使用自動化機器學習(AutoML): 更準更快的數據分析 + 節省成本至傳統1/3

2019/05/16閱讀時間約 2 分鐘
以電信公司離網分析 (churn rate)預測為例

既有手動資料分析的挑戰:

  1. 電信公司與上千萬個客戶簽約,因此顧客資料量龐大,難以分析
  2. 需有專業人員進行複雜的數據建模,導致人力、時間、工具成本昂貴,無法彈性擴展應用
  3. 新進人員需要時間訓練,無法快速上手

分析目的:

使用過去顧客相關資料,產出適合精準行銷的顧客名單,進而提高顧客續約率(customer retention rate)

資料來源:

  1. 客戶申辦資料
  2. 網路使用量
  3. 客服紀錄
  4. 300+ 其他資料特徵

傳統顧客流失分析流程:

(來源: Treselle)
右上圖可以看到:步驟3跟4通常需要手動不停地重複嘗試不同的模型(model)與模型參數 (model parameters)才能選到準確度(accuracy)高的模型。然而,在這個階段其實無法為企業帶來實用價值,造成整個過程耗時且步驟多。

使用Decanter只需3步驟即可自動產出最佳模型:

  1. 首先⽤ Decanter 來合併資料。包含客⼾申辦資料、網路使⽤量、與客服紀錄
  2. 再來⽤ Decanter 做特徵處理:產⽣各種特徵組合,以增加資料豐富及完整度
  3. 最後⽤ Decanter ⾃動跑出⾏銷名單預測模型。當有⼀個新的⾏銷⽅案時,使⽤此模
    型,便可以運⽤此模型跑出最適合推⾏此⾏銷⽅案的客⼾名單

Decanter AI準確度較傳統分析高:

Decanter vs 手動分析:
正確率 | 61.38% vs. 60.59%
召回率 | 61.25% vs. 60.42%
時間耗費 | 1天 vs. 14天

簡單的資料分析架構:

採用全自動化機器學習(AutoML)的成果:
  1. 減少分析時間與成本至原本的⅓
  2. 相較於手動資料分析軟體 (如IBM SPSS, R, Python) ,分析者不需要寫任何程式碼,因此能花更多時間在使用分析結果並做精準行銷

你最信賴的自動化機器學習解決方案好夥伴⚡️ https://mobagel.com/tw
推薦閱讀
行動貝果 MoBagel Inc.
行動貝果 MoBagel Inc.
MoBagel是一群由頂尖資料科學家、工程師、產品專案管理師組成的專業團隊,我們的團員來自各地名校,史丹佛、柏克萊、牛津、台灣大學等,我們自詡肩負著將資料科學普及化的使命,想將看似遙不可及的機器學習及資料科學技術帶入企業日常工作的範疇。官方網站👉🏼https://mobagel.com/tw/
留言0
查看全部
發表第一個留言支持創作者!