Cho phép ra quyết định thông minh với Amazon SageMaker Canvas và Amazon QuickSight

Mọi công ty, bất kể quy mô lớn nhỏ, đều mong muốn cung cấp những sản phẩm và dịch vụ tốt nhất cho khách hàng của mình. Để đạt được điều này, các công ty muốn hiểu các xu hướng của ngành và hành vi của khách hàng, đồng thời tối ưu hóa các quy trình nội bộ và phân tích dữ liệu thường xuyên. Đây là một yếu tố quan trọng tạo nên thành công của một công ty.

Một phần rất nổi bật của vai trò nhà phân tích bao gồm hình dung các chỉ số kinh doanh (như doanh thu bán hàng) và dự đoán các sự kiện trong tương lai (như nhu cầu tăng lên) để đưa ra các quyết định kinh doanh dựa trên dữ liệu. Để tiếp cận thử thách đầu tiên này, bạn có thể sử dụng Amazon QuickSight, một dịch vụ thông minh kinh doanh (BI) quy mô đám mây cung cấp thông tin chi tiết dễ hiểu và mang đến cho những người ra quyết định cơ hội khám phá và diễn giải thông tin trong môi trường trực quan tương tác. Đối với nhiệm vụ thứ hai, bạn có thể sử dụng Canvas SageMaker của Amazon, một dịch vụ đám mây mở rộng quyền truy cập vào học máy (ML) bằng cách cung cấp cho các nhà phân tích kinh doanh giao diện điểm và nhấp trực quan cho phép bạn tự tạo các dự đoán ML chính xác.

Khi xem xét các số liệu này, các nhà phân tích kinh doanh thường xác định các mẫu trong hành vi của khách hàng, để xác định xem công ty có nguy cơ mất khách hàng hay không. Vấn đề này được gọi là khách hàng churnvà các mô hình ML có hồ sơ theo dõi đã được chứng minh về việc dự đoán những khách hàng như vậy với độ chính xác cao (ví dụ: xem Các giải pháp AI của Elula giúp các ngân hàng cải thiện khả năng giữ chân khách hàng).

Xây dựng mô hình ML có thể là một quá trình phức tạp vì nó đòi hỏi một nhóm chuyên gia để quản lý việc chuẩn bị dữ liệu và đào tạo mô hình ML. Tuy nhiên, với Canvas, bạn có thể làm điều đó mà không cần bất kỳ kiến ​​thức đặc biệt nào và không có dòng mã nào. Để biết thêm thông tin, hãy kiểm tra Dự đoán thời gian nghỉ ngơi của khách hàng với công nghệ máy học không mã sử dụng Amazon SageMaker Canvas.

Trong bài đăng này, chúng tôi hướng dẫn bạn cách trực quan hóa các dự đoán được tạo từ Canvas trong trang tổng quan QuickSight, cho phép đưa ra quyết định thông minh qua ML.

Tổng quan về giải pháp

Trong bài Dự đoán thời gian nghỉ ngơi của khách hàng với công nghệ máy học không mã sử dụng Amazon SageMaker Canvas, chúng tôi đảm nhận vai trò của một nhà phân tích kinh doanh trong bộ phận tiếp thị của một nhà khai thác điện thoại di động và chúng tôi đã tạo thành công mô hình ML để xác định những khách hàng tiềm ẩn nguy cơ ngừng hoạt động. Nhờ những dự đoán được tạo ra bởi mô hình của chúng tôi, giờ đây chúng tôi muốn thực hiện phân tích kết quả tài chính tiềm năng để đưa ra quyết định kinh doanh dựa trên dữ liệu về các chương trình khuyến mại tiềm năng cho những khách hàng và khu vực này.

Kiến trúc sẽ giúp chúng ta đạt được điều này được thể hiện trong sơ đồ sau.

Các bước quy trình làm việc như sau:

1. Tải tập dữ liệu mới với lượng khách hàng hiện tại lên Canvas.
2. Chạy dự đoán hàng loạt và tải xuống kết quả.
3. Tải tệp lên QuickSight để tạo hoặc cập nhật hình ảnh trực quan.

