ve o zamandan beri ona aşık oldu.