Cree un detector de anomalías de puntos de fidelidad con Amazon Lookout for Metrics

Hoy en día, fidelizar a los clientes no puede ser algo aislado. Una marca necesita un plan enfocado e integrado para retener a sus mejores clientes; en pocas palabras, necesita un programa de fidelización de clientes. Los programas de ganar y quemar son uno de los principales paradigmas. Un programa típico de ganar y quemar recompensa a los clientes después de una cierta cantidad de visitas o gastos.

Por ejemplo, una cadena de comida rápida ha lanzado su programa piloto de lealtad de ganar y quemar en algunos lugares. Buscan utilizar el programa de fidelización para que la experiencia de sus clientes sea más personal. Tras la prueba, quieren expandirlo a más ubicaciones en diferentes países en el futuro. El programa permite a los clientes ganar puntos por cada dólar que gastan. Pueden canjear los puntos por diferentes opciones de recompensas. Para atraer nuevos clientes, también dan puntos a los nuevos clientes. Prueban el patrón de canje todos los meses para comprobar el rendimiento del programa de fidelización en diferentes ubicaciones. La identificación de anomalías en los patrones de canje es crucial para tomar medidas correctivas a tiempo y garantizar el éxito general del programa. Los clientes tienen diferentes patrones para ganar y canjear en diferentes ubicaciones en función de sus gastos y elección de alimentos. Por lo tanto, el proceso de identificar una anomalía y diagnosticar rápidamente la causa raíz es difícil, costoso y propenso a errores.

Esta publicación le muestra cómo utilizar una solución integrada con Amazon Lookout para métricas para romper estas barreras mediante la detección rápida y sencilla de anomalías en los indicadores clave de rendimiento (KPI) de su interés.

Lookout for Metrics detecta y diagnostica automáticamente anomalías (valores atípicos de la norma) en los datos comerciales y operativos. No necesita experiencia en ML para usar Lookout for Metrics. Es un servicio de aprendizaje automático (ML) completamente administrado que utiliza modelos de ML especializados para detectar anomalías en función de las características de sus datos. Por ejemplo, las tendencias y la estacionalidad son dos características de las métricas de series temporales en las que la detección de anomalías basada en umbrales no funciona. Las tendencias son variaciones continuas (aumentos o disminuciones) en el valor de una métrica. Por otro lado, la estacionalidad son patrones periódicos que ocurren en un sistema, generalmente aumentando por encima de una línea de base y luego disminuyendo nuevamente.

En esta publicación, demostramos un escenario común de ganar y quemar puntos de lealtad, en el que detectamos anomalías en el patrón de ganar y canjear del cliente. Le mostramos cómo usar estos servicios administrados de AWS para ayudar a encontrar anomalías. Puede aplicar esta solución a otros casos de uso, como detectar anomalías en la calidad del aire, patrones de tráfico y patrones de consumo de energía, por nombrar algunos.

Resumen de la solución

Esta publicación demuestra cómo puede configurar la detección de anomalías en un patrón de obtención y canje de puntos de lealtad utilizando Lookout for Metrics. La solución le permite descargar conjuntos de datos relevantes y configurar la detección de anomalías para detectar patrones de obtención y canje.

Veamos cómo funciona normalmente un programa de lealtad, como se muestra en el siguiente diagrama.

Los clientes ganan puntos por el dinero que gastan en la compra. Pueden canjear los puntos acumulados a cambio de descuentos, premios o incentivos.

La construcción de este sistema requiere tres sencillos pasos:

1. Crear una Servicio de almacenamiento simple de Amazon (Amazon S3) y cargue su conjunto de datos de muestra.
2. Cree un detector para Lookout for Metrics.
3. Agregue un conjunto de datos y active el detector para detectar anomalías en los datos históricos.

Luego, puede revisar y analizar los resultados.

Cree un depósito de S3 y cargue su conjunto de datos de muestra

Descargar el archivo lealtad.csv y guárdelo localmente. Luego continúe con los siguientes pasos:

1. En la consola de Amazon S3, crear un cubo S3 para cargar el archivo lealtad.csv.

Este grupo debe ser único y estar en la misma región en la que usa Lookout for Metrics.

2. Abre el depósito que creaste.
3. Elige Subir.

4. Elige Añadir archivos Y elige la loyalty.csv archivo.
5. Elige Subir.

Crear un detector

Un detector es un recurso de Lookout for Metrics que monitorea un conjunto de datos e identifica anomalías con una frecuencia predefinida. Los detectores usan ML para encontrar patrones en los datos y distinguir entre variaciones esperadas en los datos y anomalías legítimas. Para mejorar su rendimiento, un detector aprende más sobre sus datos con el tiempo.

En nuestro caso de uso, el detector analiza datos diarios. Para crear el detector, complete los siguientes pasos:

1. En la consola de Lookout for Metrics, elija Crear detector.
2. Introduzca un nombre y una descripción opcional para el detector.
3. Intervalo, escoger intervalos de 1 día.
4. Elige Crear.

Sus datos están cifrados de forma predeterminada con una clave que AWS posee y administra por usted. También puede configurar si desea utilizar una clave de cifrado diferente a la que se utiliza por defecto.

Ahora apuntemos este detector a los datos en los que desea que ejecute la detección de anomalías.