Bạn có thể thực hiện các bước này trong Canvas mà không cần viết một dòng mã nào. Để biết danh sách đầy đủ các nguồn dữ liệu được hỗ trợ, hãy tham khảo Nhập dữ liệu trong Amazon SageMaker Canvas.

Điều kiện tiên quyết

Đối với hướng dẫn này, hãy đảm bảo rằng các điều kiện tiên quyết sau được đáp ứng:

Sử dụng mô hình churn của khách hàng

Sau khi hoàn thành các điều kiện tiên quyết, bạn nên có một mô hình được đào tạo về dữ liệu lịch sử trong Canvas, sẵn sàng được sử dụng với dữ liệu khách hàng mới để dự đoán tình hình chuyển hướng của khách hàng, sau đó bạn có thể sử dụng mô hình này trong QuickSight.

1. Tạo một tệp mới churn-no-labels.csv bằng cách chọn ngẫu nhiên 1,500 dòng từ tập dữ liệu ban đầu khuấy.csv và loại bỏ Churn? cột.

Chúng tôi sử dụng tập dữ liệu mới này để tạo dự đoán.

Chúng tôi hoàn thành các bước tiếp theo trong Canvas. Bạn có thể mở Canvas thông qua Bảng điều khiển quản lý AWShoặc thông qua ứng dụng SSO do quản trị viên đám mây của bạn cung cấp. Nếu bạn không chắc chắn về cách truy cập Canvas, hãy tham khảo Bắt đầu sử dụng Amazon SageMaker Canvas.

2. Trên bảng điều khiển Canvas, hãy chọn Bộ dữ liệu trong khung điều hướng.
3. Chọn Nhập khẩu.

4. Chọn Tải lên và chọn churn-no-labels.csv tệp mà bạn đã tạo.
5. Chọn Nhập dữ liệu.

Thời gian của quá trình nhập dữ liệu phụ thuộc vào kích thước của tệp. Trong trường hợp của chúng tôi, nó sẽ là khoảng 10 giây. Khi hoàn tất, chúng ta có thể thấy tập dữ liệu đang ở Ready trạng thái.

6. Để xem trước 100 hàng đầu tiên của tập dữ liệu, hãy chọn menu tùy chọn (ba dấu chấm) và chọn Xem trước.

7. Chọn mô hình trong ngăn điều hướng, sau đó chọn mô hình churn bạn đã tạo như một phần của điều kiện tiên quyết.

8. trên Dự đoán tab, chọn Chọn tập dữ liệu.

9. Chọn hình ba gạch churn-no-labels.csv tập dữ liệu, sau đó chọn Tạo dự đoán.

Thời gian suy luận phụ thuộc vào độ phức tạp của mô hình và kích thước tập dữ liệu; trong trường hợp của chúng tôi, nó mất khoảng 10 giây. Khi công việc kết thúc, nó sẽ chuyển trạng thái thành Sẵn sàng và chúng ta có thể tải xuống kết quả.

10. Chọn menu tùy chọn (ba chấm), Tải vềvà Tải xuống tất cả các giá trị.

Theo tùy chọn, chúng tôi có thể xem nhanh kết quả khi chọn Xem trước. Hai cột đầu tiên là các dự đoán từ mô hình.

Chúng tôi đã sử dụng thành công mô hình của mình để dự đoán rủi ro churn cho dân số khách hàng hiện tại của chúng tôi. Bây giờ chúng tôi đã sẵn sàng để trực quan hóa các số liệu kinh doanh dựa trên các dự đoán của chúng tôi.

