Amazon Lookout for Metrics ব্যবহার করে একটি লয়ালটি পয়েন্ট অ্যানোমালি ডিটেক্টর তৈরি করুন

আজ, গ্রাহকের আনুগত্য অর্জন করা একক জিনিস হতে পারে না। একটি ব্র্যান্ডের তার সেরা গ্রাহকদের ধরে রাখার জন্য একটি ফোকাসড এবং সমন্বিত পরিকল্পনা প্রয়োজন - সহজভাবে বললে, এটির একটি গ্রাহক আনুগত্য প্রোগ্রাম প্রয়োজন। উপার্জন এবং বার্ন প্রোগ্রাম প্রধান দৃষ্টান্ত এক. একটি সাধারণ উপার্জন এবং বার্ন প্রোগ্রাম নির্দিষ্ট সংখ্যক পরিদর্শন বা ব্যয় করার পরে গ্রাহকদের পুরস্কৃত করে।

উদাহরণস্বরূপ, একটি ফাস্ট ফুড চেইন কিছু জায়গায় তার উপার্জন এবং বার্ন লয়ালটি পাইলট প্রোগ্রাম চালু করেছে। তারা তাদের গ্রাহকদের অভিজ্ঞতা আরও ব্যক্তিগত করতে আনুগত্য প্রোগ্রাম ব্যবহার করতে খুঁজছেন. পরীক্ষা করার পরে, তারা ভবিষ্যতে বিভিন্ন দেশে এটিকে আরও বেশি জায়গায় প্রসারিত করতে চায়। প্রোগ্রামটি গ্রাহকদের তাদের ব্যয় করা প্রতিটি ডলারের জন্য পয়েন্ট অর্জন করতে দেয়। তারা বিভিন্ন পুরষ্কারের বিকল্পের দিকে পয়েন্টগুলি রিডিম করতে পারে। নতুন গ্রাহকদের আকৃষ্ট করার জন্য, তারা নতুন গ্রাহকদের পয়েন্ট দেয়। তারা প্রতি মাসে বিভিন্ন স্থানে লয়্যালটি প্রোগ্রামের কর্মক্ষমতা পরীক্ষা করার জন্য রিডিম প্যাটার্ন পরীক্ষা করে। সময়মতো সংশোধনমূলক ব্যবস্থা নিতে এবং প্রোগ্রামের সামগ্রিক সাফল্য নিশ্চিত করতে রিডিম প্যাটার্নের অসঙ্গতিগুলি চিহ্নিত করা অত্যন্ত গুরুত্বপূর্ণ। গ্রাহকদের তাদের খরচ এবং খাবারের পছন্দের উপর ভিত্তি করে বিভিন্ন স্থানে বিভিন্ন উপার্জন এবং রিডিম পদ্ধতি রয়েছে। অতএব, একটি অসঙ্গতি সনাক্তকরণ এবং দ্রুত মূল কারণ নির্ণয় করার প্রক্রিয়াটি কঠিন, ব্যয়বহুল এবং ত্রুটি-প্রবণ।

এই পোস্টটি আপনাকে দেখায় কিভাবে একটি সমন্বিত সমাধান ব্যবহার করতে হয় মেট্রিক্সের জন্য অ্যামাজন লুকআউট আপনার আগ্রহের মূল কর্মক্ষমতা সূচকে (KPIs) দ্রুত এবং সহজে অসঙ্গতি সনাক্ত করে এই বাধাগুলি ভাঙতে।

মেট্রিক্সের জন্য Lookout স্বয়ংক্রিয়ভাবে ব্যবসা এবং অপারেশনাল ডেটাতে অসঙ্গতিগুলি (আদর্শের বাইরের) সনাক্ত করে এবং নির্ণয় করে। মেট্রিক্সের জন্য Lookout ব্যবহার করার জন্য আপনার ML অভিজ্ঞতার প্রয়োজন নেই। এটি একটি সম্পূর্ণরূপে পরিচালিত মেশিন লার্নিং (ML) পরিষেবা যা আপনার ডেটার বৈশিষ্ট্যের উপর ভিত্তি করে অসঙ্গতি সনাক্ত করতে বিশেষ ML মডেল ব্যবহার করে৷ উদাহরণস্বরূপ, প্রবণতা এবং ঋতুতা হল টাইম সিরিজ মেট্রিক্সের দুটি বৈশিষ্ট্য যেখানে থ্রেশহোল্ড-ভিত্তিক অসঙ্গতি সনাক্তকরণ কাজ করে না। প্রবণতা হল মেট্রিকের মানের ক্রমাগত পরিবর্তন (বৃদ্ধি বা হ্রাস)। অন্যদিকে, ঋতুতা হল পর্যায়ক্রমিক নিদর্শন যা একটি সিস্টেমে ঘটে, সাধারণত একটি বেসলাইনের উপরে উঠে এবং তারপর আবার হ্রাস পায়।

