編輯導(dǎo)語：日益復(fù)雜的業(yè)務(wù)需求和數(shù)據(jù)分析需求，催化了更智能、更多元化的分析工具的出現(xiàn)。而亞馬遜云科技推出的Amazon SageMaker Canvas，就是這類智能分析工具之一。本篇文章里，作者結(jié)合物流領(lǐng)域的業(yè)務(wù)，對這款工具進行了體驗測評，一起來看看吧。

隨著數(shù)字化進程和人工智能的加速普及，企業(yè)人工智能（AI）和機器學(xué)習(xí)（ML）開發(fā)人員嚴重短缺，面對日益興起的數(shù)據(jù)分析需求，亞馬遜云科技推出了讓人興奮的機器學(xué)習(xí)新功能——Amazon SageMaker Canvas。

Amazon SageMaker Canvas進一步降低了機器學(xué)習(xí)使用門檻，運營分析師們掌握無需編碼，即可使用點擊式界面進行更準確的機器學(xué)習(xí)預(yù)測。這允許了任何有興趣學(xué)習(xí)更多關(guān)于ML的人，可以免費嘗試使用這項技術(shù)。

話不多說，下面我以物流垂直細分領(lǐng)域的常見數(shù)據(jù)，來體驗下SageMaker Canvas的魅力！

一、分析場景和數(shù)據(jù)準備

1. 分析場景

分析每次的揀配數(shù)量與耗時和質(zhì)量的相關(guān)性，本次從各環(huán)節(jié)規(guī)定時間內(nèi)運送的箱數(shù)、各環(huán)節(jié)耗時、各環(huán)節(jié)箱質(zhì)量狀態(tài)這幾個因子中找出關(guān)聯(lián)。

2. 業(yè)務(wù)場景

模擬物流作業(yè)人員在規(guī)定時間內(nèi)揀配不同數(shù)量的箱子，最終的完成率和質(zhì)量是不一樣的，分析找出單次作業(yè)最佳的揀配箱數(shù)。給業(yè)務(wù)運營同學(xué)在制定運送任務(wù)策略時，有數(shù)據(jù)可參考，做出更合理高效的作業(yè)策略。

分析的結(jié)論是否正確不重要，重要的是模擬出關(guān)聯(lián)+探索不同角度的分析方法+不同工具的使用。

3. 數(shù)據(jù)來源

脫敏和虛擬的倉庫內(nèi)部物流數(shù)據(jù)。

4. 數(shù)據(jù)集定義

某廠倉庫內(nèi)的物流作業(yè)過程，有一段是“下發(fā)要貨任務(wù)——分揀物品——發(fā)運物品——配送物品”，每個過程按要貨箱數(shù)進行運送，每個運送環(huán)節(jié)按一定的時間截取當前的完成率，每次運送的用時情況、每個環(huán)節(jié)物品的質(zhì)量情況，分別記錄為以下內(nèi)容：

二、測評體驗步驟和數(shù)據(jù)分析結(jié)構(gòu)

1. 登陸賬號

注冊和登錄賬號，在控制臺搜索SageMaker，點擊進入SageMaker控制臺。

2. 導(dǎo)入和管理數(shù)據(jù)

在S3里新建儲存桶，導(dǎo)入數(shù)據(jù)。導(dǎo)入格式注意是.csv，文檔內(nèi)不能有中文，剛開始體驗時沒注意格式規(guī)范，導(dǎo)入失敗了幾次。整體體驗還是比較流暢的，第一次登陸和設(shè)置時需要多讀指引文檔和留意頁面提示。

3. 啟動應(yīng)用程序

在SageMaker Domain里，找到Canvas（中文版為：畫布） ，點擊啟動【畫布】。

4. 部署

大概1分鐘，后端應(yīng)用部署完成。

5. 新建模型

在SageMaker Canvas里，點擊【+New Model】。

6. 導(dǎo)入數(shù)據(jù)

導(dǎo)入剛才在?S3里的數(shù)據(jù)。

7. 選擇目標列

本次分析我選了【demand case】為目標列，SageMaker Canvas會自動用適合的模型進行分析。

為什么選【demand case】為目標列呢，因為【demand case】是要貨箱數(shù)，所有的物流作業(yè)，都基于【demand case】才有后續(xù)的過程、耗時、質(zhì)量的分析。再例如，如果你的分析是廣告投放、市場推廣類的，目標列的可以是營銷漏斗的第一層。

