知識分享

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

By 2018年12月13日 十二月 14th, 2018 No Comments

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:

  1. 正確率 61.38% vs. 60.59%
  2. 召回率 61.25% vs. 60.42%
  3. 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

您也有大量的資料在手上等著找出其中洞見嗎?

請來聯絡我 – Austin Hwang (austin.hwang@mobagel.com)

Leave a Reply

這個網站採用 Akismet 服務減少垃圾留言。進一步瞭解 Akismet 如何處理網站訪客的留言資料