Amazon Lookout for Metrics を使用して、ロイヤルティ ポイント異常検出器を構築する

今日、顧客ロイヤルティの獲得は XNUMX 回限りのものではありません。 ブランドには、最高の顧客を維持するための集中的で統合された計画が必要です。簡単に言えば、顧客ロイヤルティ プログラムが必要です。 Earn and Burn プログラムは、主要なパラダイムの XNUMX つです。 典型的なアーン アンド バーン プログラムは、一定回数の訪問または購入後に顧客に報酬を与えます。

たとえば、あるファースト フード チェーンは、一部の地域でロイヤルティの獲得と消費のパイロット プログラムを開始しました。 彼らは、ロイヤルティ プログラムを使用して、カスタマー エクスペリエンスをよりパーソナルなものにしたいと考えています。 テストの結果、将来的にはさまざまな国のより多くの場所に拡張したいと考えています。 このプログラムにより、顧客は支出するすべてのドルに対してポイントを獲得できます。 ポイントをさまざまな報酬オプションに引き換えることができます。 新規顧客を獲得するために、新規顧客にもポイントを付与します。 彼らは毎月引き換えパターンをテストして、さまざまな場所でのロイヤルティ プログラムのパフォーマンスをチェックします。 償還パターンの異常を特定することは、時間内に是正措置を講じ、プログラムの全体的な成功を確保するために重要です。 顧客は、支出と食べ物の選択に基づいて、さまざまな場所でさまざまな獲得および償還パターンを持っています。 したがって、異常を特定し、根本原因を迅速に診断するプロセスは困難で、コストがかかり、エラーが発生しやすくなります。

この投稿では、統合ソリューションを使用する方法を示しています メトリックスのAmazonルックアウト 関心のある主要業績評価指標 (KPI) の異常を迅速かつ簡単に検出することで、これらの障壁を打ち破ります。

Lookout for Metrics は、ビジネスおよび運用データの異常 (標準からの外れ値) を自動的に検出して診断します。 Lookout for Metrics を使用するのに ML の経験は必要ありません。 これは、特殊な ML モデルを使用してデータの特性に基づいて異常を検出する、フル マネージドの機械学習 (ML) サービスです。 たとえば、トレンドと季節性は、しきい値ベースの異常検出が機能しない時系列メトリックの XNUMX つの特性です。 トレンドは、メトリックの値の連続的な変化 (増加または減少) です。 一方、季節性はシステムで発生する周期的なパターンであり、通常はベースラインを超えて上昇し、その後再び減少します。

この投稿では、一般的なロイヤルティ ポイントの獲得とバーンのシナリオを示します。このシナリオでは、顧客の獲得と引き換えのパターンの異常を検出します。 AWS のこれらのマネージド サービスを使用して異常を検出する方法を示します。 このソリューションは、電波品質、トラフィック パターン、電力消費パターンの異常の検出など、他のユース ケースに適用できます。

ソリューションの概要

この投稿では、Lookout for Metrics を使用して、ロイヤルティ ポイントの獲得と引き換えのパターンで異常検出を設定する方法を示します。 このソリューションを使用すると、関連するデータセットをダウンロードし、異常検出を設定して獲得および引き換えのパターンを検出できます。

次の図に示すように、ロイヤルティ プログラムが通常どのように機能するかを見てみましょう。

顧客は、購入に費やした金額に対してポイントを獲得します。 割引、報酬、またはインセンティブと引き換えに、蓄積されたポイントを引き換えることができます。

このシステムを構築するには、次のXNUMXつの簡単な手順が必要です。

1. 作る Amazon シンプル ストレージ サービス (Amazon S3) バケットを作成し、サンプル データセットをアップロードします。
2. Lookout forMetricsの検出器を作成します。
3. データセットを追加し、検出器をアクティブにして、履歴データの異常を検出します。

次に、結果を確認して分析できます。

S3バケットを作成し、サンプルデータセットをアップロードします

ファイルをダウンロードする ロイヤリティ.csv ローカルに保存します。 次に、次の手順を実行します。

1. Amazon S3コンソールでは、 S3バケットを作成する loyalty.csv ファイルをアップロードします。

このバケットは一意であり、Lookout for Metrics を使用しているリージョンと同じである必要があります。

2. 作成したバケットを開きます。
3. 選択する アップロード.

