Byg en loyalitetspointanomalidetektor ved hjælp af Amazon Lookout for Metrics

I dag kan det ikke være en enkeltstående ting at opnå kundeloyalitet. Et brand har brug for en fokuseret og integreret plan for at fastholde sine bedste kunder – kort sagt har det brug for et kundeloyalitetsprogram. Tjen og brænd programmer er et af hovedparadigmerne. Et typisk tjen og brænd-program belønner kunder efter et vist antal besøg eller forbrug.

For eksempel har en fastfoodkæde lanceret sit pilotprogram for tjener og brænder loyalitet nogle steder. De søger at bruge loyalitetsprogrammet til at gøre deres kundeoplevelse mere personlig. Efter afprøvning ønsker de at udvide det til flere lokationer på tværs af forskellige lande i fremtiden. Programmet giver kunderne mulighed for at optjene point for hver dollar, de bruger. De kan indløse pointene mod forskellige belønningsmuligheder. For at tiltrække nye kunder giver de også point til nye kunder. De tester indløsningsmønsteret hver måned for at kontrollere loyalitetsprogrammets ydeevne på forskellige lokationer. Det er afgørende at identificere uregelmæssigheder i indløsningsmønsteret for at kunne træffe korrigerende handlinger i tide og sikre programmets overordnede succes. Kunder har forskellige indtjenings- og indløsningsmønstre på forskellige steder baseret på deres forbrug og valg af mad. Derfor er processen med at identificere en anomali og hurtigt diagnosticere den grundlæggende årsag vanskelig, kostbar og udsat for fejl.

Dette indlæg viser dig, hvordan du bruger en integreret løsning med Amazon Lookout for Metrics at bryde disse barrierer ved hurtigt og nemt at opdage uregelmæssigheder i de nøglepræstationsindikatorer (KPI'er), du har interesse for.

Lookout for Metrics registrerer og diagnosticerer automatisk anomalier (outliers fra normen) i forretnings- og driftsdata. Du behøver ikke ML-erfaring for at bruge Lookout for Metrics. Det er en fuldt administreret maskinlæringstjeneste (ML), der bruger specialiserede ML-modeller til at opdage uregelmæssigheder baseret på dine datas karakteristika. For eksempel er trends og sæsonbestemte to karakteristika ved tidsseriemålinger, hvor tærskelbaseret anomalidetektion ikke virker. Tendenser er kontinuerlige variationer (stigninger eller fald) i en metrics værdi. På den anden side er sæsonbestemt periodiske mønstre, der forekommer i et system, som normalt stiger over en basislinje og derefter falder igen.

I dette indlæg demonstrerer vi et almindeligt loyalitetspoint optjening og forbrændingsscenarie, hvor vi opdager uregelmæssigheder i kundens optjening og indløsningsmønster. Vi viser dig, hvordan du bruger disse administrerede tjenester fra AWS til at hjælpe med at finde uregelmæssigheder. Du kan anvende denne løsning til andre brugssager, såsom at opdage uregelmæssigheder i luftkvalitet, trafikmønstre og strømforbrugsmønstre, for at nævne nogle få.

Løsningsoversigt

Dette indlæg demonstrerer, hvordan du kan konfigurere anomalidetektion på et loyalitetspoint, der optjenes og indløses ved hjælp af Lookout for Metrics. Løsningen giver dig mulighed for at downloade relevante datasæt og opsætte anomalidetektion for at detektere optjening og indløsningsmønstre.

Lad os se, hvordan et loyalitetsprogram typisk fungerer, som vist i følgende diagram.

Kunder optjener point for de penge, de bruger på købet. De kan indløse de akkumulerede point i bytte for rabatter, belønninger eller incitamenter.

Opbygning af dette system kræver tre enkle trin:

1. Opret en Amazon Simple Storage Service (Amazon S3) bucket og upload dit eksempeldatasæt.
2. Opret en detektor til Lookout for Metrics.
3. Tilføj et datasæt, og aktiver detektoren for at opdage uregelmæssigheder på historiske data.

Derefter kan du gennemgå og analysere resultaterne.

Opret en S3-bøtte, og upload dit eksempeldatasæt

Download filen loyalitet.csv og gem det lokalt. Fortsæt derefter gennem følgende trin:

1. På Amazon S3-konsollen, lav en S3-spand for at uploade loyalty.csv-filen.

Denne bucket skal være unik og i samme region, hvor du bruger Lookout for Metrics.

2. Åbn den bøtte, du har oprettet.
3. Vælg Upload.

4. Vælg Tilføj filer og vælg loyalty.csv fil.
5. Vælg Upload.

Lav en detektor

En detektor er en Lookout for Metrics-ressource, der overvåger et datasæt og identificerer uregelmæssigheder ved en foruddefineret frekvens. Detektorer bruger ML til at finde mønstre i data og skelne mellem forventede variationer i data og legitime anomalier. For at forbedre ydeevnen lærer en detektor mere om dine data over tid.

I vores anvendelsestilfælde analyserer detektoren daglige data. Udfør følgende trin for at oprette detektoren:

1. På Lookout for Metrics-konsollen skal du vælge Opret detektor.
2. Indtast et navn og en valgfri beskrivelse for detektoren.
3. Til Interval, vælg 1 dags mellemrum.
4. Vælg Opret.

Dine data er som standard krypteret med en nøgle, som AWS ejer og administrerer for dig. Du kan også konfigurere, om du vil bruge en anden krypteringsnøgle end den, der bruges som standard.

Lad os nu pege denne detektor til de data, som du vil have den til at køre anomalidetektion på.

