Δημιουργήστε έναν ανιχνευτή ανωμαλιών σημείων αφοσίωσης χρησιμοποιώντας το Amazon Lookout for Metrics

Σήμερα, η απόκτηση αφοσίωσης των πελατών δεν μπορεί να είναι εφάπαξ. Μια επωνυμία χρειάζεται ένα εστιασμένο και ολοκληρωμένο σχέδιο για να διατηρήσει τους καλύτερους πελάτες της—με απλά λόγια, χρειάζεται ένα πρόγραμμα αφοσίωσης πελατών. Τα προγράμματα κερδών και εγγραφής είναι ένα από τα κύρια παραδείγματα. Ένα τυπικό πρόγραμμα κέρδους και εγγραφής ανταμείβει τους πελάτες μετά από συγκεκριμένο αριθμό επισκέψεων ή δαπανών.

Για παράδειγμα, μια αλυσίδα γρήγορου φαγητού έχει ξεκινήσει το πιλοτικό πρόγραμμα αφοσίωσης κέρδους και καύσης σε ορισμένες τοποθεσίες. Ψάχνουν να χρησιμοποιήσουν το πρόγραμμα αφοσίωσης για να κάνουν την εμπειρία των πελατών τους πιο προσωπική. Μετά τη δοκιμή, θέλουν να το επεκτείνουν σε περισσότερες τοποθεσίες σε διαφορετικές χώρες στο μέλλον. Το πρόγραμμα επιτρέπει στους πελάτες να κερδίζουν πόντους για κάθε δολάριο που ξοδεύουν. Μπορούν να εξαργυρώσουν τους πόντους προς διαφορετικές επιλογές ανταμοιβής. Για να προσελκύσουν νέους πελάτες, δίνουν πόντους και σε νέους πελάτες. Δοκιμάζουν το μοτίβο εξαργύρωσης κάθε μήνα για να ελέγχουν την απόδοση του προγράμματος αφοσίωσης σε διαφορετικές τοποθεσίες. Ο εντοπισμός ανωμαλιών μοτίβων εξαργύρωσης είναι ζωτικής σημασίας προκειμένου να ληφθούν έγκαιρα διορθωτικά μέτρα και να διασφαλιστεί η συνολική επιτυχία του προγράμματος. Οι πελάτες έχουν διαφορετικά μοτίβα κερδών και εξαργύρωσης σε διαφορετικές τοποθεσίες με βάση τις δαπάνες και την επιλογή του φαγητού τους. Επομένως, η διαδικασία εντοπισμού μιας ανωμαλίας και γρήγορης διάγνωσης της βασικής αιτίας είναι δύσκολη, δαπανηρή και επιρρεπής σε σφάλματα.

Αυτή η ανάρτηση σάς δείχνει πώς να χρησιμοποιήσετε μια ολοκληρωμένη λύση με Αναζήτηση Amazon για μετρήσεις για να σπάσετε αυτά τα εμπόδια εντοπίζοντας γρήγορα και εύκολα ανωμαλίες στους βασικούς δείκτες απόδοσης (KPI) που σας ενδιαφέρουν.

Το Lookout for Metrics εντοπίζει αυτόματα και διαγιγνώσκει ανωμαλίες (εκτός από τον κανόνα) σε επιχειρηματικά και λειτουργικά δεδομένα. Δεν χρειάζεστε εμπειρία ML για να χρησιμοποιήσετε το Lookout for Metrics. Είναι μια πλήρως διαχειριζόμενη υπηρεσία μηχανικής εκμάθησης (ML) που χρησιμοποιεί εξειδικευμένα μοντέλα ML για τον εντοπισμό ανωμαλιών με βάση τα χαρακτηριστικά των δεδομένων σας. Για παράδειγμα, οι τάσεις και η εποχικότητα είναι δύο χαρακτηριστικά των μετρήσεων χρονοσειρών στις οποίες ο εντοπισμός ανωμαλιών με βάση το όριο δεν λειτουργεί. Οι τάσεις είναι συνεχείς διακυμάνσεις (αυξήσεις ή μειώσεις) στην τιμή μιας μέτρησης. Από την άλλη πλευρά, η εποχικότητα είναι περιοδικά μοτίβα που εμφανίζονται σε ένα σύστημα, συνήθως ανεβαίνουν πάνω από μια γραμμή βάσης και στη συνέχεια μειώνονται ξανά.

