Amazon SageMaker Canvas と Amazon QuickSight でインテリジェントな意思決定を可能にします

どの企業も、その規模に関係なく、顧客に最高の製品とサービスを提供したいと考えています。 これを達成するために、企業は業界の傾向と顧客の行動を理解し、内部プロセスとデータ分析を日常的に最適化する必要があります。 これは、企業の成功の重要な要素です。

アナリストの役割の非常に重要な部分には、データ駆動型のビジネス上の意思決定を行うためのビジネス メトリックの視覚化 (売上高など) と将来のイベント (需要の増加など) の予測が含まれます。 この最初の課題に取り組むには、次を使用できます アマゾンクイックサイトは、理解しやすい洞察を提供し、意思決定者がインタラクティブなビジュアル環境で情報を探索して解釈する機会を提供する、クラウド規模のビジネス インテリジェンス (BI) サービスです。 XNUMX番目のタスクでは、使用できます Amazon SageMaker キャンバスは、機械学習 (ML) へのアクセスを拡張するクラウド サービスであり、ビジネス アナリストに、正確な ML 予測を自分で生成できる視覚的なポイント アンド クリック インターフェイスを提供します。

ビジネス アナリストは、これらの指標を見て、顧客の行動パターンを特定し、企業が顧客を失うリスクがあるかどうかを判断します。 この問題は 顧客解約、および ML モデルには、そのような顧客を高い精度で予測した実績があります (例については、 Elula の AI ソリューションは、銀行が顧客維持率を向上させるのに役立ちます).

ML モデルの構築は、データの準備と ML モデルのトレーニングを管理する専門家チームを必要とするため、難しいプロセスになる可能性があります。 ただし、Canvas を使用すると、特別な知識がなくても、コードを XNUMX 行も書かずにそれを行うことができます。 詳細については、こちらをご覧ください Amazon SageMaker Canvasを使用して、コードなしの機械学習で顧客離れを予測する.

この投稿では、Canvas から生成された予測を QuickSight ダッシュボードで視覚化し、ML によるインテリジェントな意思決定を可能にする方法を紹介します。

ソリューションの概要

ポストで Amazon SageMaker Canvasを使用して、コードなしの機械学習で顧客離れを予測する、携帯電話事業者のマーケティング部門でビジネスアナリストの役割を引き受け、チャーンの潜在的なリスクを持つ顧客を特定するための ML モデルの作成に成功しました。 モデルによって生成された予測のおかげで、潜在的な財務結果を分析して、これらのクライアントと地域の潜在的なプロモーションについてデータ主導のビジネス上の意思決定を行いたいと考えています。

これを実現するのに役立つアーキテクチャを次の図に示します。

ワークフローの手順は次のとおりです。

1. 現在の顧客集団を含む新しいデータセットを Canvas にアップロードします。
2. バッチ予測を実行し、結果をダウンロードします。
3. ファイルを QuickSight にアップロードして、視覚化を作成または更新します。

これらの手順は、コードを XNUMX 行も書かずに Canvas で実行できます。 サポートされているデータ ソースの完全なリストについては、次を参照してください。 AmazonSageMakerCanvasにデータをインポートする.

前提条件

このチュートリアルでは、次の前提条件が満たされていることを確認してください。

顧客離れモデルを使用する

前提条件を完了すると、Canvas の履歴データでモデルをトレーニングし、新しい顧客データで使用して顧客離れを予測する準備が整います。これを QuickSight で使用できます。

1. 新しいファイルを作成する churn-no-labels.csv 元のデータセットからランダムに 1,500 行を選択することによって チャーン.csv を削除します Churn? コラム。

この新しいデータセットを使用して予測を生成します。

Canvas で次の手順を完了します。 キャンバスを開くには、 AWSマネジメントコンソール、またはクラウド管理者が提供する SSO アプリケーションを介して。 Canvas へのアクセス方法がわからない場合は、こちらを参照してください。 AmazonSageMakerCanvasの使用を開始する.

2. Canvas コンソールで、 データセット ナビゲーションペインに表示されます。
3. 選択する インポート.

4. 選択する アップロード を選択して churn-no-labels.csv 作成したファイル。
5. 選択する インポート日.

データのインポート処理時間は、ファイルのサイズによって異なります。 この場合、約 10 秒になるはずです。 完了すると、データセットが含まれていることがわかります Ready 状態。

6. データセットの最初の 100 行をプレビューするには、オプション メニュー (XNUMX つのドット) を選択し、 プレビュー.