Nhập dữ liệu vào QuickSight

Như chúng ta đã thảo luận trước đây, các nhà phân tích kinh doanh yêu cầu các dự đoán phải được hiển thị cùng với các chỉ số kinh doanh để đưa ra các quyết định kinh doanh dựa trên dữ liệu. Để làm được điều đó, chúng tôi sử dụng QuickSight, cung cấp thông tin chi tiết dễ hiểu và mang đến cho người ra quyết định cơ hội khám phá và diễn giải thông tin trong môi trường trực quan tương tác. Với QuickSight, chúng ta có thể xây dựng các hình ảnh trực quan như đồ thị và biểu đồ chỉ trong vài giây với giao diện kéo và thả đơn giản. Trong bài đăng này, chúng tôi xây dựng một số hình ảnh hóa để hiểu rõ hơn về rủi ro kinh doanh và cách chúng tôi có thể quản lý chúng, chẳng hạn như nơi chúng tôi nên khởi chạy các chiến dịch tiếp thị mới.

Để bắt đầu, hãy hoàn thành các bước sau:

1. Trên bảng điều khiển QuickSight, chọn Bộ dữ liệu trong khung điều hướng.
2. Chọn Tập dữ liệu mới.

QuickSight hỗ trợ nhiều nguồn dữ liệu. Trong bài đăng này, chúng tôi sử dụng tệp cục bộ, tệp mà chúng tôi đã tạo trước đó trong Canvas, làm dữ liệu nguồn của chúng tôi.

3. Chọn Tải lên một tài liệu.

4. Chọn tệp được tải xuống gần đây với các dự đoán.

QuickSight tải lên và phân tích tệp.

5. Kiểm tra để đảm bảo mọi thứ đều như mong đợi trong bản xem trước, sau đó chọn Sau.

6. Chọn Hình dung.

Dữ liệu hiện đã được nhập thành công và chúng tôi đã sẵn sàng phân tích.

Tạo một trang tổng quan với các chỉ số kinh doanh của các dự đoán về thời gian

Đã đến lúc phân tích dữ liệu của chúng tôi và tạo một trang tổng quan rõ ràng và dễ sử dụng, gói gọn tất cả thông tin cần thiết cho các quyết định kinh doanh theo hướng dữ liệu. Loại bảng điều khiển này là một công cụ quan trọng trong kho vũ khí của các nhà phân tích kinh doanh.

Sau đây là một trang tổng quan mẫu có thể giúp xác định và hành động đối với nguy cơ khách hàng bỏ cuộc.

Trên trang tổng quan này, chúng tôi hình dung một số chỉ số kinh doanh quan trọng:

• Khách hàng có khả năng bỏ cuộc - Biểu đồ bánh rán bên trái thể hiện số lượng và phần trăm người dùng trên 50% có nguy cơ bị loạn. Biểu đồ này giúp chúng tôi nhanh chóng hiểu được quy mô của một vấn đề tiềm ẩn.
• Khả năng mất doanh thu - Biểu đồ bánh rán ở giữa trên cùng thể hiện số lượng thất thoát doanh thu từ người dùng trên 50% nguy cơ bị gián đoạn. Biểu đồ này giúp chúng tôi nhanh chóng hiểu được quy mô của khả năng mất doanh thu do churn. Biểu đồ cũng cho thấy rằng chúng tôi có thể mất một số khách hàng trên mức trung bình vì một phần trăm doanh thu tiềm năng bị mất lớn hơn phần trăm người dùng có nguy cơ bị gián đoạn.
• Có khả năng mất doanh thu theo tiểu bang - Biểu đồ thanh ngang trên cùng bên phải thể hiện quy mô doanh thu bị mất so với doanh thu từ khách hàng không có nguy cơ tăng. Hình ảnh này có thể giúp chúng tôi hiểu trạng thái nào là quan trọng nhất đối với chúng tôi từ góc độ chiến dịch tiếp thị.
• Thông tin chi tiết về khách hàng có nguy cơ xáo trộn - Bảng dưới cùng bên trái chứa thông tin chi tiết về tất cả khách hàng của chúng tôi. Bảng này có thể hữu ích nếu chúng ta muốn xem nhanh thông tin chi tiết của một số khách hàng có và không có rủi ro từ bỏ.

Khách hàng có khả năng bỏ cuộc

Chúng tôi bắt đầu bằng cách xây dựng một biểu đồ với những khách hàng có nguy cơ xáo trộn.

