起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識物流業務分析師的機器學習神器——Amazon SageMaker Canvas產品測評
編輯導語：日益復雜的業務需求和數據分析需求，催化了更智能、更多元化的分析工具的出現。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，作者結合物流領域的業務，對這款工具進行了體驗測評，一起來看看吧。
隨著數字化進程和人工智能的加速普及，企業人工智能（AI）和機器學習（ML）開發人員嚴重短缺，面對日益興起的數據分析需求，亞馬遜云科技推出了讓人興奮的機器學習新功能——Amazon SageMaker Canvas。
Amazon SageMaker Canvas進一步降低了機器學習使用門檻，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習預測。這允許了任何有興趣學習更多關于ML的人，可以免費嘗試使用這項技術。
話不多說，下面我以物流垂直細分領域的常見數據，來體驗下SageMaker Canvas的魅力！
一、分析場景和數據準備
1. 分析場景
分析每次的揀配數量與耗時和質量的相關性，本次從各環節規定時間內運送的箱數、各環節耗時、各環節箱質量狀態這幾個因子中找出關聯。
2. 業務場景
模擬物流作業人員在規定時間內揀配不同數量的箱子，最終的完成率和質量是不一樣的，分析找出單次作業最佳的揀配箱數。給業務運營同學在制定運送任務策略時，有數據可參考，做出更合理高效的作業策略。
分析的結論是否正確不重要，重要的是模擬出關聯+探索不同角度的分析方法+不同工具的使用。
3. 數據來源
脫敏和虛擬的倉庫內部物流數據。
4. 數據集定義
某廠倉庫內的物流作業過程，有一段是“下發要貨任務——分揀物品——發運物品——配送物品”，每個過程按要貨箱數進行運送，每個運送環節按一定的時間截取當前的完成率，每次運送的用時情況、每個環節物品的質量情況，分別記錄為以下內容：
二、測評體驗步驟和數據分析結構
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. 導入和管理數據
在S3里新建儲存桶，導入數據。導入格式注意是.csv，文檔內不能有中文，剛開始體驗時沒注意格式規范，導入失敗了幾次。整體體驗還是比較流暢的，第一次登陸和設置時需要多讀指引文檔和留意頁面提示。
3. 啟動應用程序
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，后端應用部署完成。
5. 新建模型
在SageMaker Canvas里，點擊【+New Model】。
6. 導入數據
導入剛才在?S3里的數據。
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，所有的物流作業，都基于【demand case】才有后續的過程、耗時、質量的分析。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，與數據不相關，不勾選該字段，不然會影響預測；其他字段相關性較高，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. 構建模型
我們來個簡單的，點擊【Preview model】，可查看模型的預測準確率。我這個模型準確率算蠻高的，達到了96.154%。
然后點擊相應的列，可以查看每列數對預測結果的影響。
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。
下圖展示了構建模型的過程。
10. 模型評估
在使用模型對新數據進行預測前，還可以評估模型的執行情況、每列數據對預測結果產生的影響情況。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，來查看預測值的變化情況。
點擊【Scoring】選項卡，查看模型預測的相關可視化結果和指標。
在箱數較少時，一次作業能完成的概率比較大，說明安排此類物流任務時，一次作業10箱或更少箱時，作業人員能比較順手。
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、調整搬運組合可能對效率有正向影響等。
11. 做出預測
SageMaker Canvas有兩種預測方案：
- Batch——針對整個數據集進行預測。
- Single——針對指定的單一數值進行預測。
我們分別來體驗一下：
1）預測方案A：選擇Batch進行預測
對于每一組預測，SageMaker Canvas返回如下內容：
- 預測得到的值；
- 預測的值為正確結果的可能性；
- 指定用于生成預測所用的數據集。
下載所有數據，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%的數據占到了總數據的86%。該數據匹配上作業ID和員工ID，即可分析出員工在不同時間里，不同作業數量情況下的作業效率、準確率的分布趨勢，可以模擬出員工的作業穩定度。
又例如：可能性低于80%的數據里，這些數據匹配上作業工具ID，可以分析出員工在不同作業要求下，他們的工具的使用習慣分布的預測。
然后定位到優秀員工的工具使用習慣里，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等，哪些員工優秀的作業技巧多等。
可能性的數據可以匹配很多關聯字段進行聯想思考，為運營帶來更多策略參考。
2）預測方案B：選擇Single prediction進行預測
我更改了【distributioncase】的值，查看預測值相對于平均預測結果的變化情況。
點擊【Update】 ，生成預測數據。
更改多個【Value】，預測值會有變動，可以直觀地結果發現，處于流程上游的值變動的話，對最終數據影響更大（這也符合邏輯）。
綜上，對于運營分析師來說，千頭萬緒的數據中，要分析出關鍵點和趨勢，更推薦選擇Batch，數據越多，干貨越多，還有意想不到的內容。?
三、總結一下
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測，無需代碼即可進行機器學習預測，簡單方便好上手。
在數據的準備上，可以把結果字段，例如合格率、完成率、成功率、轉化率、用量、耗時等進行整理，不要直接用過程數據，這樣分析會更直接。
在數據分析上，可以與關聯ID打通，在跨流程、跨主題的數據里，尋找關聯點。這也是數據分析師提高數據敏感度、深入了解業務的過程了。
希望以上的體驗分析，能給您帶帶一點點啟發~
作者：Felice，某廠資深產品經理&產品運營
本文由 @ToB Talk 原創發布于人人都是產品經理。未經許可，禁止轉載。
題圖來自 Unsplash，基于 CC0 協議。
找出可能的策略：增加不同類型的搬運工具、調整搬運組合可能對效率有正向影響等。