Σε αυτήν την ανάρτηση, παρουσιάζουμε ένα κοινό σενάριο κέρδους και καύσης πόντων αφοσίωσης, στο οποίο εντοπίζουμε ανωμαλίες στο μοτίβο κέρδους και εξαργύρωσης του πελάτη. Σας δείχνουμε πώς να χρησιμοποιείτε αυτές τις διαχειριζόμενες υπηρεσίες από το AWS για να σας βοηθήσουμε να βρείτε ανωμαλίες. Μπορείτε να εφαρμόσετε αυτήν τη λύση σε άλλες περιπτώσεις χρήσης, όπως η ανίχνευση ανωμαλιών στην ποιότητα του αέρα, τα μοτίβα κυκλοφορίας και τα πρότυπα κατανάλωσης ενέργειας, για να αναφέρουμε μερικές.

Επισκόπηση λύσεων

Αυτή η ανάρτηση δείχνει πώς μπορείτε να ρυθμίσετε τον εντοπισμό ανωμαλιών σε ένα μοτίβο κερδών και εξαργύρωσης πόντων αφοσίωσης χρησιμοποιώντας το Lookout for Metrics. Η λύση σάς επιτρέπει να κάνετε λήψη σχετικών συνόλων δεδομένων και να ρυθμίσετε τον εντοπισμό ανωμαλιών για τον εντοπισμό κερδών και την εξαργύρωση μοτίβων.

Ας δούμε πώς λειτουργεί συνήθως ένα πρόγραμμα αφοσίωσης, όπως φαίνεται στο παρακάτω διάγραμμα.

Οι πελάτες κερδίζουν πόντους για τα χρήματα που ξοδεύουν για την αγορά. Μπορούν να εξαργυρώσουν τους συσσωρευμένους πόντους με αντάλλαγμα εκπτώσεις, ανταμοιβές ή κίνητρα.

Η κατασκευή αυτού του συστήματος απαιτεί τρία απλά βήματα:

1. Δημιουργία ενός Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3) βάλτε τον κάδο και μεταφορτώστε το δείγμα δεδομένων σας.
2. Δημιουργήστε έναν ανιχνευτή για το Lookout for Metrics.
3. Προσθέστε ένα σύνολο δεδομένων και ενεργοποιήστε τον ανιχνευτή για τον εντοπισμό ανωμαλιών σε ιστορικά δεδομένα.

Στη συνέχεια, μπορείτε να ελέγξετε και να αναλύσετε τα αποτελέσματα.

Δημιουργήστε έναν κάδο S3 και ανεβάστε το δείγμα συνόλου δεδομένων σας

Κάντε λήψη του αρχείου πίστη.csv και αποθηκεύστε το τοπικά. Στη συνέχεια, συνεχίστε με τα ακόλουθα βήματα:

1. Στην κονσόλα Amazon S3, δημιουργήστε έναν κάδο S3 για να ανεβάσετε το αρχείο loyalty.csv.

Αυτός ο κάδος πρέπει να είναι μοναδικός και στην ίδια περιοχή όπου χρησιμοποιείτε το Lookout for Metrics.

2. Ανοίξτε τον κάδο που δημιουργήσατε.
3. Επιλέξτε Μεταφόρτωση.

4. Επιλέξτε Προσθήκη αρχείων Και επιλέξτε το loyalty.csv αρχείο.
5. Επιλέξτε Μεταφόρτωση.

Δημιουργήστε έναν ανιχνευτή

Ένας ανιχνευτής είναι ένας πόρος Lookout for Metrics που παρακολουθεί ένα σύνολο δεδομένων και εντοπίζει ανωμαλίες σε μια προκαθορισμένη συχνότητα. Οι ανιχνευτές χρησιμοποιούν ML για να βρουν μοτίβα στα δεδομένα και να διακρίνουν μεταξύ των αναμενόμενων διακυμάνσεων στα δεδομένα και των νόμιμων ανωμαλιών. Για να βελτιώσει την απόδοσή του, ένας ανιχνευτής μαθαίνει περισσότερα για τα δεδομένα σας με την πάροδο του χρόνου.

Στην περίπτωση χρήσης μας, ο ανιχνευτής αναλύει καθημερινά δεδομένα. Για να δημιουργήσετε τον ανιχνευτή, ολοκληρώστε τα παρακάτω βήματα:

1. Στην κονσόλα αναζήτησης για μετρήσεις, επιλέξτε Δημιουργήστε ανιχνευτή.
2. Εισαγάγετε ένα όνομα και προαιρετική περιγραφή για τον ανιχνευτή.
3. Για Διάστημα, επιλέξτε Διαστήματα 1 ημέρας.
4. Επιλέξτε Δημιουργία.

Τα δεδομένα σας κρυπτογραφούνται από προεπιλογή με ένα κλειδί που κατέχει και διαχειρίζεται η AWS για λογαριασμό σας. Μπορείτε επίσης να διαμορφώσετε εάν θέλετε να χρησιμοποιήσετε διαφορετικό κλειδί κρυπτογράφησης από αυτό που χρησιμοποιείται από προεπιλογή.