7. 選択する Models ナビゲーション ペインで、前提条件の一部として作成したチャーン モデルを選択します。

8. ソフトウェア設定ページで、下図のように 予測する タブを選択 データセットを選択.

9. 現在地に最も近い churn-no-labels.csv データセット、次に選択 予測を生成する.

推論時間は、モデルの複雑さとデータセットのサイズによって異なります。 この場合、約 10 秒かかります。 ジョブが完了すると、ステータスが Ready に変わり、結果をダウンロードできます。

10. オプション メニュー (XNUMX つのドット) を選択し、 ダウンロード, すべての値をダウンロード.

必要に応じて、選択した結果を簡単に確認できます プレビュー. 最初の XNUMX 列は、モデルからの予測です。

モデルを使用して、現在の顧客集団の解約リスクを予測することに成功しました。 これで、予測に基づいてビジネス メトリックを視覚化する準備が整いました。

データを QuickSight にインポートする

前に説明したように、ビジネス アナリストは、データ駆動型のビジネス上の意思決定を行うために、ビジネス メトリックと共に予測を視覚化する必要があります。 そのために、私たちは QuickSight を使用します。これは、理解しやすい洞察を提供し、意思決定者がインタラクティブな視覚環境で情報を探索および解釈する機会を提供します。 QuickSight を使用すると、シンプルなドラッグ アンド ドロップ インターフェイスを使用して、グラフやチャートなどの視覚化を数秒で作成できます。 この投稿では、新しいマーケティング キャンペーンを開始する場所など、ビジネス リスクとその管理方法をよりよく理解するために、いくつかの視覚化を作成します。

開始するには、次の手順を実行します。

1. QuickSightコンソールで、 データセット ナビゲーションペインに表示されます。
2. 選択する 新しいデータセット.

QuickSight は多くのデータ ソースをサポートしています。 この投稿では、以前に Canvas で生成したローカル ファイルをソース データとして使用します。

3. 選択する Upload a file.

4. 最近ダウンロードした予測付きのファイルを選択します。

QuickSight がファイルをアップロードして分析します。

5. プレビューですべてが期待どおりであることを確認してから、 Next.

6. 選択する 視覚化する.

データが正常にインポートされ、分析する準備が整いました。

チャーン予測のビジネス メトリクスを含むダッシュボードを作成する

データを分析し、データ駆動型のビジネス上の意思決定に必要なすべての情報をまとめた、明確で使いやすいダッシュボードを作成するときが来ました。 このタイプのダッシュボードは、ビジネス アナリストにとって重要なツールです。

以下は、顧客離れのリスクを特定して対処するのに役立つダッシュボードの例です。

このダッシュボードでは、いくつかの重要なビジネス指標を視覚化しています。

• 離反する可能性のある顧客 – 左のドーナツ グラフは、離脱のリスクが 50% を超えるユーザーの数と割合を表しています。 このグラフは、潜在的な問題の規模をすばやく理解するのに役立ちます。
• 潜在的な収益損失 – 上の真ん中のドーナツ グラフは、50% を超える解約リスクのユーザーからの収益の損失額を表しています。 このグラフは、解約による潜在的な収益損失の規模をすばやく理解するのに役立ちます。 このグラフはまた、解約のリスクがあるユーザーの割合よりも大きい潜在的な収益の割合が失われるため、平均以上の顧客を数人失う可能性があることも示しています。
• 州ごとの収益損失の可能性 – 右上の横棒グラフは、解約のリスクがない顧客からの収益と、失われた収益の規模を表しています。 このビジュアルは、マーケティング キャンペーンの観点から、どの州が最も重要かを理解するのに役立ちます。
• 顧客離れのリスクがある顧客に関する詳細 – 左下の表には、すべての顧客に関する詳細が含まれています。 この表は、解約リスクがある場合とない場合の複数の顧客の詳細をすばやく確認したい場合に役立ちます。

離反する可能性のある顧客

まず、解約のリスクがある顧客のチャートを作成します。

1. フィールドリストを選択してください チャーン？ 属性。

QuickSight は自動的にビジュアライゼーションを構築します。

棒グラフはデータ分布を理解するための一般的な視覚化ですが、ドーナツ グラフを使用することをお勧めします。 プロパティを変更することで、このビジュアルを変更できます。

2. 下のドーナツ グラフ アイコンを選択します。 ビジュアルタイプ.
3. 現在の名前を選択 (ダブルクリック) して、 離反する可能性のある顧客.

