Crea un rilevatore di anomalie dei punti fedeltà utilizzando Amazon Lookout for Metrics

Oggi, fidelizzare i clienti non può essere una cosa una tantum. Un marchio ha bisogno di un piano mirato e integrato per fidelizzare i suoi migliori clienti: in parole povere, ha bisogno di un programma di fidelizzazione dei clienti. I programmi guadagna e brucia sono uno dei paradigmi principali. Un tipico programma guadagna e brucia premia i clienti dopo un certo numero di visite o spese.

Ad esempio, una catena di fast food ha lanciato il suo programma pilota di fidelizzazione guadagna e brucia in alcune località. Stanno cercando di utilizzare il programma fedeltà per rendere più personale l'esperienza del cliente. Dopo il test, vogliono espanderlo in più località in diversi paesi in futuro. Il programma consente ai clienti di guadagnare punti per ogni dollaro speso. Possono riscattare i punti verso diverse opzioni di premi. Per attirare nuovi clienti, danno anche punti ai nuovi clienti. Testano il modello di riscatto ogni mese per verificare le prestazioni del programma fedeltà in diverse località. Identificare le anomalie del modello di riscatto è fondamentale per intraprendere azioni correttive in tempo e garantire il successo complessivo del programma. I clienti hanno schemi di guadagno e riscatto diversi in luoghi diversi in base alla loro spesa e alla scelta del cibo. Pertanto, il processo di identificazione di un'anomalia e di diagnosi rapida della causa principale è difficile, costoso e soggetto a errori.

Questo post mostra come utilizzare una soluzione integrata con Amazon Lookout per le metriche per abbattere queste barriere rilevando in modo rapido e semplice le anomalie negli indicatori chiave di prestazione (KPI) di tuo interesse.

Lookout for Metrics rileva e diagnostica automaticamente le anomalie (valori anomali rispetto alla norma) nei dati aziendali e operativi. Non è necessaria esperienza di machine learning per utilizzare Lookout for Metrics. È un servizio di machine learning (ML) completamente gestito che utilizza modelli ML specializzati per rilevare anomalie in base alle caratteristiche dei tuoi dati. Ad esempio, le tendenze e la stagionalità sono due caratteristiche delle metriche delle serie temporali in cui il rilevamento delle anomalie basato sulla soglia non funziona. Le tendenze sono variazioni continue (aumenti o diminuzioni) nel valore di una metrica. D'altra parte, la stagionalità è rappresentata da modelli periodici che si verificano in un sistema, che di solito aumentano al di sopra di una linea di base e poi diminuiscono nuovamente.

In questo post, dimostriamo uno scenario comune di accumulo e utilizzo di punti fedeltà, in cui rileviamo anomalie nel modello di accumulo e utilizzo del cliente. Ti mostriamo come utilizzare questi servizi gestiti da AWS per trovare le anomalie. Puoi applicare questa soluzione ad altri casi d'uso come il rilevamento di anomalie nella qualità dell'aria, nei modelli di traffico e nei modelli di consumo energetico, solo per citarne alcuni.

Panoramica della soluzione

Questo post mostra come impostare il rilevamento delle anomalie su un modello di accumulo e riscatto di punti fedeltà utilizzando Lookout for Metrics. La soluzione consente di scaricare i set di dati pertinenti e impostare il rilevamento delle anomalie per rilevare i modelli di guadagno e riscatto.

Vediamo come funziona tipicamente un programma fedeltà, come mostrato nel diagramma seguente.

I clienti guadagnano punti per i soldi che spendono per l'acquisto. Possono riscattare i punti accumulati in cambio di sconti, premi o incentivi.

La costruzione di questo sistema richiede tre semplici passaggi:

1. Creare un Servizio di archiviazione semplice Amazon (Amazon S3) e carica il tuo set di dati di esempio.
2. Crea un rilevatore per Lookout for Metrics.
3. Aggiungi un dataset e attiva il rilevatore per rilevare anomalie sui dati storici.

Quindi puoi rivedere e analizzare i risultati.

Crea un bucket S3 e carica il tuo set di dati di esempio

Scarica il file lealtà.csv e salvalo localmente. Quindi continua con i seguenti passaggi:

1. Sulla console Amazon S3, crea un bucket S3 per caricare il file loyalty.csv.

Questo bucket deve essere univoco e nella stessa regione in cui utilizzi Lookout for Metrics.

2. Apri il bucket che hai creato.
3. Scegli Caricare.

4. Scegli Aggiungere file e scegliere il loyalty.csv file.
5. Scegli Caricare.

Crea un rilevatore

Un rilevatore è una risorsa Lookout for Metrics che monitora un set di dati e identifica le anomalie a una frequenza predefinita. I rilevatori utilizzano il ML per trovare modelli nei dati e distinguere tra variazioni previste nei dati e anomalie legittime. Per migliorare le sue prestazioni, un rilevatore apprende di più sui tuoi dati nel tempo.

Nel nostro caso d'uso, il rilevatore analizza i dati giornalieri. Per creare il rilevatore, completare i seguenti passaggi:

1. Nella console Lookout for Metrics, scegli Crea rilevatore.
2. Immettere un nome e una descrizione facoltativa per il rilevatore.
3. Nel Intervalloscegli Intervalli di 1 giorno.
4. Scegli Creare.

I tuoi dati sono crittografati per impostazione predefinita con una chiave che AWS possiede e gestisce per te. È inoltre possibile configurare se si desidera utilizzare una chiave di crittografia diversa da quella utilizzata per impostazione predefinita.

Ora puntiamo questo rilevatore ai dati su cui vuoi che esegua il rilevamento delle anomalie.