1. Theo Danh sách trường, chọn Khuấy đảo? thuộc tính.

QuickSight tự động xây dựng hình ảnh trực quan.

Mặc dù biểu đồ thanh là hình ảnh trực quan phổ biến để hiểu phân phối dữ liệu, chúng tôi thích sử dụng biểu đồ hình bánh rán. Chúng ta có thể thay đổi hình ảnh này bằng cách thay đổi các thuộc tính của nó.

2. Chọn biểu tượng biểu đồ bánh rán bên dưới Các loại hình ảnh.
3. Chọn tên hiện tại (nhấp đúp) và thay đổi nó thành Khách hàng có khả năng bỏ cuộc.

4. Để tùy chỉnh các hiệu ứng hình ảnh khác (xóa chú giải, thêm giá trị, thay đổi kích thước phông chữ), hãy chọn biểu tượng bút chì và thực hiện các thay đổi của bạn.

Như được hiển thị trong ảnh chụp màn hình sau, chúng tôi đã tăng diện tích của chiếc bánh rán, cũng như thêm một số thông tin bổ sung trong nhãn.

Khả năng mất doanh thu

Một số liệu quan trọng khác cần xem xét khi tính toán tác động kinh doanh của việc khách hàng rời đi là khả năng mất doanh thu. Đây là một số liệu quan trọng vì nó giúp chúng tôi hiểu tác động kinh doanh từ những khách hàng không có nguy cơ bị xáo trộn. Ví dụ, trong ngành viễn thông, chúng tôi có thể có nhiều khách hàng không hoạt động, những người có nguy cơ ngừng hoạt động cao và doanh thu bằng không. Biểu đồ này có thể giúp chúng tôi hiểu liệu chúng tôi có đang ở trong tình huống như vậy hay không. Để thêm số liệu này vào trang tổng quan của chúng tôi, chúng tôi tạo một trường được tính toán tùy chỉnh bằng cách cung cấp công thức toán học để tính toán khoản lỗ doanh thu có thể xảy ra, sau đó trực quan hóa nó dưới dạng một biểu đồ bánh rán khác.

1. trên Thêm menu, chọn Thêm trường được tính toán.

2. Đặt tên trường Tổng chi phí.
3. Nhập công thức {Phí ban ngày} + {Phí ban đêm} + {Phí quốc tế} + {Phí ban đêm}.
4. Chọn Lưu.

5. trên Thêm menu, chọn Thêm hình ảnh.

6. Theo Các loại hình ảnh, chọn biểu tượng biểu đồ bánh rán.
7. Theo Danh sách trường, kéo Khuấy đảo? đến Nhóm / Màu.
8. Kéo Tổng chi phí đến Giá trị.
9. trên Giá trị menu, chọn Hiển thị như Và chọn Tiền tệ.
10. Chọn biểu tượng bút chì để tùy chỉnh các hiệu ứng hình ảnh khác (xóa chú thích, thêm giá trị, thay đổi kích thước phông chữ).

Tại thời điểm này, bảng điều khiển của chúng tôi có hai hình ảnh trực quan.

Chúng tôi đã có thể quan sát thấy rằng tổng cộng chúng tôi có thể mất 18% (270) khách hàng, tương đương với 24% (6,280 đô la) doanh thu. Hãy cùng khám phá thêm bằng cách phân tích khả năng mất doanh thu ở cấp tiểu bang.

Có khả năng mất doanh thu theo tiểu bang

Để hình dung khả năng mất doanh thu theo tiểu bang, hãy thêm biểu đồ thanh ngang.

1. trên Thêm menu, chọn Thêm hình ảnh.

2. Theo Các loại hình ảnh¸ chọn biểu tượng biểu đồ thanh ngang.
3. Theo Danh sách trườnglôi kéo Khuấy đảo? đến Nhóm / Màu.
4. Kéo Tổng chi phí đến Giá trị.
5. trên Giá trị menu, chọn Hiển thị như và Tiền tệ.
6. Kéo Traineeship đến Trục Y.
7. Chọn biểu tượng bút chì để tùy chỉnh các hiệu ứng hình ảnh khác (xóa chú thích, thêm giá trị, thay đổi kích thước phông chữ).