এই পোস্টে, আমরা একটি সাধারণ আনুগত্য পয়েন্ট উপার্জন এবং বার্ন দৃশ্যকল্প প্রদর্শন করি, যেখানে আমরা গ্রাহকের উপার্জন এবং রিডিম প্যাটার্নে অসামঞ্জস্যতা সনাক্ত করি। অসামঞ্জস্যতা খুঁজে পেতে সাহায্য করার জন্য আমরা আপনাকে AWS থেকে এই পরিচালিত পরিষেবাগুলি কীভাবে ব্যবহার করতে হয় তা দেখাই৷ আপনি এই সমাধানটি অন্যান্য ব্যবহারের ক্ষেত্রে প্রয়োগ করতে পারেন যেমন বাতাসের গুণমান, ট্র্যাফিক প্যাটার্ন এবং বিদ্যুৎ খরচের ধরণগুলির মধ্যে অসামঞ্জস্য সনাক্ত করা, কয়েকটি নাম।

সমাধান ওভারভিউ

এই পোস্টটি দেখায় কিভাবে আপনি মেট্রিক্সের জন্য Lookout ব্যবহার করে লয়ালটি পয়েন্ট উপার্জন এবং প্যাটার্ন রিডিম করতে অসঙ্গতি সনাক্তকরণ সেট আপ করতে পারেন। সমাধানটি আপনাকে প্রাসঙ্গিক ডেটাসেটগুলি ডাউনলোড করতে এবং আয় শনাক্ত করতে এবং প্যাটার্ন রিডিম করতে অসঙ্গতি সনাক্তকরণ সেট আপ করতে দেয়৷

আসুন দেখি কিভাবে একটি আনুগত্য প্রোগ্রাম সাধারণত কাজ করে, যেমনটি নিচের চিত্রে দেখানো হয়েছে।

গ্রাহকরা ক্রয়ের জন্য যে অর্থ ব্যয় করেন তার জন্য পয়েন্ট অর্জন করেন। তারা ডিসকাউন্ট, পুরষ্কার, বা ইনসেন্টিভের বিনিময়ে জমে থাকা পয়েন্টগুলি রিডিম করতে পারে।

এই সিস্টেমটি তৈরির জন্য তিনটি সহজ ধাপ প্রয়োজন:

1. তৈরি একটি আমাজন সিম্পল স্টোরেজ সার্ভিস (Amazon S3) বালতি এবং আপনার নমুনা ডেটাসেট আপলোড করুন।
2. মেট্রিক্সের জন্য অনুসন্ধানের জন্য একটি সনাক্তকারী তৈরি করুন।
3. একটি ডেটাসেট যোগ করুন এবং ঐতিহাসিক ডেটাতে অসঙ্গতি সনাক্ত করতে ডিটেক্টর সক্রিয় করুন।

তারপরে আপনি ফলাফলগুলি পর্যালোচনা এবং বিশ্লেষণ করতে পারেন।

একটি এস 3 বালতি তৈরি করুন এবং আপনার নমুনা ডেটাসেট আপলোড করুন

ফাইল ডাউনলোড করুন loyalty.csv এবং স্থানীয়ভাবে এটি সংরক্ষণ করুন। তারপরে নিম্নলিখিত পদক্ষেপগুলির মাধ্যমে চালিয়ে যান:

1. Amazon S3 কনসোলে, একটি S3 বালতি তৈরি করুন loyalty.csv ফাইল আপলোড করতে।

এই বালতিটি অনন্য হতে হবে এবং একই অঞ্চলে যেখানে আপনি মেট্রিক্সের জন্য Lookout ব্যবহার করছেন।

2. আপনার তৈরি করা বালতি খুলুন।
3. বেছে নিন আপলোড.