Crea un set di dati

Un set di dati indica al rilevatore dove trovare i dati e quali metriche analizzare per rilevare eventuali anomalie. Per creare un set di dati, completare i seguenti passaggi:

1. Nella console Lookout for Metrics, accedi al tuo rilevatore.
2. Scegli Aggiungi un set di dati.

3. Nel Nome, inserisci un nome (ad esempio, loyalty-point-anomaly-dataset).
4. Nel Fuso orario, scegli come applicabile.
   
5. Nel Fonte di dati, scegli la tua origine dati (per questo post, Amazon S3).
6. Nel Modalità rilevatore, seleziona la tua modalità (per questo post, Backtest).

Con Amazon S3, puoi creare un rilevatore in due modalità:

• Backtest – Questa modalità viene utilizzata per trovare anomalie nei dati storici. Richiede che tutti i record siano consolidati in un unico file. Utilizziamo questa modalità con il nostro caso d'uso perché vogliamo rilevare anomalie nel modello di riscatto dei punti fedeltà storici di un cliente in diverse località.
• Educazione – Questa modalità viene utilizzata per rilevare anomalie nei dati in tempo reale.

7. Immettere il percorso S3 per la cartella S3 live e il modello di percorso.
8. Scegli Rileva le impostazioni del formato.
   
9. Lascia tutte le impostazioni di formato predefinite così come sono e scegli Avanti.
   

Configura misure, dimensioni e timestamp

Misure definire i KPI per i quali si desidera tenere traccia delle anomalie. È possibile aggiungere fino a cinque misure per rilevatore. I campi utilizzati per creare KPI dai dati di origine devono essere di formato numerico. I KPI possono essere attualmente definiti aggregando i record all'interno dell'intervallo di tempo eseguendo una SOMMA o una MEDIA.

Dimensioni ti dà la possibilità di affettare e tagliare i tuoi dati definendo categorie o segmenti. Ciò consente di tenere traccia delle anomalie per un sottoinsieme dell'intero insieme di dati per il quale è applicabile una determinata misura.

Nel nostro caso d'uso, aggiungiamo due misure, che calcolano la somma degli oggetti visti nell'intervallo di 1 giorno, e hanno una dimensione, per la quale vengono misurati i punti guadagnati e riscattati.

Ogni record nel set di dati deve avere un timestamp. La configurazione seguente consente di scegliere il campo che rappresenta il valore del timestamp e anche il formato del timestamp.

La pagina successiva ti consente di rivedere tutti i dettagli che hai aggiunto e quindi scegliere Salva e attiva per creare il rilevatore.

Il rilevatore inizia quindi ad apprendere i dati nell'origine dati. A questo punto, lo stato del rilevatore cambia in Inizializzazione in corso.

È importante notare la quantità minima di dati necessaria prima che Lookout for Metrics possa iniziare a rilevare le anomalie. Per ulteriori informazioni su requisiti e limiti, vedere Cerca le quote delle metriche.

Con una configurazione minima, hai creato il tuo rilevatore, lo hai puntato su un set di dati e hai definito le metriche in cui desideri che Lookout for Metrics trovi le anomalie.

Rivedi e analizza i risultati

Quando il lavoro di backtesting è completo, puoi vedere tutte le anomalie rilevate da Lookout for Metrics nell'ultimo 30% dei tuoi dati storici. Da qui, puoi iniziare a decomprimere i tipi di risultati che vedrai da Lookout for Metrics in futuro quando inizierai a ottenere i nuovi dati.

Lookout for Metrics offre una ricca esperienza dell'interfaccia utente per gli utenti che desiderano utilizzare il Console di gestione AWS per analizzare le anomalie rilevate. Fornisce inoltre la possibilità di interrogare le anomalie tramite API.

Diamo un'occhiata a un esempio di anomalia rilevata dal nostro caso d'uso del rilevatore di anomalie dei punti fedeltà. Lo screenshot seguente mostra un'anomalia rilevata nel riscatto dei punti fedeltà in una posizione specifica nell'ora e nella data designate con un punteggio di gravità di 91.

Mostra anche il contributo percentuale della dimensione all'anomalia. In questo caso, il contributo del 100% proviene dalla dimensione ID posizione A-1002.

ripulire

Per evitare di incorrere in spese correnti, elimina le seguenti risorse create in questo post:

• Rivelatore
• Benna S3
• Ruolo IAM

Conclusione

In questo post, ti abbiamo mostrato come utilizzare Lookout for Metrics per rimuovere il lavoro pesante indifferenziato coinvolto nella gestione del ciclo di vita end-to-end della creazione di applicazioni di rilevamento delle anomalie basate su ML. Questa soluzione può aiutarti ad accelerare la tua capacità di trovare anomalie nelle principali metriche aziendali e consentirti di concentrare i tuoi sforzi sulla crescita e sul miglioramento della tua attività.

Ti invitiamo a saperne di più visitando il Guida per gli sviluppatori di Amazon Lookout for Metrics e provare la soluzione end-to-end abilitata da questi servizi con un set di dati rilevante per i tuoi KPI aziendali.

---

L'autore

Dhiraj Thakur è un Solutions Architect con Amazon Web Services. Collabora con clienti e partner AWS per fornire indicazioni sull'adozione, la migrazione e la strategia del cloud aziendale. È appassionato di tecnologia e ama costruire e sperimentare nello spazio di analisi e AI/ML.

• Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
• Platoblockchain. Web3 Metaverse Intelligence. Conoscenza amplificata. Accedi qui.
• Fonte: https://aws.amazon.com/blogs/machine-learning/build-a-loyalty-points-anomaly-detector-using-amazon-lookout-for-metrics/