Crear un conjunto de datos

Un conjunto de datos le dice al detector dónde encontrar sus datos y qué métricas analizar en busca de anomalías. Para crear un conjunto de datos, complete los siguientes pasos:

1. En la consola Lookout for Metrics, navegue hasta su detector.
2. Elige Agregar un conjunto de datos.

3. Nombre, ingrese un nombre (por ejemplo, loyalty-point-anomaly-dataset).
4. Zona horaria, elija según corresponda.
   
5. Fuente de datos, elija su fuente de datos (para esta publicación, Amazon S3).
6. Modo detector, seleccione su modo (para esta publicación, Backtest).

Con Amazon S3, puede crear un detector en dos modos:

• Backtest – Este modo se utiliza para encontrar anomalías en los datos históricos. Necesita que todos los registros se consoliden en un solo archivo. Usamos este modo con nuestro caso de uso porque queremos detectar anomalías en el patrón de canje de puntos de lealtad históricos de un cliente en diferentes ubicaciones.
• ASESORIA CONTINUA – Este modo se utiliza para detectar anomalías en los datos en vivo.

7. Ingrese la ruta de S3 para la carpeta y el patrón de ruta de S3 en vivo.
8. Elige Detectar configuraciones de formato.
   
9. Deje todas las configuraciones de formato predeterminadas como están y elija Siguiente.
   

Configurar medidas, dimensiones y marcas de tiempo

Medidas Defina los KPI para los que desea realizar un seguimiento de las anomalías. Puede agregar hasta cinco medidas por detector. Los campos que se utilizan para crear KPI a partir de sus datos de origen deben tener formato numérico. Los KPI se pueden definir actualmente agregando registros dentro del intervalo de tiempo haciendo una SUMA o PROMEDIO.

Dimensiones le da la capacidad de dividir y cortar sus datos mediante la definición de categorías o segmentos. Esto le permite rastrear anomalías para un subconjunto de todo el conjunto de datos para el que se aplica una medida en particular.

En nuestro caso de uso, agregamos dos medidas, que calculan la suma de los objetos vistos en el intervalo de 1 día, y tienen una dimensión, para la cual se miden los puntos ganados y canjeados.

Cada registro del conjunto de datos debe tener una marca de tiempo. La siguiente configuración le permite elegir el campo que representa el valor de la marca de tiempo y también el formato de la marca de tiempo.

La página siguiente le permite revisar todos los detalles que agregó y luego elegir Guardar y activar para crear el detector.

El detector entonces comienza a aprender los datos en la fuente de datos. En esta etapa, el estado del detector cambia a Inicializando.

Es importante tener en cuenta la cantidad mínima de datos necesarios antes de que Lookout for Metrics pueda comenzar a detectar anomalías. Para obtener más información sobre requisitos y límites, consulte Esté atento a las cuotas de métricas.

Con una configuración mínima, ha creado su detector, lo ha apuntado a un conjunto de datos y ha definido las métricas en las que desea que Lookout Metrics encuentre anomalías.

Revisar y analizar los resultados.

Cuando se completa el trabajo de backtesting, puede ver todas las anomalías que Lookout for Metrics detectó en el último 30 % de sus datos históricos. Desde aquí, puede comenzar a desempaquetar los tipos de resultados que verá en Lookout for Metrics en el futuro cuando comience a obtener los nuevos datos.

Lookout for Metrics proporciona una rica experiencia de interfaz de usuario para los usuarios que desean utilizar el Consola de administración de AWS analizar las anomalías detectadas. También proporciona la capacidad de consultar las anomalías a través de las API.

Veamos un ejemplo de anomalía detectada en nuestro caso de uso del detector de anomalías de puntos de fidelidad. La siguiente captura de pantalla muestra una anomalía detectada en el canje de puntos de lealtad en una ubicación específica en la fecha y hora designadas con una puntuación de gravedad de 91.

También muestra la contribución porcentual de la dimensión hacia la anomalía. En este caso, el 100 % de la contribución proviene de la dimensión ID de ubicación A-1002.

Limpiar

Para evitar incurrir en cargos continuos, elimine los siguientes recursos creados en esta publicación:

• Detector
• Cucharón S3
• Rol de IAM

Conclusión

En esta publicación, le mostramos cómo utilizar Lookout for Metrics para eliminar el trabajo pesado indiferenciado que implica la gestión del ciclo de vida de extremo a extremo de la creación de aplicaciones de detección de anomalías basadas en ML. Esta solución puede ayudarlo a acelerar su capacidad para encontrar anomalías en las métricas comerciales clave y permitirle concentrar sus esfuerzos en hacer crecer y mejorar su negocio.

Le animamos a que obtenga más información visitando el Guía para desarrolladores de Amazon Lookout for Metrics y probar la solución integral habilitada por estos servicios con un conjunto de datos relevante para los KPI de su negocio.

---

Sobre la autora

Dhiraj Thakur es un arquitecto de soluciones con Amazon Web Services. Trabaja con los clientes y socios de AWS para proporcionar orientación sobre la adopción, la migración y la estrategia de la nube empresarial. Es un apasionado de la tecnología y disfruta construyendo y experimentando en el espacio analítico y AI / ML.

• Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
• Platoblockchain. Inteligencia del Metaverso Web3. Conocimiento amplificado. Accede Aquí.
• Fuente: https://aws.amazon.com/blogs/machine-learning/build-a-loyalty-points-anomaly-detector-using-amazon-lookout-for-metrics/