Créez un détecteur d'anomalies de points de fidélité à l'aide d'Amazon Lookout for Metrics

Aujourd'hui, la fidélisation de la clientèle ne peut plus être une chose ponctuelle. Une marque a besoin d'un plan ciblé et intégré pour fidéliser ses meilleurs clients. En termes simples, elle a besoin d'un programme de fidélisation de la clientèle. Les programmes de gain et de gravure sont l'un des principaux paradigmes. Un programme typique de gains et de consommation récompense les clients après un certain nombre de visites ou de dépenses.

Par exemple, une chaîne de restauration rapide a lancé son programme pilote de fidélisation à gagner et à brûler dans certains endroits. Ils cherchent à utiliser le programme de fidélité pour personnaliser leur expérience client. Après les tests, ils souhaitent l'étendre à davantage d'emplacements dans différents pays à l'avenir. Le programme permet aux clients de gagner des points pour chaque dollar dépensé. Ils peuvent échanger les points contre différentes options de récompenses. Pour attirer de nouveaux clients, ils donnent également des points aux nouveaux clients. Ils testent le modèle d'échange chaque mois pour vérifier les performances du programme de fidélité à différents endroits. L'identification des anomalies de modèle de rachat est cruciale afin de prendre des mesures correctives à temps et d'assurer le succès global du programme. Les clients ont différents modèles de gain et d'échange à différents endroits en fonction de leurs dépenses et de leur choix de nourriture. Par conséquent, le processus d'identification d'une anomalie et de diagnostic rapide de la cause première est difficile, coûteux et sujet aux erreurs.

Cet article vous montre comment utiliser une solution intégrée avec Amazon Lookout pour les métriques pour briser ces barrières en détectant rapidement et facilement les anomalies dans les indicateurs clés de performance (KPI) qui vous intéressent.

Lookout for Metrics détecte et diagnostique automatiquement les anomalies (outliers par rapport à la norme) dans les données commerciales et opérationnelles. Vous n'avez pas besoin d'expérience en ML pour utiliser Lookout for Metrics. Il s'agit d'un service d'apprentissage automatique (ML) entièrement géré qui utilise des modèles ML spécialisés pour détecter les anomalies en fonction des caractéristiques de vos données. Par exemple, les tendances et la saisonnalité sont deux caractéristiques des métriques de séries chronologiques dans lesquelles la détection d'anomalies basée sur un seuil ne fonctionne pas. Les tendances sont des variations continues (augmentations ou diminutions) de la valeur d'une métrique. D'autre part, la saisonnalité est constituée de modèles périodiques qui se produisent dans un système, s'élevant généralement au-dessus d'une ligne de base, puis diminuant à nouveau.

Dans cet article, nous présentons un scénario courant de gain et de consommation de points de fidélité, dans lequel nous détectons des anomalies dans le modèle de gain et de rachat du client. Nous vous montrons comment utiliser ces services gérés d'AWS pour vous aider à trouver des anomalies. Vous pouvez appliquer cette solution à d'autres cas d'utilisation tels que la détection d'anomalies dans la qualité de l'air, les modèles de trafic et les modèles de consommation d'énergie, pour n'en nommer que quelques-uns.

Vue d'ensemble de la solution

Cet article montre comment vous pouvez configurer la détection d'anomalies sur un modèle de gain et d'échange de points de fidélité à l'aide de Lookout for Metrics. La solution vous permet de télécharger des ensembles de données pertinents et de configurer la détection des anomalies pour détecter les modèles de gain et de rachat.

Voyons comment fonctionne généralement un programme de fidélité, comme le montre le schéma suivant.

Les clients gagnent des points pour l'argent qu'ils dépensent pour l'achat. Ils peuvent échanger les points accumulés contre des remises, des récompenses ou des incitations.

