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

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:

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

• 聰明商務法則：錢在哪裡，AI就該應用在哪裡
• 善用數據、提升業績：如何善用數據提升業績？比Excel更高效準確的自動化機器學習
• 降低員工離職成本：員工離職AI分析流程五步驟大公開
• AI 自動化招募：利用AI預測來自動化招募員工流程，以減少每年上億員工離職損失
• 企業轉型 – AI 賦能企業：如何快速轉型成為 AI 賦能企業？關鍵在於自動化機器學習