Amazon QuickSight 用户看这里：ML Insights 正式发布，更多业务看法触手可及

在大数据分析和商业智能方面，Amazon QuickSight 是个很强大的服务。该服务能够全面集成不一样来源、不一样格式的海量数据，进而经过基于机器学习的分析，并经过图形化的报表向用户揭示数据中蕴含的业务看法。该服务一经推出就得到了大量用户的好评。

一些童鞋可能还有印象，2018年的 re:Invent 大会上，AWS 发布了预览版 ML Insights，这是一组即开即用的机器学习和天然语言功能，可为 Amazon QuickSight 用户提供图表之外的业务看法。借助全新的 ML Insights 功能，Amazon QuickSight 能够用言简意赅的方式帮助用户发现隐藏在数据中的趋势，识别关键增加点，同时节省手动调查分析的时间。不只如此，QuickSight 即开即用的即席分析能力还能够和多种分析功能相结合，构建全面的 BI 解决方案。

好消息来了：近日，适用于 Amazon QuickSight 的 ML Insights 功能已经正式发布！

在该功能的帮助下，机器学习过程变得更简单，不管用户是否具有相关技能，任何人均可以在几分钟（而非几周）内轻松地从数据中得到看法。目前 ML Insights 提供了以下功能：

• 由 ML 提供支持的异常检测，可经过持续分析数十亿数据点来发现隐藏的异常数据点。
• 由 ML 提供支持的预测，可经过简单的点击操做预测增加和业务趋势。
• 自动叙述功能，可以使用叙述的方式来阐述报表上的内容。

下文将全面介绍这些由 ML 提供支持的新功能。

客户用例

此前，ML Insights 曾在少许客户中进行过预览。在这期间，来自多个行业（包括电信、娱乐、市场营销、零售、能源、金融服务和医疗保健）的客户都已经过 ML Insights，利用其在 AWS 和本地不断增长的数据量来得到业务看法，并得到了一些很是惊艳的成果：

Expedia Group，一家国际旅游平台，他们的目标是帮助客户轻松前往世界各地。

“Expedia Group 两项关键战略要务就是以客户为中心和在全球范围内创建与当地的关联性。正因如此，Amazon QuickSight 这类工具对咱们很是有帮助，有助于咱们更轻松的衡量和报告业务指标并采起相应措施，从而帮助咱们的客户找到最符合其旅游搜索内容的匹配项。Amazon QuickSight 开箱即用的机器学习看法可帮助咱们持续监视咱们的业务是否存在异常、在出现异常值时向利益相关者发出警报，以及帮助咱们预测业务将来趋势，这反过来也使团队可以专一于其余更加剧要的工做，而无需从头构建这些功能。”
—— Amit Marwah，Expedia Group 航班数据与分析部门技术总监

Ricoh Company, Ltd.是一家全球性公司，为世界各地200多个国家和地区提供面向办公室、生产印刷解决方案、文档管理系统和 IT 服务等的图像处理设备。

“机器学习在知足咱们不断增加的数据量和 BI 要求方面发挥着愈来愈重要的做用。Amazon QuickSight 的 ML Insights 功能使强大的机器学习功能只需几回点击便可轻松使用。它使咱们能持续监控全球海量设备中的意外使用行为、预测使用趋势，以及交付内容全面的控制面板，控制面板中包含这些机器生成的看法并能以自动叙述性内容的形式将其呈献给咱们的业务用户。利用 ML Insights，咱们能够快速找到出现异常的特定设备和功能并采起相应措施，从而改善体验并为客户带来价值。”
——Naoki Umehara，Ricoh Company, Ltd.组长

Tata Consultancy Services Limited 是一家印度跨国信息技术（IT）服务和咨询公司，总部位于孟买马哈拉施特拉邦，在全球46个国家/地区设有办事处。

“Amazon QuickSight 使咱们可以轻松快速地将咱们的 Amazon Connect 联系中心指标与客户端票证工具相集成，从而将客户喜好的自动化交互式控制面板呈现给他们。咱们利用 Amazon QuickSight ML Insights 完全改变了咱们的人员配置、培训和故障报告方式，同时还预测调用流程的移动方向并采起相应措施，从而预防调用激增并为客户提供更好的服务。”
—— Marco David Martinez，Tata Consultancy Services 云经理

