Hozzon létre egy hűségpont-rendellenesség-érzékelőt az Amazon Lookout for Metrics segítségével

Ma a vásárlói hűség megszerzése nem lehet egyszeri dolog. Egy márkának fókuszált és integrált tervre van szüksége, hogy megtartsa legjobb ügyfeleit – leegyszerűsítve, vásárlói hűségprogramra van szüksége. A bevételszerzési és égetési programok az egyik fő paradigma. Egy tipikus bevételszerzési és elégetési program bizonyos számú látogatás vagy költés után jutalmazza az ügyfeleket.

Például egy gyorséttermi lánc egyes helyeken elindította a keresni és elégetni hűséges kísérleti programját. Arra törekednek, hogy a hűségprogram segítségével személyesebbé tegyék ügyfélélményüket. A tesztelés után a jövőben több helyre szeretnék kiterjeszteni különböző országokban. A program lehetővé teszi az ügyfelek számára, hogy minden elköltött dollár után pontokat szerezzenek. A pontokat különböző jutalomlehetőségekre válthatják be. Az új ügyfelek vonzására pontokat is adnak az új ügyfeleknek. Minden hónapban tesztelik a beváltási mintát, hogy ellenőrizzék a hűségprogram teljesítményét különböző helyeken. A beváltási minta anomáliáinak azonosítása kulcsfontosságú a korrekciós intézkedések időben történő megtétele és a program általános sikerének biztosítása érdekében. Az ügyfelek a költésüktől és az ételválasztásuktól függően eltérő kereseti és beváltási szokásokat alkalmaznak a különböző helyeken. Ezért az anomália azonosításának és a kiváltó ok gyors diagnosztizálásának folyamata nehéz, költséges és hibára hajlamos.

Ez a bejegyzés bemutatja, hogyan használhatunk integrált megoldást Amazon Lookout for Metrics áttörni ezeket a korlátokat azáltal, hogy gyorsan és egyszerűen észleli az Ön érdeklődésére számot tartó kulcsfontosságú teljesítménymutatók (KPI) anomáliáit.

A Lookout for Metrics automatikusan észleli és diagnosztizálja az anomáliákat (a normától eltérő értékeket) az üzleti és működési adatokban. A Lookout for Metrics használatához nem szükséges ML-tapasztalat. Ez egy teljesen felügyelt gépi tanulási (ML) szolgáltatás, amely speciális ML-modelleket használ az anomáliák észlelésére az adatok jellemzői alapján. Például a trendek és a szezonalitás az idősor-metrikák két jellemzője, amelyekben a küszöb alapú anomália-észlelés nem működik. A trendek a metrika értékének folyamatos változásai (növekedése vagy csökkenése). Másrészt a szezonalitás időszakos mintázatok, amelyek egy rendszerben előfordulnak, általában az alapvonal fölé emelkednek, majd ismét csökkennek.

Ebben a bejegyzésben bemutatunk egy gyakori hűségpontszerzési és -kibocsátási forgatókönyvet, amelyben anomáliákat észlelünk az ügyfél megszerzési és beváltási mintájában. Megmutatjuk, hogyan használhatja az AWS felügyelt szolgáltatásait az anomáliák megtalálásához. Ezt a megoldást más felhasználási esetekben is alkalmazhatja, mint például a levegőminőség, a forgalmi minták és az energiafogyasztási minták rendellenességeinek észlelésére, hogy csak néhányat említsünk.

Megoldás áttekintése

Ez a bejegyzés bemutatja, hogyan állíthatja be az anomáliák észlelését egy hűségpontszerzési és -beváltási mintán a Lookout for Metrics segítségével. A megoldás lehetővé teszi a releváns adatkészletek letöltését és az anomáliák észlelésének beállítását a bevételi és beváltási minták észleléséhez.

Nézzük meg, hogyan működik általában egy hűségprogram, ahogy az a következő ábrán látható.

A vásárlók pontokat szereznek a vásárlásra költött pénzükért. A felhalmozott pontokat kedvezményekért, jutalmakért vagy ösztönzőkért cserébe beválthatják.

