Looge Amazon Lookout for Metricsi abil lojaalsuspunktide anomaaliate detektor

Tänapäeval ei saa klientide lojaalsuse saavutamine olla ühekordne asi. Bränd vajab oma parimate klientide hoidmiseks keskendunud ja integreeritud plaani – lihtsamalt öeldes vajab see klientide lojaalsusprogrammi. Teeni ja põleta programmid on üks peamisi paradigmasid. Tüüpiline teenimis- ja kuluprogramm premeerib kliente pärast teatud arvu külastusi või kulutusi.

Näiteks kiirtoidukett on mõnes kohas käivitanud lojaalsuse teenimise ja põletamise pilootprogrammi. Nad soovivad kasutada lojaalsusprogrammi, et muuta oma kliendikogemus isiklikumaks. Pärast testimist soovivad nad seda tulevikus laiendada erinevatesse riikidesse. Programm võimaldab klientidel teenida punkte iga kulutatud dollari eest. Nad saavad lunastada punkte erinevate preemiavõimaluste jaoks. Uute klientide meelitamiseks annavad nad punkte ka uutele klientidele. Nad testivad lunastamismustrit iga kuu, et kontrollida lojaalsusprogrammi toimimist erinevates kohtades. Lunastamismustri anomaaliate tuvastamine on ülioluline, et võtta õigeaegselt parandusmeetmeid ja tagada programmi üldine edu. Klientidel on erinevates kohtades erinevad teenimis- ja lunastamismustrid, mis põhinevad nende kulutustel ja toiduvalikul. Seetõttu on anomaalia tuvastamise ja algpõhjuse kiire diagnoosimise protsess keeruline, kulukas ja vigadetundlik.

See postitus näitab, kuidas kasutada integreeritud lahendust Amazon Lookout mõõdikute jaoks neid tõkkeid murda, tuvastades kiiresti ja hõlpsalt kõrvalekaldeid teie huvipakkuvates peamistes tulemusnäitajates (KPI).

Lookout for Metrics tuvastab ja diagnoosib automaatselt kõrvalekalded (normist kõrvalekalded) äri- ja tegevusandmetes. Lookout for Metricsi kasutamiseks ei vaja te ML-i kogemust. See on täielikult hallatav masinõppe (ML) teenus, mis kasutab teie andmete omadustel põhinevate kõrvalekallete tuvastamiseks spetsiaalseid ML-mudeleid. Näiteks trendid ja hooajalisus on aegridade mõõdikute kaks omadust, mille puhul lävepõhine anomaaliate tuvastamine ei tööta. Trendid on mõõdiku väärtuse pidevad kõikumised (tõusmised või vähenemised). Teisest küljest on hooajalisus süsteemis esinevad perioodilised mustrid, mis tavaliselt tõusevad baasjoonest kõrgemale ja seejärel taas vähenevad.

Selles postituses demonstreerime levinud lojaalsuspunktide teenimise ja põletamise stsenaariumi, mille puhul tuvastame kõrvalekaldeid kliendi teenimis- ja lunastamismustris. Näitame teile, kuidas kasutada neid AWS-i hallatavaid teenuseid kõrvalekallete leidmiseks. Saate seda lahendust rakendada muudel kasutusjuhtudel, nagu näiteks õhukvaliteedi, liiklusmustrite ja energiatarbimismustrite anomaaliate tuvastamine.

Lahenduse ülevaade

See postitus näitab, kuidas saate luua lojaalsuspunktide teenimis- ja lunastamismustri anomaaliate tuvastamise, kasutades selleks Lookout for Metrics. Lahendus võimaldab teil alla laadida asjakohaseid andmekogumeid ja seadistada anomaalia tuvastamise, et tuvastada teenimis- ja lunastamismustrid.

Vaatame, kuidas püsikliendiprogramm tavaliselt töötab, nagu on näidatud järgmisel diagrammil.

Ostule kulutatud raha eest teenivad kliendid punkte. Nad saavad lunastada kogutud punkte allahindluste, preemiate või soodustuste eest.