Siemens 是一家实力雄厚的跨国公司，主要业务为电气化、自动化和数字化。该公司仍是领先的发电和输电系统供应商。

“利用 Amazon QuickSight 即开即用的 ML Insights 和按实际用量付费的订价模式，咱们可以轻松地以节约成本的方式为咱们的客户提供基于机器学习的强大异常检测功能，以分析其制造流程的性能、检测生产线中的故障、监控数百台机器的停机时长以及了解故障的根本缘由，而无需对机器学习和自定义开发进行大量投入。这使生产线主管和生产经理能在发生意外事件时收到警报并采起措施，以优化制造流程和提升绩效。”
—— Massimilliano Ponticelli，Siemens 产品经理

Daiso Industries Co., Ltd 是一家创立于日本的全球性零售商和“百元店”的特许经销商。

“利用 Amazon QuickSight，咱们可以构建本身的BI环境，可处理2个月内5000家商店 x 70000件产品的数据。精确的销售预测和库存优化是咱们面临的最主要的业务挑战。Amazon QuickSight 的 ML Insights 使咱们可以轻松快速地发现全部产品中的意外趋势变化，并改善销售预测和库存优化状况。”
—— Kenjiro Marumoto，Daiso Industries Co., Ltd.部门主管

入门

接下来，就一块儿看看这项功能的强大之处。

首先须要注意，ML Insights 仅支持企业版 Amazon QuickSight。若是您使用的是标准版，只需单击“管理 QuickSight”页面便可轻松升级。更多信息可参阅下列资料：

• 版本比较
• 将 Amazon QuickSight 订阅从标准版升级到企业版

要开始使用 ML Insights，您须要将数据源链接到 Amazon QuickSight。可经过对 SQL 兼容的数据库源的直接查询或使用 SPICE 来访问数据集。

下列演练中使用的数据必须具备如下属性：

• 至少一个日期字段。
• 至少一个指标，如销售额、订单、已发货的产品数、或注册数。
• 至少一个类别维度，如产品、渠道、细分市场或行业。
• 每一个指标的40个以上历史数据点。

为得到最佳结果，请确保您的数据集有足够的历史数据点。内置的 ML 算法须要至少40个历史数据点才能学习和训练模型，最多将使用最近的1000个数据点。例如，若是要按地理区域分析天天的销售额，请确保至少有40天的数据。建议提供三个月到十二个月的数据，具体取决于您业务的季节性。

您可使用本身的数据集，或者下载示例数据集。下文将使用该数据集进行演练。

在 Amazon QuickSight 中建立数据集后，请从该数据集建立新的分析。有关在 Amazon QuickSight 中建立数据集和分析的详细信息，请参阅 Amazon QuickSight 用户指南。

建议性看法

ML Insights 会自动解读您的数据并提供情景式看法，这称为建议性看法。不一样图表可产生不一样类型的看法。例如，若是采用时间序列图表，则可能得到从时段到时段的变化、异常和预测等看法。
来看一个示例：

1. 用指标和日期来建立折线图，例如按天聚合的按不一样时间显示的收入。
2. 选择图表左上角的看法。

您应在左侧窗格中看到建议性看法的列表。建议性看法将以普通的语言简要为您总结数据。当您将图表添加到分析中时，您将在左侧窗格中看到额外的建议性看法，按图表名称分组。

您能够选择一项建议性看法（如日期到日期的变化）以突出显示该图表中的数据点或细分市场。再次选择此看法可将其取消选中。

由 ML 提供支持的异常检测

利用 ML Insights，您能够对多达一百万个指标同步运行由ML提供支持的异常检测，以发现每每在聚合数据中被掩盖的隐藏趋势和异常值。要详细了解异常检测的订价，请转到 Amazon QuickSight 订价并选择 ML Insights。

接下来开始使用异常检测：

1.在应用程序栏上选择添加，而后选择向表格添加异常。此操做可为异常检测建立看法图表。

2.展开页面顶部的字段区域，并至少添加一个类别字段。

类别表示 Amazon QuickSight 拆分指标所依据的维度值。例如您要对全部产品类别和产品 SKU 分析收入中的异常。假设有10个产品类别，每一个类别有10个产品 SKU，Amazon QuickSight 将按100个惟一组合拆分指标，并对拆分所得的每一个指标运行异常检测。