La construction de ce système nécessite trois étapes simples:

1. Créer un Service de stockage simple Amazon (Amazon S3) et chargez votre exemple d'ensemble de données.
2. Créez un détecteur pour Lookout for Metrics.
3. Ajoutez un jeu de données et activez le détecteur pour détecter les anomalies sur les données historiques.

Ensuite, vous pouvez examiner et analyser les résultats.

Créez un compartiment S3 et téléchargez votre exemple de jeu de données

Télécharger le fichier fidélité.csv et enregistrez-le localement. Continuez ensuite par les étapes suivantes:

1. Sur la console Amazon S3, créer un compartiment S3 pour télécharger le fichier fidélité.csv.

Ce compartiment doit être unique et dans la même région où vous utilisez Lookout for Metrics.

2. Ouvrez le bucket que vous avez créé.
3. Selectionnez Téléchargement.

4. Selectionnez Ajouter des fichiers Et choisissez le loyalty.csv fichier.
5. Selectionnez Téléchargement.

Créer un détecteur

Un détecteur est une ressource Lookout for Metrics qui surveille un jeu de données et identifie les anomalies à une fréquence prédéfinie. Les détecteurs utilisent ML pour trouver des modèles dans les données et faire la distinction entre les variations attendues des données et les anomalies légitimes. Pour améliorer ses performances, un détecteur en apprend plus sur vos données au fil du temps.

Dans notre cas d'utilisation, le détecteur analyse les données quotidiennes. Pour créer le détecteur, procédez comme suit :

1. Dans la console Lookout for Metrics, choisissez Créer un détecteur.
2. Entrez un nom et une description facultative pour le détecteur.
3. Pour intervalle, choisissez intervalles de 1 jour.
4. Selectionnez Création.

Vos données sont chiffrées par défaut avec une clé qu'AWS possède et gère pour vous. Vous pouvez également configurer si vous souhaitez utiliser une clé de chiffrement différente de celle utilisée par défaut.

Pointons maintenant ce détecteur vers les données sur lesquelles vous souhaitez qu'il exécute la détection d'anomalies.

Créer un jeu de données

Un ensemble de données indique au détecteur où trouver vos données et quelles métriques analyser pour les anomalies. Pour créer un ensemble de données, procédez comme suit :

1. Sur la console Lookout for Metrics, accédez à votre détecteur.
2. Selectionnez Ajouter un ensemble de données.

3. Pour Nom, entrez un nom (par exemple, loyalty-point-anomaly-dataset).
4. Pour Fuseau horaire, choisissez selon le cas.
   
5. Pour La source de données, choisissez votre source de données (pour cet article, Amazon S3).
6. Pour Mode détecteur, sélectionnez votre mode (pour ce post, Backtest).

Avec Amazon S3, vous pouvez créer un détecteur selon deux modes :

• Backtest – Ce mode est utilisé pour trouver des anomalies dans les données historiques. Il a besoin que tous les enregistrements soient consolidés dans un seul fichier. Nous utilisons ce mode avec notre cas d'utilisation car nous souhaitons détecter des anomalies dans le modèle d'échange de points de fidélité historique d'un client à différents endroits.
• Cyber ​​reconnaissance – Ce mode est utilisé pour détecter les anomalies dans les données en direct.

7. Entrez le chemin S3 pour le dossier S3 en direct et le modèle de chemin.
8. Selectionnez Détecter les paramètres de format.
   
9. Laissez tous les paramètres de format par défaut tels quels et choisissez Suivant.
   

Configurer des mesures, des dimensions et des horodatages

Les mesures définissez les KPI pour lesquels vous souhaitez suivre les anomalies. Vous pouvez ajouter jusqu'à cinq mesures par détecteur. Les champs utilisés pour créer des KPI à partir de vos données sources doivent être au format numérique. Les KPI peuvent être actuellement définis en agrégeant les enregistrements dans l'intervalle de temps en effectuant une SOMME ou une MOYENNE.