Opret et datasæt

Et datasæt fortæller detektoren, hvor den skal finde dine data, og hvilke metrics, der skal analyseres for uregelmæssigheder. For at oprette et datasæt skal du udføre følgende trin:

1. På Lookout for Metrics-konsollen skal du navigere til din detektor.
2. Vælg Tilføj et datasæt.

3. Til Navn, indtast et navn (f.eks. loyalty-point-anomaly-dataset).
4. Til Tidszone, vælg som relevant.
   
5. Til Datakilde, vælg din datakilde (til dette indlæg, Amazon S3).
6. Til Detektortilstand, vælg din tilstand (for dette indlæg, Backtest).

Med Amazon S3 kan du oprette en detektor i to tilstande:

• Backtest – Denne tilstand bruges til at finde anomalier i historiske data. Det kræver, at alle poster samles i en enkelt fil. Vi bruger denne tilstand med vores use case, fordi vi ønsker at opdage uregelmæssigheder i en kundes historiske loyalitetspointindløsningsmønster forskellige steder.
• Kontinuerlig – Denne tilstand bruges til at opdage uregelmæssigheder i live-data.

7. Indtast S3-stien til den levende S3-mappe og stimønsteret.
8. Vælg Registrer formatindstillinger.
   
9. Lad alle standardformatindstillinger være, og vælg Næste.
   

Konfigurer mål, dimensioner og tidsstempler

Foranstaltninger definere KPI'er, som du vil spore uregelmæssigheder for. Du kan tilføje op til fem mål pr. detektor. De felter, der bruges til at oprette KPI'er ud fra dine kildedata, skal være af numerisk format. KPI'erne kan i øjeblikket defineres ved at aggregere poster inden for tidsintervallet ved at lave en SUM eller AVERAGE.

Mål giver dig mulighed for at opdele dine data ved at definere kategorier eller segmenter. Dette giver dig mulighed for at spore uregelmæssigheder for en delmængde af hele det datasæt, som et bestemt mål er relevant for.

I vores use case tilføjer vi to mål, som beregner summen af ​​de objekter, der ses i 1-dags intervallet, og har én dimension, for hvilken optjente og indløste point måles.

Hver post i datasættet skal have et tidsstempel. Følgende konfiguration giver dig mulighed for at vælge det felt, der repræsenterer tidsstemplets værdi og også formatet af tidsstemplet.

Den næste side giver dig mulighed for at gennemgå alle de detaljer, du har tilføjet, og derefter vælge Gem og aktiver at oprette detektoren.

Detektoren begynder derefter at lære dataene i datakilden. På dette trin ændres detektorens status til Initialisering.

Det er vigtigt at bemærke den mindste mængde data, der kræves, før Lookout for Metrics kan begynde at opdage uregelmæssigheder. For mere information om krav og grænser, se Hold øje med Metric-kvoter.

Med minimal konfiguration har du oprettet din detektor, rettet den mod et datasæt og defineret de metrics, som du vil have Lookout for Metrics til at finde anomalier i.

Gennemgå og analyser resultaterne

Når backtest-jobbet er fuldført, kan du se alle de uregelmæssigheder, som Lookout for Metrics har opdaget i de sidste 30 % af dine historiske data. Herfra kan du begynde at pakke den slags resultater ud, du vil se fra Lookout for Metrics i fremtiden, når du begynder at få de nye data.

Lookout for Metrics giver en rig UI-oplevelse for brugere, der ønsker at bruge AWS Management Console at analysere de anomalier, der opdages. Det giver også mulighed for at forespørge om uregelmæssighederne via API'er.

Lad os se på et eksempel på en uregelmæssighed, der er opdaget fra vores anvendelsessag om loyalitetspoint-anomalidetektor. Følgende skærmbillede viser en anomali opdaget i loyalitetspointindløsning på et bestemt sted på det angivne tidspunkt og dato med en alvorlighedsscore på 91.

Den viser også det procentvise bidrag fra dimensionen til anomalien. I dette tilfælde kommer 100 % bidrag fra placerings-id A-1002-dimensionen.

Ryd op

For at undgå at pådrage sig løbende gebyrer skal du slette følgende ressourcer, der er oprettet i dette indlæg:

• Detektor
• S3 spand
• IAM rolle

Konklusion

I dette indlæg viste vi dig, hvordan du bruger Lookout for Metrics til at fjerne de udifferentierede tunge løft, der er involveret i styringen af ​​end-to-end-livscyklussen for at bygge ML-drevne anomalidetektionsapplikationer. Denne løsning kan hjælpe dig med at accelerere din evne til at finde uregelmæssigheder i vigtige forretningsmålinger og give dig mulighed for at fokusere din indsats på at vokse og forbedre din virksomhed.

Vi opfordrer dig til at lære mere ved at besøge Amazon Lookout for Metrics Developer Guide og prøve end-to-end-løsningen, der er muliggjort af disse tjenester, med et datasæt, der er relevant for din virksomheds KPI'er.

---

Om forfatteren

Dhiraj Thakur er en løsningsarkitekt med Amazon Web Services. Han arbejder sammen med AWS-kunder og -partnere for at give vejledning om cloud-adoption, migrering og strategi. Han brænder for teknologi og nyder at bygge og eksperimentere i analytics og AI/ML-rummet.

• SEO Powered Content & PR Distribution. Bliv forstærket i dag.
• Platoblokkæde. Web3 Metaverse Intelligence. Viden forstærket. Adgang her.
• Kilde: https://aws.amazon.com/blogs/machine-learning/build-a-loyalty-points-anomaly-detector-using-amazon-lookout-for-metrics/