3.在看法图表中选择开始使用，以配置异常检测做业。
4.在异常检测配置窗格中，配置如下选项：

• 分析全部类别组合：若是选择了三个类别，Amazon QuickSight 将按层级对如下组合运行异常检测：A、AB、ABC。若是您选择此选项，Amazon QuickSight 将对全部组合进行分析，包括：A、AB、ABC、BC、AC。若是您的数据没有分层，则应选择此选项。
• 要显示的异常数：此设置使您能够控制要在看法卡上靠前显示为叙述性内容的异常的数量。
• 计划：设置计划以按每小时、天天、每周或每个月对数据运行一次异常检测，具体取决于您的数据。选择开始时间及其对应的时区。
• 归因分析：检测到异常后，您最多能够选择四个额外维度供 Amazon QuickSight 进行分析，以找到主要原由。例如，Amazon QuickSight 能够向您显示促使美国家装产品销售额激增的主要客户。若是您的数据中有额外的维度（且未在异常检测中使用），则可在此处添加以进行归因分析。对于本示例，请选择地理位置进行归因分析。

5.选择肯定。在您将分析发布为控制面板后，Amazon QuickSight 才会实施计划。在分析中，您能够选择手动运行异常检测，而无需设置计划。

6.设置配置后，请选择当即运行来手动运行检测。您将看到消息“正在分析以查找异常… 这可能须要一段时间…”。分析可能须要几分钟到几小时，具体取决于数据集的大小。

异常检测完成后，您将看到看法图表中列出的数据中在最近一段时间内的主要异常。Amazon QuickSight 还将计算和显示预期值，以便您能更好地了解该异常的重要性。

7.要查看此数据的全部异常，请选择图表右上方的选择器，而后选择浏览异常。

在详细异常页面，您能够看到针对最近一段时间检测出的全部异常。图表的标题表示应用于类别字段的惟一组合的指标。图表上突出显示的数据点（在图表的最右侧）表示针对该时间序列检测出的最新异常。

在左侧窗格中，您将看到该异常的主要原由（基于您预约义的维度）。将光标悬停在主要原由上时，Amazon QuickSight 会显示对该原由的重要性的说明。

8.若要按日期查看异常，请选择图表顶部的按日期显示异常以显示日期选择器。图表将显示针对您的异常检测配置的每一个时间单位所检测到的异常数。您能够选择特定日期以查看该日期的异常。例如，若是您从图中选择2018年11月1日，则条形图将突出显示该日期的异常数。

重要信息：Amazon QuickSight 使用数据集中的前40个数据点进行训练；这些数据点将不会计入异常检测算法中。您可能不会看到前40个数据点中的任何异常。

9.使用窗格顶部的筛选控件更改异常阈值，以显示具备高、中、低重要性的异常，或仅显示高于预期或低于预期的异常。您还能够按数据集中的类别值进行筛选，以查看仅针对这些类别的异常。

10.若要返回分析，请选择窗格顶部的返回分析。

由 ML 提供支持的预测

利用内置的 ML 算法，您如今能够经过简单的点击操做预测业务指标，而无需编写代码或生成复杂的电子表格。

1.在您的时间序列图表中，选择图表右上角的选择器，而后选择添加预测。Amazon QuickSight 将使用 ML 分析历史数据，并呈现对接下来14个时段的预测。

2.在左侧的“预测”属性窗格中，您能够自定义预测设置。例如，您能够更改要预测的将来时段的数量，还能够向过去的时间内添加“预测”时段以便将历史实际值与基于 ML 的预测值进行对比。

您能够经过更改预测间隔和手动设置季节性（时段数）来调整预测条带的宽度。选择应用便可保存您的更改。

3.从图表中选择已预测的数据点，而后选择假设分析。利用假设分析，您能够设置特定日期或日期范围的目标值，Amazon QuickSight
将合理调整预测以达到此目标。

4.选择应用可查看针对目标调整的新预测和原始预测。您能够将光标悬停在数据点上以查看详细信息。

利用由 ML 提供支持的预测功能，Amazon QuickSight 可帮助您预测复杂的真实场景，例如具备多个季节性的数据。它将排除异常值并估算缺失的值。

若要以 CSV 格式导出预测数据，请选择图表右上角的选择器，而后选择导出为CSV。

自动叙述性内容

自动叙述性内容使您能够建立图表的天然语言总结。您能够将这些总结嵌入控制面板中以突出显示对您的读者有重要意义的重要看法，从而使他们可以访问数据，而没必要仔细查看整个控制面板。当您定义模板时，叙述性内容将随数据集中的数据刷新而自动更新，与图表同样。