A rendszer felépítése három egyszerű lépést igényel:

1. Létrehozása Amazon egyszerű tárolási szolgáltatás (Amazon S3) vödröt, és töltse fel mintaadatkészletét.
2. Hozzon létre egy érzékelőt a Lookout for Metrics számára.
3. Adjon hozzá egy adatkészletet, és aktiválja az érzékelőt az előzményadatok anomáliáinak észleléséhez.

Ezután áttekintheti és elemzi az eredményeket.

Hozzon létre egy S3 tárolót, és töltse fel a mintaadatkészletet

Töltse le a fájlt hűség.csv és mentse el helyben. Ezután folytassa a következő lépésekkel:

1. Az Amazon S3 konzolon hozzon létre egy S3 vödröt a loyalty.csv fájl feltöltéséhez.

Ennek a csoportnak egyedinek kell lennie, és ugyanabban a régióban kell lennie, ahol a Lookout for Metrics szolgáltatást használja.

2. Nyissa meg a létrehozott tárolót.
3. A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a Feltöltés.

4. A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a Fájlok hozzáadása és válassza a loyalty.csv fájlt.
5. A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a Feltöltés.

Hozzon létre egy detektort

Az érzékelő egy Lookout for Metrics erőforrás, amely figyeli az adatkészletet, és előre meghatározott gyakorisággal azonosítja az anomáliákat. Az érzékelők az ML-t használják az adatok mintáinak megtalálására, és megkülönböztetik az adatok várható eltéréseit és a jogos anomáliákat. A teljesítmény javítása érdekében az érzékelő idővel többet tud meg az adatokról.

Használati esetünkben a detektor a napi adatokat elemzi. Az érzékelő létrehozásához hajtsa végre a következő lépéseket:

1. A Lookout for Metrics konzolon válassza a lehetőséget Hozzon létre detektort.
2. Adja meg az érzékelő nevét és opcionális leírását.
3. A Intervallum, választ 1 napos időközönként.
4. A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a Teremt.

Adatai alapértelmezés szerint egy olyan kulccsal vannak titkosítva, amelyet az AWS birtokol és kezel az Ön helyett. Azt is beállíthatja, hogy az alapértelmezés szerint használttól eltérő titkosítási kulcsot kíván-e használni.

Most irányítsuk ezt az érzékelőt azokra az adatokra, amelyeken az anomália-észlelést futtatni szeretné.

Hozzon létre egy adatkészletet

Egy adatkészlet közli az érzékelővel, hogy hol találja meg az adatokat, és mely mérőszámokat kell elemeznie az anomáliák szempontjából. Adatkészlet létrehozásához hajtsa végre a következő lépéseket:

1. A Lookout for Metrics konzolon navigáljon az érzékelőhöz.
2. A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a Adjon hozzá egy adatkészletet.

3. A Név, írjon be egy nevet (például loyalty-point-anomaly-dataset).
4. A Időzóna, válassza ki a megfelelőt.
   
5. A Adatforrás, válassza ki az adatforrást (ebben a bejegyzésben: Amazon S3).
6. A Detektor mód, válassza ki a módot (ehhez a bejegyzéshez, Backtest).

Az Amazon S3 segítségével két módban hozhat létre detektort:

• Backtest – Ez a mód a korábbi adatok anomáliáinak keresésére szolgál. Az összes rekordot egyetlen fájlban kell összevonni. Azért használjuk ezt a módot a használati esetünkhöz, mert szeretnénk észlelni az anomáliákat az ügyfél korábbi hűségpont-beváltási mintájában különböző helyeken.
• Folyamatos – Ez a mód az élő adatok anomáliáinak észlelésére szolgál.

7. Adja meg az élő S3 mappa S3 elérési útját és elérési útmintáját.
8. A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a Formátumbeállítások észlelése.
   
9. Hagyja meg az összes alapértelmezett formátumbeállítást, és válassza ki Következő.
   

Mértékek, méretek és időbélyegek konfigurálása

intézkedések határozza meg azokat a KPI-ket, amelyeknél nyomon kívánja követni az anomáliákat. Érzékelőnként legfeljebb öt mértéket adhat hozzá. A forrásadatokból KPI-k létrehozásához használt mezőknek numerikus formátumúaknak kell lenniük. A KPI-k jelenleg úgy határozhatók meg, hogy az időintervallumon belül összevonják a rekordokat SUM vagy AVERAGE segítségével.