8. Chúng tôi cũng có thể sắp xếp hình ảnh mới của mình bằng cách chọn Tổng chi phí ở dưới cùng và chọn Giảm dần.

Hình ảnh này có thể giúp chúng tôi hiểu trạng thái nào là quan trọng nhất từ ​​góc độ chiến dịch tiếp thị. Ví dụ: ở Hawaii, chúng tôi có thể mất một nửa doanh thu (253,000 đô la) trong khi ở Washington, giá trị này thấp hơn 10% (52,000 đô la). Chúng tôi cũng có thể thấy rằng ở Arizona, chúng tôi có nguy cơ mất hầu hết mọi khách hàng.

Thông tin chi tiết về khách hàng có nguy cơ xáo trộn

Hãy xây dựng một bảng với thông tin chi tiết về những khách hàng có nguy cơ xáo trộn.

1. trên Thêm menu, chọn Thêm hình ảnh.

2. Theo Các loại hình ảnh, chọn biểu tượng bảng.
3. Theo Danh sách trường, kéo Điện thoại, Tiểu bang, Gói quốc tế, Kế hoạch Vmail, Khuấy đảo?và Độ dài tài khoản đến Nhóm theo.
4. Kéo xác suất đến Giá trị.
5. trên Giá trị menu, chọn Hiển thị như và Tỷ lệ phần trăm.

Tùy chỉnh trang tổng quan của bạn

QuickSight cung cấp một số tùy chọn để tùy chỉnh trang tổng quan của bạn, chẳng hạn như sau.

1. Để thêm tên, trên Thêm menu, chọn Thêm tiêu đề.

2. Nhập tiêu đề (đối với bài đăng này, chúng tôi đổi tên trang tổng quan của mình Phân tích Churn).

3. Để thay đổi kích thước hình ảnh của bạn, hãy chọn góc dưới cùng bên phải của biểu đồ và kéo đến kích thước mong muốn.
4. Để di chuyển một hình ảnh, hãy chọn tâm trên cùng của biểu đồ và kéo nó đến một vị trí mới.
5. Để thay đổi chủ đề, hãy chọn chủ đề trong khung điều hướng.
6. Chọn chủ đề mới của bạn (ví dụ: Nữa đêm), và lựa chọn Đăng Nhập.

Xuất bản trang tổng quan của bạn

Trang tổng quan là ảnh chụp nhanh phân tích chỉ đọc mà bạn có thể chia sẻ với những người dùng QuickSight khác cho mục đích báo cáo. Trang tổng quan của bạn duy trì cấu hình của bản phân tích tại thời điểm bạn xuất bản nó, bao gồm những thứ như lọc, tham số, điều khiển và thứ tự sắp xếp. Dữ liệu được sử dụng để phân tích không được ghi lại như một phần của trang tổng quan. Khi bạn xem trang tổng quan, nó phản ánh dữ liệu hiện tại trong tập dữ liệu được sử dụng bởi phân tích.

Để xuất bản trang tổng quan của bạn, hãy hoàn thành các bước sau:

1. trên Chia sẻ menu, chọn Xuất bản trang tổng quan.

2. Nhập tên cho trang tổng quan của bạn.
3. Chọn Xuất bản trang tổng quan.

Xin chúc mừng, bạn đã tạo thành công trang tổng quan phân tích churn.

Cập nhật trang tổng quan của bạn với một dự đoán mới

Khi mô hình phát triển và chúng tôi tạo dữ liệu mới từ doanh nghiệp, chúng tôi có thể cần cập nhật trang tổng quan này với thông tin mới. Hoàn thành các bước sau:

1. Tạo một tệp mới churn-no-labels-updated.csv bằng cách chọn ngẫu nhiên 1,500 dòng khác từ tập dữ liệu ban đầu khuấy.csv và loại bỏ Churn? cột.