4. 他の視覚効果をカスタマイズするには (凡例の削除、値の追加、フォント サイズの変更)、鉛筆アイコンを選択して変更を加えます。

次のスクリーンショットに示すように、ドーナツの領域を増やし、ラベルに追加情報を追加しました。

潜在的な収益損失

顧客離れのビジネスへの影響を計算する際に考慮すべきもう XNUMX つの重要な指標は、潜在的な収益損失です。 これは、解約のリスクがない顧客によるビジネスへの影響を理解するのに役立つため、重要な指標です。 たとえば、通信業界では、離反のリスクが高く、収益がゼロである非アクティブなクライアントが多数存在する可能性があります。 このチャートは、私たちがそのような状況にあるかどうかを理解するのに役立ちます. このメトリックをダッシュ​​ボードに追加するには、潜在的な収益損失を計算するための数式を提供してカスタム計算フィールドを作成し、それを別のドーナツ グラフとして視覚化します。

1. ソフトウェア設定ページで、下図のように Add メニュー、選択 計算フィールドを追加.

2. フィールドに合計料金という名前を付けます。
3. 式 {Day Charge} + {Eve Charge} + {Intl Charge} + {Night Charge} を入力します。
4. 選択する Save.

5. ソフトウェア設定ページで、下図のように Add メニュー、選択 ビジュアルを追加.

6. ビジュアルタイプで、ドーナツ チャート アイコンを選択します。
7. フィールドリスト、ドラッグ チャーン？ 〜へ グループ/色.
8. ドラッグ 総料金 〜へ 値.
9. ソフトウェア設定ページで、下図のように 値 メニュー、選択 として表示 選択して 通貨.
10. 鉛筆アイコンを選択して、他の視覚効果をカスタマイズします (凡例の削除、値の追加、フォント サイズの変更)。

この時点で、ダッシュボードには XNUMX つのビジュアライゼーションがあります。

合計で 18% (270) の顧客を失う可能性があることはすでに確認できます。これは、収益の 24% ($6,280) に相当します。 州レベルで潜在的な収益損失を分析して、さらに詳しく調べてみましょう。

州ごとの収益損失の可能性

州ごとの収益損失の可能性を視覚化するために、横棒グラフを追加してみましょう。

1. ソフトウェア設定ページで、下図のように Add メニュー、選択 ビジュアルを追加.

2. ビジュアルタイプ¸ 横棒グラフ アイコンを選択します。
3. フィールドリスト引っ張る チャーン？ 〜へ グループ/色.
4. ドラッグ 総料金 〜へ 値.
5. ソフトウェア設定ページで、下図のように 値 メニュー、選択 として表示 および 通貨.
6. ドラッグ ステージ 〜へ Y軸.
7. 鉛筆アイコンを選択して、他の視覚効果をカスタマイズします (凡例の削除、値の追加、フォント サイズの変更)。

8. 選択して、新しいビジュアルを並べ替えることもできます 総料金 下部にあり、 下行.

このビジュアルは、マーケティング キャンペーンの観点から、どの状態が最も重要かを理解するのに役立ちます。 たとえば、ハワイでは、収益の半分 ($253,000) を失う可能性がありますが、ワシントンでは、この値は 10% ($52,000) 未満です。 アリゾナでは、ほぼすべての顧客を失うリスクがあることもわかります。

顧客離れのリスクがある顧客に関する詳細

解約のリスクがある顧客に関する詳細を含む表を作成してみましょう。

1. ソフトウェア設定ページで、下図のように Add メニュー、選択 ビジュアルを追加.

2. ビジュアルタイプ、テーブルアイコンを選択します。
3. フィールドリスト、ドラッグ 電話, 都道府県, 国際計画, Vメールプラン, チャーン？, アカウントの長さ 〜へ グループ化する.
4. ドラッグ 確率 〜へ 値.
5. ソフトウェア設定ページで、下図のように 値 メニュー、選択 として表示 および パーセント.

ダッシュボードをカスタマイズする

QuickSight には、次のようなダッシュボードをカスタマイズするためのいくつかのオプションが用意されています。

1. 名前を追加するには、 Add メニュー、選択 表題を加える.

2. タイトルを入力します (この投稿では、ダッシュボードの名前を変更します チャーン分析).

