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

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：

由上圖可以看到：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 AI 只需 3 步驟即可自動產出最佳模型：

1. 首先⽤ Decanter AI 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 AI 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 AI 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