Τώρα ας κατευθύνουμε αυτόν τον ανιχνευτή στα δεδομένα στα οποία θέλετε να εκτελεί την ανίχνευση ανωμαλιών.

Δημιουργήστε ένα σύνολο δεδομένων

Ένα σύνολο δεδομένων λέει στον ανιχνευτή πού να βρει τα δεδομένα σας και ποιες μετρήσεις να αναλύσει για ανωμαλίες. Για να δημιουργήσετε ένα σύνολο δεδομένων, ολοκληρώστε τα παρακάτω βήματα:

1. Στην κονσόλα Lookout for Metrics, μεταβείτε στον ανιχνευτή σας.
2. Επιλέξτε Προσθέστε ένα σύνολο δεδομένων.

3. Για Όνομα, εισαγάγετε ένα όνομα (για παράδειγμα, loyalty-point-anomaly-dataset).
4. Για Χρονική ζώνη, επιλέξτε όπως ισχύει.
   
5. Για Πηγή δεδομένων, επιλέξτε την πηγή δεδομένων σας (για αυτήν την ανάρτηση, Amazon S3).
6. Για Λειτουργία ανιχνευτή, επιλέξτε τη λειτουργία σας (για αυτήν την ανάρτηση, Backtest).

Με το Amazon S3, μπορείτε να δημιουργήσετε έναν ανιχνευτή σε δύο λειτουργίες:

• Backtest – Αυτή η λειτουργία χρησιμοποιείται για την εύρεση ανωμαλιών σε ιστορικά δεδομένα. Χρειάζεται να ενοποιηθούν όλες οι εγγραφές σε ένα μόνο αρχείο. Χρησιμοποιούμε αυτήν τη λειτουργία με την περίπτωση χρήσης μας επειδή θέλουμε να εντοπίσουμε ανωμαλίες στο ιστορικό μοτίβο εξαργύρωσης πόντων αφοσίωσης ενός πελάτη σε διαφορετικές τοποθεσίες.
• Συνεχής – Αυτή η λειτουργία χρησιμοποιείται για τον εντοπισμό ανωμαλιών σε ζωντανά δεδομένα.

7. Εισαγάγετε τη διαδρομή S3 για το ζωντανό φάκελο S3 και το μοτίβο διαδρομής.
8. Επιλέξτε Εντοπισμός ρυθμίσεων μορφής.
   
9. Αφήστε όλες τις προεπιλεγμένες ρυθμίσεις μορφής ως έχουν και επιλέξτε Επόμενο.
   

Διαμορφώστε μέτρα, διαστάσεις και χρονικές σημάνσεις

Μέτρα ορίστε τους KPI για τους οποίους θέλετε να παρακολουθείτε ανωμαλίες. Μπορείτε να προσθέσετε έως και πέντε μέτρα ανά ανιχνευτή. Τα πεδία που χρησιμοποιούνται για τη δημιουργία KPI από τα δεδομένα προέλευσης πρέπει να είναι αριθμητικής μορφής. Τα KPI μπορούν να οριστούν επί του παρόντος με τη συγκέντρωση εγγραφών εντός του χρονικού διαστήματος κάνοντας ένα SUM ή AVERAGE.

Διαστάσεις σας δίνουν τη δυνατότητα να κόβετε σε φέτες και σε κύβους τα δεδομένα σας ορίζοντας κατηγορίες ή τμήματα. Αυτό σας επιτρέπει να παρακολουθείτε ανωμαλίες για ένα υποσύνολο ολόκληρου του συνόλου δεδομένων για το οποίο ισχύει ένα συγκεκριμένο μέτρο.

Στην περίπτωση χρήσης μας, προσθέτουμε δύο μέτρα, τα οποία υπολογίζουν το άθροισμα των αντικειμένων που φαίνονται στο διάστημα 1 ημέρας και έχουν μία διάσταση, για την οποία μετρώνται οι κερδισμένοι και οι εξαργυρωμένοι πόντοι.

Κάθε εγγραφή στο σύνολο δεδομένων πρέπει να έχει χρονική σήμανση. Η ακόλουθη διαμόρφωση σάς επιτρέπει να επιλέξετε το πεδίο που αντιπροσωπεύει την τιμή της χρονικής σφραγίδας και επίσης τη μορφή της χρονικής σφραγίδας.

Η επόμενη σελίδα σάς επιτρέπει να ελέγξετε όλες τις λεπτομέρειες που προσθέσατε και στη συνέχεια να επιλέξετε Αποθήκευση και ενεργοποίηση για τη δημιουργία του ανιχνευτή.

Στη συνέχεια, ο ανιχνευτής αρχίζει να μαθαίνει τα δεδομένα στην πηγή δεδομένων. Σε αυτό το στάδιο, η κατάσταση του ανιχνευτή αλλάζει σε Αρχικοποίηση.