Méretek lehetővé teszi az adatok szeletelését és feldarabolását kategóriák vagy szegmensek meghatározásával. Ez lehetővé teszi az anomáliák nyomon követését a teljes adathalmaz egy részhalmazában, amelyre egy adott intézkedés vonatkozik.

Használati esetünkben két mértéket adunk hozzá, amelyek az 1 napos intervallumban látott tárgyak összegét számolják, és egy dimenzióval rendelkeznek, amelyre a megszerzett és a megváltott pontokat mérik.

Az adatkészletben minden rekordnak rendelkeznie kell időbélyeggel. A következő konfiguráció lehetővé teszi az időbélyeg értékét jelentő mező kiválasztását, valamint az időbélyeg formátumát.

A következő oldalon áttekintheti az összes hozzáadott részletet, majd kiválaszthatja Mentés és aktiválás a detektor létrehozásához.

A detektor ezután elkezdi tanulni az adatforrásban lévő adatokat. Ebben a szakaszban az érzékelő állapota Inicializálásra vált.

Fontos megjegyezni azt a minimális adatmennyiséget, amelyre szükség van ahhoz, hogy a Lookout for Metrics megkezdhesse az anomáliák észlelését. A követelményekről és korlátokról további információkért lásd: Keresse a Metrics kvótákat.

Minimális konfigurációval létrehozta az érzékelőt, ráirányította egy adatkészletre, és meghatározta azokat a mutatókat, amelyekben a Lookout for Metrics anomáliákat keres.

Tekintse át és elemezze az eredményeket

Amikor az utólagos tesztelési feladat befejeződött, láthatja az összes olyan rendellenességet, amelyet a Lookout for Metrics észlelt az előzményadatok utolsó 30%-ában. Innentől kezdve elkezdheti kicsomagolni a Lookout for Metrics szolgáltatásból a jövőben megjelenő eredményeket, amikor elkezdi beszerezni az új adatokat.

A Lookout for Metrics gazdag felhasználói felületet biztosít azoknak a felhasználóknak, akik szeretnék használni a AWS felügyeleti konzol hogy elemezze az észlelt anomáliákat. Lehetőséget biztosít az anomáliák API-kon keresztüli lekérdezésére is.

Nézzünk egy példát a hűségpontok anomália detektor használati esetéből észlelt anomáliára. A következő képernyőképen a hűségpontok beváltásában észlelt anomália látható egy adott helyen, a megadott időpontban és napon, 91-es súlyossági pontszámmal.

Megmutatja a dimenzió százalékos hozzájárulását is az anomáliához. Ebben az esetben a 100%-os hozzájárulás az A-1002 helyazonosító dimenzióból származik.

Tisztítsuk meg

A folyamatos költségek elkerülése érdekében törölje az ebben a bejegyzésben létrehozott következő forrásokat:

• Detektor
• S3 vödör
• IAM szerepkör

Következtetés

Ebben a bejegyzésben megmutattuk, hogyan használhatja a Lookout for Metrics szolgáltatást az ML-alapú anomália-észlelő alkalmazások készítésének végpontokig terjedő életciklusának kezelésében járó megkülönböztethetetlen nehéz teher eltávolítására. Ez a megoldás segíthet abban, hogy felgyorsítsa a kulcsfontosságú üzleti mutatók anomáliáinak feltárását, és lehetővé teszi, hogy erőfeszítéseit vállalkozása növekedésére és fejlesztésére összpontosítsa.

Javasoljuk, hogy többet tudjon meg, ha ellátogat a Amazon Lookout for Metrics fejlesztői útmutató és próbálja ki az e szolgáltatások által lehetővé tett teljes körű megoldást az üzleti KPI-k szempontjából releváns adatkészlettel.

---

A szerzőről

Dhiraj Thakur az Amazon Web Services megoldástervezője. Az AWS-ügyfelekkel és -partnerekkel együttműködve útmutatást ad a vállalati felhő bevezetéséhez, migrációjához és stratégiájához. Szenvedélyes a technológia iránt, és szeret építeni és kísérletezni az analitika és az AI/ML térben.

• SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
• Platoblockchain. Web3 metaverzum intelligencia. Felerősített tudás. Hozzáférés itt.
• Forrás: https://aws.amazon.com/blogs/machine-learning/build-a-loyalty-points-anomaly-detector-using-amazon-lookout-for-metrics/