Selle süsteemi loomine nõuab kolme lihtsat sammu:

1. Loo Amazoni lihtne salvestusteenus (Amazon S3) ämbrisse ja laadige üles näidisandmekogum.
2. Looge Lookout for Metrics jaoks detektor.
3. Lisage andmestik ja aktiveerige detektor, et tuvastada ajalooliste andmete kõrvalekaldeid.

Seejärel saate tulemusi üle vaadata ja analüüsida.

Looge S3-salv ja laadige üles näidisandmekogum

Laadige fail alla lojaalsus.csv ja salvestage see kohapeal. Seejärel jätkake järgmiste sammudega.

1. Amazon S3 konsoolis luua S3 ämber faili loyalty.csv üleslaadimiseks.

See salp peab olema ainulaadne ja asuma samas piirkonnas, kus kasutate teenust Lookout for Metrics.

2. Avage loodud ämber.
3. Vali Täiendava.

4. Vali Lisa failid ja vali loyalty.csv faili.
5. Vali Täiendava.

Looge detektor

Detektor on Lookout for Metrics ressurss, mis jälgib andmestikku ja tuvastab anomaaliaid etteantud sagedusega. Detektorid kasutavad ML-i andmete mustrite leidmiseks ja andmete eeldatavate variatsioonide ja õigustatud kõrvalekallete eristamiseks. Oma jõudluse parandamiseks õpib detektor teie andmete kohta aja jooksul rohkem teada.

Meie kasutuse puhul analüüsib detektor igapäevaseid andmeid. Anduri loomiseks toimige järgmiselt.

1. Valige konsoolil Lookout for Metrics Loo detektor.
2. Sisestage detektori nimi ja valikuline kirjeldus.
3. eest Intervall, vali 1-päevased intervallid.
4. Vali Looma.

Teie andmed on vaikimisi krüptitud võtmega, mida AWS omab ja mida teie eest haldab. Samuti saate konfigureerida, kas soovite kasutada vaikimisi kasutatavast erinevat krüpteerimisvõtit.

Nüüd suuname selle detektori andmetele, mille puhul soovite anomaalia tuvastamist käivitada.

Looge andmestik

Andmekogum ütleb detektorile, kust teie andmed leida ja milliseid mõõdikuid kõrvalekallete tuvastamiseks analüüsida. Andmestiku loomiseks toimige järgmiselt.

1. Navigeerige konsoolis Lookout for Metrics oma detektorini.
2. Vali Andmestiku lisamine.

3. eest Nimi, sisestage nimi (näiteks loyalty-point-anomaly-dataset).
4. eest Ajavöönd, valige vastavalt vajadusele.
   
5. eest Andmeallikas, valige oma andmeallikas (selle postituse jaoks Amazon S3).
6. eest Detektori režiim, valige oma režiim (selle postituse jaoks Backtest).

Amazon S3 abil saate luua detektori kahes režiimis:

• Backtest – Seda režiimi kasutatakse ajaloolistes andmetes anomaaliate leidmiseks. Kõik kirjed tuleb koondada ühte faili. Kasutame seda režiimi oma kasutusjuhtumiga, kuna tahame tuvastada kõrvalekaldeid kliendi ajaloolises lojaalsuspunktide lunastamismustris erinevates asukohtades.
• Pidev – Seda režiimi kasutatakse reaalajas andmete anomaaliate tuvastamiseks.

7. Sisestage reaalajas S3 kausta ja teemustri S3 tee.
8. Vali Tuvastage vormingu sätted.
   
9. Jätke kõik vormingu vaikeseaded samaks ja valige järgmine.
   

Konfigureerige mõõdud, mõõtmed ja ajatemplid

Meetmed määratlege KPI-d, mille kõrvalekaldeid soovite jälgida. Saate lisada kuni viis mõõtu detektori kohta. Lähteandmetest KPI-de loomiseks kasutatavad väljad peavad olema numbrivormingus. KPI-sid saab praegu määratleda, koondades kirjed ajavahemiku jooksul SUM või AVERAGE abil.