4. বেছে নিন ফাইল যোগ করুন এবং নির্বাচন করুন loyalty.csv ফাইল.
5. বেছে নিন আপলোড.

একটি আবিষ্কারক তৈরি করুন

একটি ডিটেক্টর হল মেট্রিক্স রিসোর্সের জন্য একটি সন্ধান যা একটি ডেটাসেট নিরীক্ষণ করে এবং পূর্বনির্ধারিত ফ্রিকোয়েন্সিতে অসঙ্গতিগুলি সনাক্ত করে। ডিটেক্টররা ML ব্যবহার করে ডেটাতে প্যাটার্ন খুঁজে বের করতে এবং ডেটাতে প্রত্যাশিত বৈচিত্র এবং বৈধ অসঙ্গতির মধ্যে পার্থক্য করতে। এটির কার্যকারিতা উন্নত করতে, একটি ডিটেক্টর সময়ের সাথে সাথে আপনার ডেটা সম্পর্কে আরও শিখে।

আমাদের ব্যবহারের ক্ষেত্রে, ডিটেক্টর দৈনিক ডেটা বিশ্লেষণ করে। আবিষ্কারক তৈরি করতে, নিম্নলিখিত পদক্ষেপগুলি সম্পূর্ণ করুন:

1. মেট্রিক্স কনসোলের জন্য অনুসন্ধানে, নির্বাচন করুন সনাক্তকারী তৈরি করুন.
2. সনাক্তকারীর জন্য একটি নাম এবং ঐচ্ছিক বিবরণ লিখুন।
3. জন্য অন্তরনির্বাচন 1 দিনের ব্যবধান.
4. বেছে নিন সৃষ্টি.

আপনার ডেটা ডিফল্টভাবে একটি কী দিয়ে এনক্রিপ্ট করা হয় যেটি AWS আপনার জন্য এবং পরিচালনা করে। আপনি যদি ডিফল্টরূপে ব্যবহৃত একটি থেকে একটি ভিন্ন এনক্রিপশন কী ব্যবহার করতে চান তবে আপনি কনফিগার করতে পারেন।

এখন এই ডিটেক্টরটিকে সেই ডেটার দিকে নির্দেশ করা যাক যা আপনি এটিতে অসঙ্গতি সনাক্তকরণ চালাতে চান৷

একটি ডেটাসেট তৈরি করুন

একটি ডেটাসেট ডিটেক্টরকে বলে যে আপনার ডেটা কোথায় খুঁজে পাবেন এবং অসঙ্গতির জন্য কোন মেট্রিক্স বিশ্লেষণ করতে হবে। একটি ডেটাসেট তৈরি করতে, নিম্নলিখিত পদক্ষেপগুলি সম্পূর্ণ করুন:

1. মেট্রিক্স কনসোলের জন্য Lookout-এ, আপনার ডিটেক্টরে নেভিগেট করুন।
2. বেছে নিন একটি ডেটাসেট যুক্ত করুন.

3. জন্য নাম, একটি নাম লিখুন (উদাহরণস্বরূপ, loyalty-point-anomaly-dataset).
4. জন্য সময় অঞ্চল, প্রযোজ্য হিসাবে চয়ন করুন.
   
5. জন্য তথ্য সূত্র, আপনার ডেটা উৎস নির্বাচন করুন (এই পোস্টের জন্য, Amazon S3)।
6. জন্য সনাক্তকারী মোড, আপনার মোড নির্বাচন করুন (এই পোস্টের জন্য, Backtest).

Amazon S3 দিয়ে, আপনি দুটি মোডে একটি ডিটেক্টর তৈরি করতে পারেন:

• Backtest - এই মোডটি ঐতিহাসিক ডেটাতে অসঙ্গতি খুঁজে পেতে ব্যবহৃত হয়। এটি একটি একক ফাইল একত্রিত করা সমস্ত রেকর্ড প্রয়োজন. আমরা আমাদের ব্যবহারের ক্ষেত্রে এই মোডটি ব্যবহার করি কারণ আমরা বিভিন্ন অবস্থানে গ্রাহকের ঐতিহাসিক আনুগত্য পয়েন্ট রিডিম প্যাটার্নে অসামঞ্জস্যতা সনাক্ত করতে চাই।
• একটানা - এই মোডটি লাইভ ডেটাতে অসঙ্গতি সনাক্ত করতে ব্যবহৃত হয়।

7. লাইভ S3 ফোল্ডার এবং পাথ প্যাটার্নের জন্য S3 পাথ লিখুন।
8. বেছে নিন বিন্যাস সেটিংস সনাক্ত করুন.
   
