编辑导语：日益复杂的业务需求和数据分析需求，催化了更智能、更多元化的分析工具的出现。而亚马逊云科技推出的Amazon SageMaker Canvas，就是这类智能分析工具之一。本篇文章里，作者结合物流领域的业务，对这款工具进行了体验测评，一起来看看吧。

随着数字化进程和人工智能的加速普及，企业人工智能（AI）和机器学习（ML）开发人员严重短缺，面对日益兴起的数据分析需求，亚马逊云科技推出了让人兴奋的机器学习新功能——Amazon SageMaker Canvas。

Amazon SageMaker Canvas进一步降低了机器学习使用门槛，运营分析师们掌握无需编码，即可使用点击式界面进行更准确的机器学习预测。这允许了任何有兴趣学习更多关于ML的人，可以免费尝试使用这项技术。

话不多说，下面我以物流垂直细分领域的常见数据，来体验下SageMaker Canvas的魅力！

一、分析场景和数据准备

1. 分析场景

分析每次的拣配数量与耗时和质量的相关性，本次从各环节规定时间内运送的箱数、各环节耗时、各环节箱质量状态这几个因子中找出关联。

2. 业务场景

模拟物流作业人员在规定时间内拣配不同数量的箱子，最终的完成率和质量是不一样的，分析找出单次作业最佳的拣配箱数。给业务运营同学在制定运送任务策略时，有数据可参考，做出更合理高效的作业策略。

分析的结论是否正确不重要，重要的是模拟出关联+探索不同角度的分析方法+不同工具的使用。

3. 数据来源

脱敏和虚拟的仓库内部物流数据。

4. 数据集定义

某厂仓库内的物流作业过程，有一段是“下发要货任务——分拣物品——发运物品——配送物品”，每个过程按要货箱数进行运送，每个运送环节按一定的时间截取当前的完成率，每次运送的用时情况、每个环节物品的质量情况，分别记录为以下内容：

二、测评体验步骤和数据分析结构

1. 登陆账号

注册和登录账号，在控制台搜索SageMaker，点击进入SageMaker控制台。

2. 导入和管理数据

在S3里新建储存桶，导入数据。导入格式注意是.csv，文档内不能有中文，刚开始体验时没注意格式规范，导入失败了几次。整体体验还是比较流畅的，第一次登陆和设置时需要多读指引文档和留意页面提示。

3. 启动应用程序

在SageMaker Domain里，找到Canvas（中文版为：画布） ，点击启动【画布】。

4. 部署

大概1分钟，后端应用部署完成。

5. 新建模型

在SageMaker Canvas里，点击【+New Model】。

6. 导入数据

导入刚才在 S3里的数据。

7. 选择目标列

本次分析我选了【demand case】为目标列，SageMaker Canvas会自动用适合的模型进行分析。

为什么选【demand case】为目标列呢，因为【demand case】是要货箱数，所有的物流作业，都基于【demand case】才有后续的过程、耗时、质量的分析。再例如，如果你的分析是广告投放、市场推广类的，目标列的可以是营销漏斗的第一层。

8. 选择有效字段进行分析

字段【NO.】是序号，与数据不相关，不勾选该字段，不然会影响预测；其他字段相关性较高，进行保留。

切换图标和列表样式，都可以进行有效字段的筛选。

9. 构建模型

我们来个简单的，点击【Preview model】，可查看模型的预测准确率。我这个模型准确率算蛮高的，达到了96.154%。

然后点击相应的列，可以查看每列数对预测结果的影响。

点击【Quick build】可以进行简易分析，还有标准模式，那个等待用时久一些。

下图展示了构建模型的过程。

10. 模型评估

在使用模型对新数据进行预测前，还可以评估模型的执行情况、每列数据对预测结果产生的影响情况。下图展示了评估页面、评估得分以及不同列的影响情况。

还可以通过更改输入值，来查看预测值的变化情况。

点击【Scoring】选项卡，查看模型预测的相关可视化结果和指标。

在箱数较少时，一次作业能完成的概率比较大，说明安排此类物流任务时，一次作业10箱或更少箱时，作业人员能比较顺手。

此时，运营分析师可以分析原因：可能是不同搬运工具和工具可承载情况的影响；找出可能的策略：增加不同类型的搬运工具、调整搬运组合可能对效率有正向影响等。

11. 做出预测

SageMaker Canvas有两种预测方案：

1. Batch——针对整个数据集进行预测。
2. Single——针对指定的单一数值进行预测。

我们分别来体验一下：

1）预测方案A：选择Batch进行预测

对于每一组预测，SageMaker Canvas返回如下内容：

• 预测得到的值；
• 预测的值为正确结果的可能性；
• 指定用于生成预测所用的数据集。

下载所有数据，可以再次进行二次分析（这也是体验最棒的模块）：

例如：可能性超过98%的数据占到了总数据的86%。该数据匹配上作业ID和员工ID，即可分析出员工在不同时间里，不同作业数量情况下的作业效率、准确率的分布趋势，可以模拟出员工的作业稳定度。

又例如：可能性低于80%的数据里，这些数据匹配上作业工具ID，可以分析出员工在不同作业要求下，他们的工具的使用习惯分布的预测。

然后定位到优秀员工的工具使用习惯里，可以推荐出哪些工具更适合多采购，哪些工具可以加强培训等，哪些员工优秀的作业技巧多等。

可能性的数据可以匹配很多关联字段进行联想思考，为运营带来更多策略参考。

2）预测方案B：选择Single prediction进行预测

我更改了【distributioncase】的值，查看预测值相对于平均预测结果的变化情况。

点击【Update】 ，生成预测数据。

更改多个【Value】，预测值会有变动，可以直观地结果发现，处于流程上游的值变动的话，对最终数据影响更大（这也符合逻辑）。

综上，对于运营分析师来说，千头万绪的数据中，要分析出关键点和趋势，更推荐选择Batch，数据越多，干货越多，还有意想不到的内容。 

三、总结一下

Amazon SageMaker Canvas提供了一个可视化的、 点击式的用户界面，让运营分析师可以轻松地生成预测，无需代码即可进行机器学习预测，简单方便好上手。

在数据的准备上，可以把结果字段，例如合格率、完成率、成功率、转化率、用量、耗时等进行整理，不要直接用过程数据，这样分析会更直接。

在数据分析上，可以与关联ID打通，在跨流程、跨主题的数据里，寻找关联点。这也是数据分析师提高数据敏感度、深入了解业务的过程了。

希望以上的体验分析，能给您带带一点点启发~

作者：Felice，某厂资深产品经理&产品运营

本文由 @ToB Talk 原创发布于人人都是产品经理。未经许可，禁止转载。

题图来自 Unsplash，基于 CC0 协议。