8. 選擇有效字段進行分析

字段【NO.】是序號，與數(shù)據(jù)不相關(guān)，不勾選該字段，不然會影響預(yù)測；其他字段相關(guān)性較高，進行保留。

切換圖標和列表樣式，都可以進行有效字段的篩選。

9. 構(gòu)建模型

我們來個簡單的，點擊【Preview model】，可查看模型的預(yù)測準確率。我這個模型準確率算蠻高的，達到了96.154%。

然后點擊相應(yīng)的列，可以查看每列數(shù)對預(yù)測結(jié)果的影響。

點擊【Quick build】可以進行簡易分析，還有標準模式，那個等待用時久一些。

下圖展示了構(gòu)建模型的過程。

10. 模型評估

在使用模型對新數(shù)據(jù)進行預(yù)測前，還可以評估模型的執(zhí)行情況、每列數(shù)據(jù)對預(yù)測結(jié)果產(chǎn)生的影響情況。下圖展示了評估頁面、評估得分以及不同列的影響情況。

還可以通過更改輸入值，來查看預(yù)測值的變化情況。

點擊【Scoring】選項卡，查看模型預(yù)測的相關(guān)可視化結(jié)果和指標。

在箱數(shù)較少時，一次作業(yè)能完成的概率比較大，說明安排此類物流任務(wù)時，一次作業(yè)10箱或更少箱時，作業(yè)人員能比較順手。

此時，運營分析師可以分析原因：可能是不同搬運工具和工具可承載情況的影響；找出可能的策略：增加不同類型的搬運工具、調(diào)整搬運組合可能對效率有正向影響等。

11. 做出預(yù)測

SageMaker Canvas有兩種預(yù)測方案：

1. Batch——針對整個數(shù)據(jù)集進行預(yù)測。
2. Single——針對指定的單一數(shù)值進行預(yù)測。

我們分別來體驗一下：

1）預(yù)測方案A：選擇Batch進行預(yù)測

對于每一組預(yù)測，SageMaker Canvas返回如下內(nèi)容：

• 預(yù)測得到的值；
• 預(yù)測的值為正確結(jié)果的可能性；
• 指定用于生成預(yù)測所用的數(shù)據(jù)集。

下載所有數(shù)據(jù)，可以再次進行二次分析（這也是體驗最棒的模塊）：

例如：可能性超過98%的數(shù)據(jù)占到了總數(shù)據(jù)的86%。該數(shù)據(jù)匹配上作業(yè)ID和員工ID，即可分析出員工在不同時間里，不同作業(yè)數(shù)量情況下的作業(yè)效率、準確率的分布趨勢，可以模擬出員工的作業(yè)穩(wěn)定度。

又例如：可能性低于80%的數(shù)據(jù)里，這些數(shù)據(jù)匹配上作業(yè)工具ID，可以分析出員工在不同作業(yè)要求下，他們的工具的使用習(xí)慣分布的預(yù)測。

然后定位到優(yōu)秀員工的工具使用習(xí)慣里，可以推薦出哪些工具更適合多采購，哪些工具可以加強培訓(xùn)等，哪些員工優(yōu)秀的作業(yè)技巧多等。

可能性的數(shù)據(jù)可以匹配很多關(guān)聯(lián)字段進行聯(lián)想思考，為運營帶來更多策略參考。

2）預(yù)測方案B：選擇Single prediction進行預(yù)測

我更改了【distributioncase】的值，查看預(yù)測值相對于平均預(yù)測結(jié)果的變化情況。

點擊【Update】 ，生成預(yù)測數(shù)據(jù)。

更改多個【Value】，預(yù)測值會有變動，可以直觀地結(jié)果發(fā)現(xiàn)，處于流程上游的值變動的話，對最終數(shù)據(jù)影響更大（這也符合邏輯）。

綜上，對于運營分析師來說，千頭萬緒的數(shù)據(jù)中，要分析出關(guān)鍵點和趨勢，更推薦選擇Batch，數(shù)據(jù)越多，干貨越多，還有意想不到的內(nèi)容。?

三、總結(jié)一下

Amazon SageMaker Canvas提供了一個可視化的、 點擊式的用戶界面，讓運營分析師可以輕松地生成預(yù)測，無需代碼即可進行機器學(xué)習(xí)預(yù)測，簡單方便好上手。

在數(shù)據(jù)的準備上，可以把結(jié)果字段，例如合格率、完成率、成功率、轉(zhuǎn)化率、用量、耗時等進行整理，不要直接用過程數(shù)據(jù)，這樣分析會更直接。

在數(shù)據(jù)分析上，可以與關(guān)聯(lián)ID打通，在跨流程、跨主題的數(shù)據(jù)里，尋找關(guān)聯(lián)點。這也是數(shù)據(jù)分析師提高數(shù)據(jù)敏感度、深入了解業(yè)務(wù)的過程了。

希望以上的體驗分析，能給您帶帶一點點啟發(fā)~

作者：Felice，某廠資深產(chǎn)品經(jīng)理&產(chǎn)品運營

本文由 @ToB Talk 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來自 Unsplash，基于 CC0 協(xié)議。