Erstellen Sie mit Amazon Lookout for Metrics einen Detektor für Anomalien bei Treuepunkten

Kundenbindung kann heute keine einmalige Sache sein. Eine Marke braucht einen fokussierten und integrierten Plan, um ihre besten Kunden zu halten – einfach gesagt, sie braucht ein Kundenbindungsprogramm. Earn and Burn-Programme sind eines der wichtigsten Paradigmen. Ein typisches Earn-and-Burn-Programm belohnt Kunden nach einer bestimmten Anzahl von Besuchen oder Ausgaben.

Beispielsweise hat eine Fast-Food-Kette an einigen Standorten ihr Earn-and-Burn-Loyalty-Pilotprogramm gestartet. Sie möchten das Treueprogramm nutzen, um ihr Kundenerlebnis persönlicher zu gestalten. Nach dem Testen wollen sie es in Zukunft auf weitere Standorte in verschiedenen Ländern ausdehnen. Das Programm ermöglicht es Kunden, Punkte für jeden Dollar zu sammeln, den sie ausgeben. Sie können die Punkte gegen verschiedene Prämienoptionen einlösen. Um neue Kunden zu gewinnen, geben sie auch Punkten an neue Kunden. Sie testen das Einlösemuster jeden Monat, um die Leistung des Treueprogramms an verschiedenen Standorten zu überprüfen. Die Identifizierung von Anomalien bei Einlösungsmustern ist entscheidend, um rechtzeitig Korrekturmaßnahmen zu ergreifen und den Gesamterfolg des Programms sicherzustellen. Kunden haben je nach Ausgaben und Essensauswahl an verschiedenen Standorten unterschiedliche Muster zum Sammeln und Einlösen. Daher ist der Prozess der Identifizierung einer Anomalie und der schnellen Diagnose der Grundursache schwierig, kostspielig und fehleranfällig.

Dieser Beitrag zeigt Ihnen, wie Sie eine integrierte Lösung mit Amazon Lookout für Metriken um diese Barrieren zu durchbrechen, indem Sie Anomalien in den Key Performance Indicators (KPIs) Ihres Interesses schnell und einfach erkennen.

Lookout for Metrics erkennt und diagnostiziert automatisch Anomalien (Ausreißer von der Norm) in Geschäfts- und Betriebsdaten. Sie benötigen keine ML-Erfahrung, um Lookout for Metrics zu verwenden. Es handelt sich um einen vollständig verwalteten Dienst für maschinelles Lernen (ML), der spezielle ML-Modelle verwendet, um Anomalien basierend auf den Merkmalen Ihrer Daten zu erkennen. Beispielsweise sind Trends und Saisonalität zwei Merkmale von Zeitreihenmetriken, bei denen die schwellenwertbasierte Anomalieerkennung nicht funktioniert. Trends sind kontinuierliche Schwankungen (Zunahmen oder Abnahmen) des Werts einer Metrik. Auf der anderen Seite handelt es sich bei Saisonalität um periodische Muster, die in einem System auftreten und normalerweise über eine Basislinie ansteigen und dann wieder abnehmen.

In diesem Beitrag demonstrieren wir ein gängiges Szenario zum Sammeln und Verbrennen von Treuepunkten, in dem wir Anomalien im Sammel- und Einlösemuster des Kunden erkennen. Wir zeigen Ihnen, wie Sie diese Managed Services von AWS verwenden, um Anomalien zu finden. Sie können diese Lösung auf andere Anwendungsfälle anwenden, z. B. die Erkennung von Anomalien in der Luftqualität, Verkehrsmustern und Stromverbrauchsmustern, um nur einige zu nennen.

Lösungsüberblick

Dieser Beitrag zeigt, wie Sie mithilfe von Lookout for Metrics eine Anomalieerkennung für das Sammeln und Einlösen von Treuepunkten einrichten können. Die Lösung ermöglicht es Ihnen, relevante Datensätze herunterzuladen und die Anomalieerkennung einzurichten, um Erwerbs- und Einlösungsmuster zu erkennen.

Sehen wir uns an, wie ein Treueprogramm normalerweise funktioniert, wie im folgenden Diagramm dargestellt.

Kunden sammeln Punkte für das Geld, das sie für den Kauf ausgeben. Sie können die gesammelten Punkte gegen Rabatte, Prämien oder Incentives einlösen.

Der Aufbau dieses Systems erfordert drei einfache Schritte:

1. Erstellen Sie ein Amazon Simple Storage-Service (Amazon S3)-Bucket und laden Sie Ihren Beispieldatensatz hoch.
2. Erstellen Sie einen Detektor für Lookout for Metrics.
3. Fügen Sie einen Datensatz hinzu und aktivieren Sie den Detektor, um Anomalien in historischen Daten zu erkennen.