9. সব ডিফল্ট বিন্যাস সেটিংস যেমন আছে ছেড়ে দিন এবং নির্বাচন করুন পরবর্তী.
   

পরিমাপ, মাত্রা এবং টাইমস্ট্যাম্প কনফিগার করুন

ব্যবস্থা KPIs সংজ্ঞায়িত করুন যেগুলির জন্য আপনি অসঙ্গতিগুলি ট্র্যাক করতে চান৷ আপনি ডিটেক্টর প্রতি পাঁচটি পর্যন্ত পরিমাপ যোগ করতে পারেন। আপনার উৎস ডেটা থেকে KPIs তৈরি করতে যে ক্ষেত্রগুলি ব্যবহার করা হয় সেগুলি অবশ্যই সাংখ্যিক বিন্যাসের হতে হবে৷ KPIs বর্তমানে একটি SUM বা গড় করে সময়ের ব্যবধানের মধ্যে রেকর্ড একত্রিত করে সংজ্ঞায়িত করা যেতে পারে।

মাত্রা বিভাগ বা বিভাগ সংজ্ঞায়িত করে আপনাকে আপনার ডেটা টুকরো টুকরো করার ক্ষমতা দেয়। এটি আপনাকে ডেটার সম্পূর্ণ সেটের একটি উপসেটের জন্য অসঙ্গতিগুলি ট্র্যাক করতে দেয় যার জন্য একটি নির্দিষ্ট পরিমাপ প্রযোজ্য।

আমাদের ব্যবহারের ক্ষেত্রে, আমরা দুটি পরিমাপ যোগ করি, যা 1-দিনের ব্যবধানে দেখা বস্তুর যোগফল গণনা করে এবং একটি মাত্রা আছে, যার জন্য অর্জিত এবং খালাস করা পয়েন্টগুলি পরিমাপ করা হয়।

ডেটাসেটের প্রতিটি রেকর্ডের একটি টাইমস্ট্যাম্প থাকতে হবে। নিম্নলিখিত কনফিগারেশন আপনাকে টাইমস্ট্যাম্প মান এবং টাইমস্ট্যাম্পের বিন্যাস প্রতিনিধিত্ব করে এমন ক্ষেত্র নির্বাচন করতে দেয়।

পরবর্তী পৃষ্ঠাটি আপনাকে আপনার যোগ করা সমস্ত বিবরণ পর্যালোচনা করতে দেয় এবং তারপরে চয়ন করতে দেয় সংরক্ষণ করুন এবং সক্রিয় করুন আবিষ্কারক তৈরি করতে।

ডিটেক্টর তারপর ডেটা উৎসের ডেটা শেখা শুরু করে। এই পর্যায়ে, ডিটেক্টরের অবস্থা শুরুতে পরিবর্তিত হয়।

লুকআউট ফর মেট্রিক্স অসামঞ্জস্যতা শনাক্ত করা শুরু করার আগে ন্যূনতম পরিমাণ ডেটার প্রয়োজনীয়তা লক্ষ্য করা গুরুত্বপূর্ণ। প্রয়োজনীয়তা এবং সীমা সম্পর্কে আরও তথ্যের জন্য, দেখুন মেট্রিক্স কোটা জন্য সন্ধান করুন.

ন্যূনতম কনফিগারেশনের সাথে, আপনি আপনার ডিটেক্টর তৈরি করেছেন, এটিকে একটি ডেটাসেটে নির্দেশ করেছেন এবং যে মেট্রিকগুলিকে আপনি দেখতে চান সেটির মধ্যে অসঙ্গতি খুঁজে বের করতে চান।

ফলাফলগুলি পর্যালোচনা এবং বিশ্লেষণ করুন

ব্যাকটেস্টিং কাজ সম্পূর্ণ হলে, আপনি আপনার ঐতিহাসিক ডেটার শেষ 30% মেট্রিক্সের জন্য সন্ধান করা সমস্ত অসঙ্গতি দেখতে পাবেন। এখান থেকে, আপনি যখন নতুন ডেটা পেতে শুরু করবেন তখন ভবিষ্যতে Lookout for Metrics থেকে আপনি যে ধরনের ফলাফল দেখতে পাবেন তা আনপ্যাক করা শুরু করতে পারেন।