Chúng tôi sử dụng tập dữ liệu mới này để tạo các dự đoán mới.

2. Lặp lại các bước từ Sử dụng mô hình churn của khách hàng của bài đăng này để nhận dự đoán cho tập dữ liệu mới và tải xuống tệp mới.
3. Trên bảng điều khiển QuickSight, chọn Bộ dữ liệu trong khung điều hướng.
4. Chọn tập dữ liệu chúng tôi đã tạo.

5. Chọn Chỉnh sửa tập dữ liệu.

6. Trên menu thả xuống, hãy chọn Cập nhật tệp.

7. Chọn Tải lên tập tin.

8. Chọn tệp được tải xuống gần đây với các dự đoán.
9. Xem lại bản xem trước, sau đó chọn Xác nhận cập nhật tệp.

Sau khi thông báo “Đã cập nhật tệp thành công” xuất hiện, chúng ta có thể thấy rằng tên tệp cũng đã thay đổi.

10. Chọn Lưu và xuất bản.

11. Khi thông báo “Đã lưu và xuất bản thành công” xuất hiện, bạn có thể quay lại menu chính bằng cách chọn biểu trưng QuickSight ở góc trên bên trái.

12. Chọn Biểu đồ trong ngăn điều hướng và chọn trang tổng quan mà chúng tôi đã tạo trước đó.

Bạn sẽ thấy trang tổng quan của mình với các giá trị được cập nhật.

Chúng tôi vừa cập nhật bảng điều khiển QuickSight của mình với các dự đoán gần đây nhất từ ​​Canvas.

Làm sạch

Để tránh các khoản phí trong tương lai, đăng xuất khỏi Canvas.

Kết luận

Trong bài đăng này, chúng tôi đã sử dụng mô hình ML từ Canvas để dự đoán khách hàng có nguy cơ bỏ cuộc và xây dựng trang tổng quan với các hình ảnh trực quan sâu sắc để giúp chúng tôi đưa ra quyết định kinh doanh dựa trên dữ liệu. Chúng tôi đã làm như vậy mà không cần viết một dòng mã nào nhờ vào giao diện thân thiện với người dùng và hình ảnh trực quan rõ ràng. Điều này cho phép các nhà phân tích kinh doanh nhanh nhẹn trong việc xây dựng các mô hình ML và thực hiện các phân tích và trích xuất thông tin chi tiết trong sự tự chủ hoàn toàn từ các nhóm khoa học dữ liệu.

Để tìm hiểu thêm về cách sử dụng Canvas, hãy xem Xây dựng, Chia sẻ, Triển khai: cách các nhà phân tích kinh doanh và nhà khoa học dữ liệu đạt được thời gian ra thị trường nhanh hơn bằng cách sử dụng ML không mã và Amazon SageMaker Canvas. Để biết thêm thông tin về cách tạo mô hình ML với giải pháp không mã, hãy xem Công bố Amazon SageMaker Canvas - Khả năng học máy trực quan, không cần mã cho các nhà phân tích kinh doanh. Để tìm hiểu thêm về các tính năng QuickSight mới nhất và các phương pháp hay nhất, hãy xem Blog dữ liệu lớn của AWS.

---

Lưu ý

Aleksandr Patrushev là Kiến trúc sư Giải pháp Chuyên gia về AI / ML tại AWS, có trụ sở tại Luxembourg. Anh ấy đam mê về đám mây và máy học cũng như cách họ có thể thay đổi thế giới. Ngoài công việc, anh ấy thích đi bộ đường dài, chơi thể thao và dành thời gian cho gia đình.

Davide Gallitelli là Kiến trúc sư Giải pháp Chuyên gia về AI / ML trong khu vực EMEA. Anh ấy có trụ sở tại Brussels và làm việc chặt chẽ với khách hàng trên khắp Benelux. Anh ấy đã là một nhà phát triển từ khi còn rất trẻ, bắt đầu viết mã ở tuổi 7. Anh ấy bắt đầu học AI / ML ở trường đại học, và yêu nó kể từ đó.