Anschließend können Sie die Ergebnisse überprüfen und analysieren.

Erstellen Sie einen S3-Bucket und laden Sie Ihren Beispieldatensatz hoch

Laden Sie die Datei Loyalität.csv und speichern Sie es lokal. Fahren Sie dann mit den folgenden Schritten fort:

1. Auf der Amazon S3-Konsole, Erstellen Sie einen S3-Bucket um die Datei loyality.csv hochzuladen.

Dieser Bucket muss eindeutig sein und sich in derselben Region befinden, in der Sie Lookout for Metrics verwenden.

2. Öffnen Sie den von Ihnen erstellten Bucket.
3. Auswählen Hochladen.

4. Auswählen Hinzufügen von Dateien und wähle das loyalty.csv Datei.
5. Auswählen Hochladen.

Erstellen Sie einen Detektor

Ein Detektor ist eine Lookout for Metrics-Ressource, die einen Datensatz überwacht und Anomalien mit einer vordefinierten Häufigkeit identifiziert. Detektoren verwenden ML, um Muster in Daten zu finden und zwischen erwarteten Abweichungen in Daten und legitimen Anomalien zu unterscheiden. Um seine Leistung zu verbessern, lernt ein Detektor im Laufe der Zeit mehr über Ihre Daten.

In unserem Anwendungsfall analysiert der Detektor tägliche Daten. Führen Sie die folgenden Schritte aus, um den Detektor zu erstellen:

1. Wählen Sie in der Konsole Lookout for Metrics die Option Detektor erstellen.
2. Geben Sie einen Namen und optional eine Beschreibung für den Detektor ein.
3. Aussichten für Intervall, wählen 1 Tag Intervall.
4. Auswählen Erstellen.

Ihre Daten werden standardmäßig mit einem Schlüssel verschlüsselt, den AWS besitzt und für Sie verwaltet. Sie können auch konfigurieren, ob Sie einen anderen Verschlüsselungsschlüssel als den standardmäßig verwendeten verwenden möchten.

Lassen Sie uns nun diesen Detektor auf die Daten richten, für die er die Anomalieerkennung ausführen soll.

Erstellen Sie einen Datensatz

Ein Datensatz teilt dem Detektor mit, wo er Ihre Daten finden und welche Metriken auf Anomalien analysiert werden sollen. Führen Sie die folgenden Schritte aus, um ein Dataset zu erstellen:

1. Navigieren Sie in der Lookout for Metrics-Konsole zu Ihrem Detektor.
2. Auswählen Fügen Sie einen Datensatz hinzu.

3. Aussichten für Name und VornameGeben Sie einen Namen ein (z. B. loyalty-point-anomaly-dataset).
4. Aussichten für Zeitzone, wählen Sie das Zutreffende aus.
   
5. Aussichten für Datenquelle, wählen Sie Ihre Datenquelle (für diesen Beitrag Amazon S3).
6. Aussichten für Detektormodus, wählen Sie Ihren Modus (für diesen Beitrag Backtest).

Mit Amazon S3 können Sie einen Detektor in zwei Modi erstellen:

• Backtest – Dieser Modus wird verwendet, um Anomalien in historischen Daten zu finden. Alle Datensätze müssen in einer einzigen Datei konsolidiert werden. Wir verwenden diesen Modus in unserem Anwendungsfall, weil wir Anomalien im historischen Einlösungsmuster für Treuepunkte eines Kunden an verschiedenen Standorten erkennen möchten.
• Kontinuierlich – Dieser Modus wird verwendet, um Anomalien in Live-Daten zu erkennen.

7. Geben Sie den S3-Pfad für den Live-S3-Ordner und das Pfadmuster ein.
8. Auswählen Formateinstellungen erkennen.
   
9. Lassen Sie alle Standardformateinstellungen unverändert und wählen Sie Weiter.
   

Konfigurieren Sie Kennzahlen, Dimensionen und Zeitstempel

Maßnahmen Definieren Sie KPIs, für die Sie Anomalien verfolgen möchten. Sie können bis zu fünf Messungen pro Detektor hinzufügen. Die Felder, die zum Erstellen von KPIs aus Ihren Quelldaten verwendet werden, müssen ein numerisches Format haben. Die KPIs können derzeit definiert werden, indem Datensätze innerhalb des Zeitintervalls aggregiert werden, indem SUM oder AVERAGE erstellt werden.