3. ビジュアルのサイズを変更するには、グラフの右下隅を選択し、目的のサイズまでドラッグします。
4. ビジュアルを移動するには、グラフの上部中央を選択し、新しい場所にドラッグします。
5. テーマを変更するには、 テーマ ナビゲーションペインに表示されます。
6. 新しいテーマを選択します (たとえば、 ミッドナイト）、およびを選択します 申し込む.

ダッシュボードを公開する

ダッシュボードは、レポート目的で他の QuickSight ユーザーと共有できる分析の読み取り専用スナップショットです。 ダッシュボードでは、フィルタリング、パラメーター、コントロール、並べ替え順序など、公開時の分析の構成が保持されます。 分析に使用されるデータは、ダッシュボードの一部としてキャプチャされません。 ダッシュボードを表示すると、分析で使用されるデータセットの現在のデータが反映されます。

ダッシュボードを公開するには、次の手順を実行します。

1. ソフトウェア設定ページで、下図のように シェアする メニュー、選択 ダッシュボードを公開する.

2. ダッシュボードの名前を入力します。
3. 選択する ダッシュボードを公開する.

おめでとうございます。チャーン分析ダッシュボードが正常に作成されました。

新しい予測でダッシュボードを更新する

モデルが進化し、ビジネスから新しいデータが生成されると、このダッシュボードを新しい情報で更新する必要がある場合があります。 次の手順を完了します。

1. 新しいファイルを作成する churn-no-labels-updated.csv 元のデータセットから別の 1,500 行をランダムに選択することによって チャーン.csv を削除します Churn? コラム。

この新しいデータセットを使用して、新しい予測を生成します。

2. からの手順を繰り返します。 顧客離れモデルを使用する この投稿のセクションを参照して、新しいデータセットの予測を取得し、新しいファイルをダウンロードしてください。
3. QuickSightコンソールで、 データセット ナビゲーションペインに表示されます。
4. 作成したデータセットを選択します。

5. 選択する データセットを編集.

6. ドロップダウンメニューで、 ファイルの更新.

7. 選択する ファイルをアップロード.

8. 予測を含む最近ダウンロードしたファイルを選択します。
9. プレビューを確認してから選択します ファイルの更新を確認する.

「ファイルが正常に更新されました」というメッセージが表示された後、ファイル名も変更されていることがわかります。

10. 選択する 保存して公開.

11. 「保存して公開しました」というメッセージが表示されたら、左上隅にある QuickSight ロゴを選択してメイン メニューに戻ることができます。

12. 選択する ダッシュボード をクリックし、前に作成したダッシュボードを選択します。

ダッシュボードに更新された値が表示されます。

Canvas からの最新の予測で QuickSight ダッシュボードを更新しました。

クリーンアップ

今後の請求を避けるために、 Canvas からログアウトする.

まとめ

この投稿では、Canvas の ML モデルを使用して、チャーンのリスクがある顧客を予測し、洞察に満ちた視覚化機能を備えたダッシュボードを構築して、データ主導のビジネス上の意思決定を行えるようにしました。 ユーザーフレンドリーなインターフェイスと明確な視覚化のおかげで、コードを XNUMX 行も書かずにそれを実現できました。 これにより、ビジネス アナリストは ML モデルの構築において機敏になり、分析を実行して、データ サイエンス チームから完全に自律的に洞察を引き出すことができます。

Canvasの使用の詳細については、を参照してください。 構築、共有、デプロイ：ビジネスアナリストとデータサイエンティストがノーコードMLとAmazonSageMakerCanvasを使用して市場投入までの時間を短縮する方法。 コードなしのソリューションを使用したMLモデルの作成の詳細については、を参照してください。 Amazon SageMaker Canvasの発表–ビジネスアナリスト向けの視覚的でノーコードの機械学習機能. 最新の QuickSight 機能とベスト プラクティスの詳細については、次を参照してください。 AWS ビッグデータ ブログ.

---

著者について

アレクサンドル・パトルシェフ ルクセンブルクを拠点とする AWS の AI/ML スペシャリスト ソリューション アーキテクトです。 彼はクラウドと機械学習、そしてそれらが世界を変える方法に情熱を注いでいます。 仕事以外では、ハイキング、スポーツ、家族との時間を楽しんでいます。

ダビデガリテッリ は、EMEA地域のAI/MLのスペシャリストソリューションアーキテクトです。 彼はブリュッセルを拠点とし、ベネルクス全体の顧客と緊密に協力しています。 彼は幼い頃から開発者であり、7歳でコーディングを始めました。大学でAI / MLを学び始め、それ以来、AI/MLに夢中になっています。