如下步骤展现了如何开始使用自动叙述性内容：

1. 在您的时间序列图表中，再次选择看法以显示建议性看法。
2. 向分析中添加叙述性看法的一种简单方法就是选择建议性看法旁的加号 (+)。出于此演示的目的，请选择“日期到日期的变化”看法。

您将在分析中看到带有预约义模板的看法图表。请注意，字段区域已填充了日期、指标和类别。这些设置经过您用于建立看法图表的图表进行填充。您能够根据须要自定义这些字段。

3.要编辑叙述性内容，请选择看法图表菜单，而后选择自定义叙述性内容。您将看到“配置叙述性内容”窗格，您可在其中编辑看法模板。您可使用格式工具栏经过更改大小和颜色来设置内容的格式。您还能够插入表达式和条件语句，如 IF 和 FOR 语句。

在左侧窗格中，您能够在叙述性内容中添加运算。运算是预约义的，例如时段到时段、时段到日期、增加率、最大值、最小值和主要推进因素，您能够在模板中引用这些运算来描述您的数据。目前，Amazon QuickSight 支持13种不一样运算。此示例中默认添加 PeriodOverPeriod，由于咱们从建议性看法窗格中选择了“日期到日期的变化”看法。

4.要添加新运算，请选择窗格左下角的“添加运算”。系统将提示您从运算列表中进行选择。出于本演练的目的，请选择增加率运算类型，而后选择下一步。

5.您能够配置运算的某些方面。对于增加率，您能够更改要计算其增加率的时段数。作出选择后，请选择肯定。

6.如今展开左窗格中的“运算”。您应看到 PeriodOverPeriod 和 GrowthRate 选项。

请注意：运算名称必须惟一。建立运算时，请提供惟一的名称。您能够在模板中引用同一类型的多个运算。例如，您有两个指标，如销售额和已售单位数，您能够为每一个指标建立 GrowthRate 运算，并为每一个运算提供不一样的名称。而后便可在模板中按名称引用特定运算。

另请注意：异常运算与全部其余运算类型均不兼容。例如，您有 PeriodOverPeriod 或 GrowthRate 运算，则您将没法向同一个看法图表中添加异常运算。

7.要向叙述性内容中添加增加率，请在叙述性内容模板中添加短语如下时间段内的复合增加率。从“运算”窗格中，选择 GrowthRate，而后选择 timePeriods 以在叙述性内容中插入 GrowthRate.timePeriods 表达式。此表达式引用在配置中设置的时段数。

8.经过输入日期为完成句子。而后经过依次选择 GrowthRate、compounded GrowthRate 和 formattedValue 来从“运算”窗格添加另外一个表达式。选择 formattedValue 将返回根据应用于字段中指标的格式进行格式化的短语。要以整数或小数格式查看原始值，请选择值而不是 formattedValue。

1.接下来，咱们来试试条件语句：

要插入 IF 语句，请将光标放在叙述性内容模板的末尾。在插入代码菜单中，选择内联 IF。

2.系统将提示您输入代码。在左窗格中，依次选择 GrowthRate、compoundedGrowthRate 和值。要插入值，请输入> 3，而后选择保存。

3.对于条件内容，请输入 Great!。选择文本并使用格式菜单将颜色更改成绿色。

4.重复前面的步骤，对增加率值输入<3。对于条件内容，请输入 Bad!。而后将文本格式设置为红色。

5.选择应用。您应看到以下所示的结果。

模板可为您提供用于自定义叙述性内容的高级工具。在此模板中，您还能够引用分析或控制面板中的参数，以及利用一系列内置功能执行更多计算。

开始使用自动叙述性内容和了解语法的最好方法就是使用经过建议性看法生成的现有模板。可是您还能够经过依次选择添加和添加看法来从头开始建立看法图表。

动手试试吧！尝试建立枚举最近三个月的最畅销产品的叙述性内容。

小结

从本演练中您能够了解到，ML Insights 可帮助您执行大规模异常检测，而且只需单击几回便可建立业务预测。您能够在几分钟内在控制面板中生成丰富且用户友好型自动叙述性内容，而且无需任何自定义开发或 ML 技能。