Abmessungen geben Ihnen die Möglichkeit, Ihre Daten zu schneiden und zu würfeln, indem Sie Kategorien oder Segmente definieren. Auf diese Weise können Sie Anomalien für eine Teilmenge des gesamten Datensatzes verfolgen, für die eine bestimmte Kennzahl anwendbar ist.

In unserem Anwendungsfall fügen wir zwei Kennzahlen hinzu, die die Summe der im 1-Tages-Intervall gesehenen Objekte berechnen, und haben eine Dimension, für die verdiente und eingelöste Punkte gemessen werden.

Jeder Datensatz im Dataset muss einen Zeitstempel haben. Mit der folgenden Konfiguration können Sie das Feld auswählen, das den Zeitstempelwert darstellt, sowie das Format des Zeitstempels.

Auf der nächsten Seite können Sie alle von Ihnen hinzugefügten Details überprüfen und dann auswählen Speichern und aktivieren um den Detektor zu erstellen.

Der Detektor beginnt dann mit dem Lernen der Daten in der Datenquelle. In diesem Stadium ändert sich der Status des Detektors zu Initialisierung.

Es ist wichtig, die Mindestdatenmenge zu beachten, die erforderlich ist, bevor Lookout for Metrics mit der Erkennung von Anomalien beginnen kann. Weitere Informationen zu Anforderungen und Grenzwerten finden Sie unter Achten Sie auf Metrikkontingente.

Mit minimaler Konfiguration haben Sie Ihren Detektor erstellt, ihn auf einen Datensatz ausgerichtet und die Metriken definiert, in denen Lookout for Metrics Anomalien finden soll.

Überprüfen und analysieren Sie die Ergebnisse

Wenn der Backtesting-Job abgeschlossen ist, können Sie alle Anomalien sehen, die Lookout for Metrics in den letzten 30 % Ihrer historischen Daten erkannt hat. Von hier aus können Sie damit beginnen, die Arten von Ergebnissen zu entpacken, die Sie in Zukunft von Lookout for Metrics sehen werden, wenn Sie beginnen, die neuen Daten zu erhalten.

Lookout for Metrics bietet eine umfassende Benutzeroberfläche für Benutzer, die die AWS-Managementkonsole um die erkannten Anomalien zu analysieren. Es bietet auch die Möglichkeit, die Anomalien über APIs abzufragen.

Sehen wir uns ein Beispiel für eine Anomalie an, die in unserem Anwendungsfall für den Anomaliedetektor für Treuepunkte erkannt wurde. Der folgende Screenshot zeigt eine Anomalie, die bei der Einlösung von Treuepunkten an einem bestimmten Ort zum angegebenen Zeitpunkt und Datum mit einem Schweregrad von 91 erkannt wurde.

Es zeigt auch den prozentualen Beitrag der Dimension zur Anomalie. In diesem Fall stammt der Beitrag von 100 % aus der Dimension Standort-ID A-1002.

Aufräumen

Löschen Sie die folgenden in diesem Beitrag erstellten Ressourcen, um laufende Gebühren zu vermeiden:

• Detektor
• S3-Eimer
• IAM-Rolle

Zusammenfassung

In diesem Beitrag haben wir Ihnen gezeigt, wie Sie Lookout for Metrics verwenden, um die undifferenzierte Schwerstarbeit zu beseitigen, die mit der Verwaltung des End-to-End-Lebenszyklus beim Erstellen von ML-gestützten Anomalieerkennungsanwendungen verbunden ist. Diese Lösung kann Ihnen dabei helfen, Anomalien in wichtigen Geschäftskennzahlen schneller zu finden und sich auf das Wachstum und die Verbesserung Ihres Unternehmens zu konzentrieren.

Wir empfehlen Ihnen, mehr zu erfahren, indem Sie die Entwicklerhandbuch für Amazon Lookout for Metrics und das Ausprobieren der durch diese Dienste ermöglichten End-to-End-Lösung mit einem Datensatz, der für Ihre Geschäfts-KPIs relevant ist.

---

Über den Autor

Dhiraj Thakur ist ein Lösungsarchitekt bei Amazon Web Services. Er arbeitet mit AWS-Kunden und -Partnern zusammen, um Anleitungen zur Einführung, Migration und Strategie von Unternehmens-Clouds zu geben. Er liebt Technologie und baut und experimentiert gerne im Bereich Analytics und AI / ML.

• SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
• Platoblockkette. Web3-Metaverse-Intelligenz. Wissen verstärkt. Hier zugreifen.
• Quelle: https://aws.amazon.com/blogs/machine-learning/build-a-loyalty-points-anomaly-detector-using-amazon-lookout-for-metrics/