Είναι σημαντικό να σημειωθεί ο ελάχιστος όγκος δεδομένων που απαιτείται προτού το Lookout for Metrics αρχίσει να εντοπίζει ανωμαλίες. Για περισσότερες πληροφορίες σχετικά με τις απαιτήσεις και τα όρια, βλ Αναζητήστε ποσοστώσεις Metrics.

Με ελάχιστη διαμόρφωση, δημιουργήσατε τον ανιχνευτή σας, τον δείξατε σε ένα σύνολο δεδομένων και έχετε ορίσει τις μετρήσεις στις οποίες θέλετε το Lookout for Metrics να εντοπίζει ανωμαλίες.

Ελέγξτε και αναλύστε τα αποτελέσματα

Όταν ολοκληρωθεί η εργασία του backtesting, μπορείτε να δείτε όλες τις ανωμαλίες που εντόπισε το Lookout for Metrics στο τελευταίο 30% των δεδομένων ιστορικού σας. Από εδώ, μπορείτε να αρχίσετε να αποσυσκευάζετε τα είδη των αποτελεσμάτων που θα βλέπετε από το Lookout for Metrics στο μέλλον, όταν αρχίσετε να λαμβάνετε τα νέα δεδομένα.

Το Lookout for Metrics παρέχει μια πλούσια εμπειρία διεπαφής χρήστη για χρήστες που θέλουν να το χρησιμοποιήσουν Κονσόλα διαχείρισης AWS για την ανάλυση των ανωμαλιών που ανιχνεύονται. Παρέχει επίσης τη δυνατότητα διερεύνησης των ανωμαλιών μέσω API.

Ας δούμε ένα παράδειγμα ανωμαλίας που εντοπίστηκε από την περίπτωση χρήσης ανιχνευτή ανωμαλίας σημείων αφοσίωσης. Το παρακάτω στιγμιότυπο οθόνης δείχνει μια ανωμαλία που εντοπίστηκε στην εξαργύρωση πόντων αφοσίωσης σε μια συγκεκριμένη τοποθεσία την καθορισμένη ώρα και ημερομηνία με βαθμολογία σοβαρότητας 91.

Δείχνει επίσης την ποσοστιαία συμβολή της διάστασης στην ανωμαλία. Σε αυτήν την περίπτωση, η συνεισφορά 100% προέρχεται από την ιδιότητα αναγνωριστικού τοποθεσίας A-1002.

εκκαθάριση

Για να αποφύγετε τις συνεχιζόμενες χρεώσεις, διαγράψτε τους ακόλουθους πόρους που δημιουργήθηκαν σε αυτήν την ανάρτηση:

• Ανιχνευτής
• Κάδος S3
• IAM ρόλο

Συμπέρασμα

Σε αυτήν την ανάρτηση, σας δείξαμε πώς να χρησιμοποιείτε το Lookout for Metrics για να αφαιρέσετε την αδιαφοροποίητη βαριά ανύψωση που εμπλέκεται στη διαχείριση του κύκλου ζωής από άκρο σε άκρο της κατασκευής εφαρμογών ανίχνευσης ανωμαλιών που τροφοδοτούνται από ML. Αυτή η λύση μπορεί να σας βοηθήσει να επιταχύνετε την ικανότητά σας να βρίσκετε ανωμαλίες σε βασικές επιχειρηματικές μετρήσεις και να σας επιτρέψει να εστιάσετε τις προσπάθειές σας στην ανάπτυξη και τη βελτίωση της επιχείρησής σας.

Σας ενθαρρύνουμε να μάθετε περισσότερα επισκεπτόμενοι το Οδηγός προγραμματιστή Amazon Lookout for Metrics και να δοκιμάσετε τη λύση από άκρο σε άκρο που ενεργοποιείται από αυτές τις υπηρεσίες με ένα σύνολο δεδομένων που σχετίζεται με τους KPI της επιχείρησής σας.

---

Σχετικά με το Συγγραφέας

Dhiraj Thakur είναι αρχιτέκτονας λύσεων με τις υπηρεσίες Web της Amazon. Συνεργάζεται με πελάτες και συνεργάτες της AWS για να παρέχει καθοδήγηση σχετικά με την υιοθέτηση, τη μετανάστευση και τη στρατηγική εταιρικού cloud. Είναι παθιασμένος με την τεχνολογία και του αρέσει να χτίζει και να πειραματίζεται στον χώρο ανάλυσης και AI/ML.

• SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
• Platoblockchain. Web3 Metaverse Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
• πηγή: https://aws.amazon.com/blogs/machine-learning/build-a-loyalty-points-anomaly-detector-using-amazon-lookout-for-metrics/