মেট্রিক্সের জন্য লুকআউট ব্যবহার করতে চান এমন ব্যবহারকারীদের জন্য একটি সমৃদ্ধ UI অভিজ্ঞতা প্রদান করে৷ এডাব্লুএস ম্যানেজমেন্ট কনসোল বিশৃঙ্খলতা সনাক্ত করা হচ্ছে বিশ্লেষণ করতে. এটি API-এর মাধ্যমে অসঙ্গতিগুলি অনুসন্ধান করার ক্ষমতাও প্রদান করে।

আমাদের আনুগত্য পয়েন্ট অসঙ্গতি সনাক্তকারী ব্যবহার ক্ষেত্রে থেকে শনাক্ত করা একটি উদাহরণ দেখা যাক। নিম্নলিখিত স্ক্রিনশটটি 91 এর তীব্রতা স্কোর সহ একটি নির্দিষ্ট স্থানে নির্দিষ্ট সময়ে এবং তারিখে লয়্যালটি পয়েন্ট রিডেম্পশনে সনাক্ত করা একটি অসঙ্গতি দেখায়।

এটি অসঙ্গতির দিকে মাত্রার শতাংশ অবদানও দেখায়। এই ক্ষেত্রে, 100% অবদান অবস্থান আইডি A-1002 মাত্রা থেকে আসে।

পরিষ্কার কর

চলমান চার্জগুলি এড়াতে, এই পোস্টে তৈরি নিম্নলিখিত সংস্থানগুলি মুছুন:

• আবিষ্কারক
• এস 3 বালতি
• আইএএম ভূমিকা

উপসংহার

এই পোস্টে, আমরা আপনাকে দেখিয়েছি কিভাবে মেট্রিক্সের জন্য লুকআউট ব্যবহার করতে হয় এমএল-চালিত অসঙ্গতি সনাক্তকরণ অ্যাপ্লিকেশন তৈরির শেষ-থেকে-শেষ জীবনচক্র পরিচালনার সাথে জড়িত অপরিবর্তিত ভারী উত্তোলনগুলিকে সরাতে। এই সমাধানটি আপনাকে মূল ব্যবসায়িক মেট্রিক্সে অসঙ্গতিগুলি খুঁজে বের করার আপনার ক্ষমতাকে ত্বরান্বিত করতে সাহায্য করতে পারে এবং আপনাকে আপনার ব্যবসার বৃদ্ধি এবং উন্নতিতে আপনার প্রচেষ্টাকে ফোকাস করার অনুমতি দেয়।

আমরা আপনাকে পরিদর্শন করে আরও শিখতে উত্সাহিত করি মেট্রিক্স বিকাশকারী গাইডের জন্য অ্যামাজন লুকআউট এবং আপনার ব্যবসার কেপিআই-এর সাথে প্রাসঙ্গিক ডেটাসেট সহ এই পরিষেবাগুলি দ্বারা সক্ষম করা এন্ড-টু-এন্ড সমাধান চেষ্টা করে দেখুন।

---

লেখক সম্পর্কে

ধীরাজ ঠাকুর অ্যামাজন ওয়েব পরিষেবাগুলির সাথে একজন সমাধান স্থপতি৷ তিনি এন্টারপ্রাইজ ক্লাউড গ্রহণ, স্থানান্তর এবং কৌশল সম্পর্কে নির্দেশিকা প্রদান করতে AWS গ্রাহক এবং অংশীদারদের সাথে কাজ করেন। তিনি প্রযুক্তি সম্পর্কে উত্সাহী এবং বিশ্লেষণ এবং এআই/এমএল স্পেসে নির্মাণ এবং পরীক্ষা করা উপভোগ করেন।

• এসইও চালিত বিষয়বস্তু এবং পিআর বিতরণ। আজই পরিবর্ধিত পান।
• প্লেটোব্লকচেন। Web3 মেটাভার্স ইন্টেলিজেন্স। জ্ঞান প্রসারিত. এখানে প্রবেশ করুন.
• উত্স: https://aws.amazon.com/blogs/machine-learning/build-a-loyalty-points-anomaly-detector-using-amazon-lookout-for-metrics/