Mõõdud annab teile võimaluse kategooriate või segmentide määratlemise kaudu oma andmeid tükeldada. See võimaldab teil jälgida anomaaliaid kogu andmekogumi alamhulga puhul, mille puhul konkreetne meede on rakendatav.

Meie kasutusjuhul lisame kaks mõõdikut, mis arvutavad 1-päevase intervalliga nähtud objektide summa ja millel on üks dimensioon, mille eest mõõdetakse teenitud ja lunastatud punkte.

Igal andmestiku kirjel peab olema ajatempel. Järgmine konfiguratsioon võimaldab teil valida välja, mis esindab ajatempli väärtust ja ka ajatempli vormingut.

Järgmisel lehel saate vaadata kõiki lisatud üksikasju ja seejärel valida Salvesta ja aktiveeri detektori loomiseks.

Seejärel alustab detektor andmeallikas olevate andmete õppimist. Selles etapis muutub detektori olek Initializing.

Enne kui Lookout for Metrics saab kõrvalekaldeid tuvastada, on oluline arvestada minimaalse andmemahuga. Lisateavet nõuete ja piirangute kohta vt Otsige Metricsi kvoote.

Minimaalse konfiguratsiooniga olete loonud detektori, suunanud selle andmestikule ja määratlenud mõõdikud, mille puhul soovite, et Lookout for Metrics anomaaliad leiaks.

Vaadake ja analüüsige tulemusi

Kui järeltestimise töö on lõpetatud, näete kõiki kõrvalekaldeid, mille Lookout for Metrics tuvastas teie ajalooliste andmete viimase 30% hulgas. Siit saate hakata lahti pakkima selliseid tulemusi, mida näete tulevikus, kui hakkate uusi andmeid hankima rakenduses Lookout for Metrics.

Lookout for Metrics pakub rikkalikku kasutajaliidese kogemust kasutajatele, kes soovivad seda kasutada AWS-i juhtimiskonsool analüüsida avastatud kõrvalekaldeid. Samuti pakub see võimalust anomaaliate kohta API-de kaudu päringuid teha.

Vaatame meie lojaalsuspunktide anomaaliadetektori kasutamise juhtumist tuvastatud kõrvalekalde näidet. Järgmine ekraanipilt näitab lojaalsuspunktide lunastamisel tuvastatud kõrvalekaldeid kindlas kohas määratud ajal ja kuupäeval raskusastmega 91.

See näitab ka mõõtme protsentuaalset panust anomaaliasse. Sel juhul tuleb 100% panus asukoha ID A-1002 dimensioonist.

Koristage

Pidevate tasude vältimiseks kustutage järgmised selles postituses loodud ressursid:

• Detektor
• S3 kopp
• IAM roll

Järeldus

Selles postituses näitasime teile, kuidas kasutada teenust Lookout for Metrics, et kõrvaldada ML-toega anomaaliate tuvastamise rakenduste loomise elutsükli otsast lõpuni haldamine. See lahendus võib aidata teil kiirendada teie suutlikkust leida kõrvalekaldeid peamistes ärimõõdikutes ja võimaldada teil keskenduda oma jõupingutused oma ettevõtte kasvatamisele ja täiustamisele.

Soovitame teil rohkem teada saada, külastades veebilehte Amazon Lookout for Metrics arendaja juhend ja proovige nende teenuste pakutavat täielikku lahendust teie ettevõtte KPI-de jaoks asjakohase andmekogumiga.

---

Teave Autor

Dhiraj Thakur on Amazon Web Servicesi lahenduste arhitekt. Ta teeb koostööd AWS-i klientide ja partneritega, et anda juhiseid ettevõtte pilve kasutuselevõtu, migratsiooni ja strateegia kohta. Ta on kirglik tehnoloogia vastu ning talle meeldib analüütika ja AI/ML-ruumis ehitada ja katsetada.

• SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
• Platoblockchain. Web3 metaversiooni intelligentsus. Täiustatud teadmised. Juurdepääs siia.
• Allikas: https://aws.amazon.com/blogs/machine-learning/build-a-loyalty-points-anomaly-detector-using-amazon-lookout-for-metrics/