Dimensions vous donne la possibilité de découper et de découper vos données en définissant des catégories ou des segments. Cela vous permet de suivre les anomalies pour un sous-ensemble de l'ensemble des données pour lesquelles une mesure particulière est applicable.

Dans notre cas d'utilisation, nous ajoutons deux mesures, qui calculent la somme des objets vus dans l'intervalle d'un jour, et ont une dimension, pour laquelle les points gagnés et échangés sont mesurés.

Chaque enregistrement de l'ensemble de données doit avoir un horodatage. La configuration suivante vous permet de choisir le champ qui représente la valeur d'horodatage ainsi que le format de l'horodatage.

La page suivante vous permet de revoir tous les détails que vous avez ajoutés, puis de choisir Enregistrer et activer pour créer le détecteur.

Le détecteur commence alors à apprendre les données dans la source de données. A ce stade, l'état du détecteur passe à Initialisation.

Il est important de noter la quantité minimale de données requise avant que Lookout for Metrics puisse commencer à détecter les anomalies. Pour plus d'informations sur les exigences et les limites, voir Recherchez les quotas de métriques.

Avec une configuration minimale, vous avez créé votre détecteur, l'avez dirigé vers un ensemble de données et défini les métriques dans lesquelles vous souhaitez que Lookout for Metrics détecte les anomalies.

Examiner et analyser les résultats

Lorsque la tâche de backtesting est terminée, vous pouvez voir toutes les anomalies détectées par Lookout for Metrics dans les 30 derniers % de vos données historiques. À partir de là, vous pouvez commencer à décompresser les types de résultats que vous verrez à partir de Lookout for Metrics à l'avenir lorsque vous commencerez à obtenir les nouvelles données.

Lookout for Metrics offre une riche expérience d'interface utilisateur aux utilisateurs qui souhaitent utiliser le Console de gestion AWS pour analyser les anomalies détectées. Il offre également la possibilité d'interroger les anomalies via des API.

Examinons un exemple d'anomalie détectée à partir de notre cas d'utilisation du détecteur d'anomalie de points de fidélité. La capture d'écran suivante montre une anomalie détectée dans l'échange de points de fidélité à un emplacement spécifique à l'heure et à la date désignées avec un score de gravité de 91.

Il montre également la contribution en pourcentage de la dimension à l'anomalie. Dans ce cas, la contribution de 100 % provient de la dimension d'ID d'emplacement A-1002.

Nettoyer

Pour éviter d'engager des frais courants, supprimez les ressources suivantes créées dans cet article:

• Détecteur
• Seau S3
• Rôle IAM

Conclusion

Dans cet article, nous vous avons montré comment utiliser Lookout for Metrics pour supprimer les charges lourdes indifférenciées impliquées dans la gestion du cycle de vie de bout en bout de la création d'applications de détection d'anomalies alimentées par ML. Cette solution peut vous aider à accélérer votre capacité à trouver des anomalies dans les mesures commerciales clés et vous permettre de concentrer vos efforts sur la croissance et l'amélioration de votre entreprise.

Nous vous encourageons à en apprendre davantage en visitant le Guide du développeur Amazon Lookout for Metrics et tester la solution de bout en bout rendue possible par ces services avec un ensemble de données pertinent pour les KPI de votre entreprise.

---

À propos de l’auteur

Dhiraj Thakur est un architecte de solutions avec Amazon Web Services. Il travaille avec les clients et partenaires AWS pour fournir des conseils sur l'adoption, la migration et la stratégie du cloud d'entreprise. Il est passionné de technologie et aime créer et expérimenter dans le domaine de l'analyse et de l'IA / ML.

• Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
• Platoblockchain. Intelligence métaverse Web3. Connaissance Amplifiée. Accéder ici.
• La source: https://aws.amazon.com/blogs/machine-learning/build-a-loyalty-points-anomaly-detector-using-amazon-lookout-for-metrics/