4. 選択する ファイルを追加 を選択して loyalty.csv ファイルにソフトウェアを指定する必要があります。
5. 選択する アップロード.

検出器を作成する

検出器は、データセットを監視し、定義済みの頻度で異常を識別する Lookout for Metrics リソースです。 検出器は ML を使用してデータのパターンを検出し、予想されるデータの変動と正当な異常を区別します。 パフォーマンスを向上させるために、検出器は時間の経過とともにデータについてさらに学習します。

このユースケースでは、検出器は毎日のデータを分析します。 検出器を作成するには、次の手順を実行します。

1. Lookout for Metricsコンソールで、を選択します 検出器を作成する.
2. 検出器の名前とオプションの説明を入力します。
3. インターバル、選択する 1日間隔.
4. 選択する 創造する.

データは、AWSが所有および管理するキーを使用して、デフォルトで暗号化されます。 デフォルトで使用されているものとは異なる暗号化キーを使用するかどうかを構成することもできます。

次に、異常検出を実行するデータにこの検出器を向けましょう。

データセットを作成する

データセットは、データを見つける場所と異常を分析するメトリックを検出器に伝えます。 データセットを作成するには、次の手順を実行します。

1. Lookout for Metrics コンソールで、検出器に移動します。
2. 選択する データセットを追加する.

3. 名前 、名前を入力します（たとえば、 loyalty-point-anomaly-dataset).
4. タイムゾーン、該当するものを選択します。
   
5. 情報元、データ ソースを選択します (この投稿では、Amazon S3)。
6. 検出器モード、モードを選択します (この記事では、 バックテスト).

Amazon S3 では、次の XNUMX つのモードで検出器を作成できます。

• バックテスト – このモードは、履歴データの異常を見つけるために使用されます。 すべてのレコードを XNUMX つのファイルに統合する必要があります。 さまざまな場所での顧客の過去のロイヤルティ ポイント引き換えパターンの異常を検出するため、ユース ケースでこのモードを使用します。
• 連続的な – このモードは、ライブ データの異常を検出するために使用されます。

7. ライブ S3 フォルダーの S3 パスとパス パターンを入力します。
8. 選択する フォーマット設定の検出.
   
9. すべてのデフォルトのフォーマット設定をそのままにして、 Next.
   

メジャー、ディメンション、およびタイムスタンプを構成する

措置 異常を追跡するKPIを定義します。 検出器ごとに最大XNUMXつのメジャーを追加できます。 ソースデータからKPIを作成するために使用されるフィールドは、数値形式である必要があります。 KPIは現在、SUMまたはAVERAGEを実行して、時間間隔内のレコードを集約することで定義できます。

寸法 カテゴリまたはセグメントを定義することにより、データをスライスおよびダイシングする機能を提供します。 これにより、特定の測定値が適用可能なデータセット全体のサブセットの異常を追跡できます。

このユース ケースでは、1 つのメジャーを追加します。これは、XNUMX 日の間隔で表示されるオブジェクトの合計を計算し、獲得ポイントと引き換えポイントを測定する XNUMX つのディメンションを持ちます。

データセット内のすべてのレコードにはタイムスタンプが必要です。 次の構成では、タイムスタンプ値とタイムスタンプの形式を表すフィールドを選択できます。

次のページでは、追加したすべての詳細を確認してから選択できます 保存してアクティブ化する 検出器を作成します。

次に、検出器はデータ ソース内のデータの学習を開始します。 この段階で、検出器のステータスは初期化中に変わります。

Lookout for Metrics が異常の検出を開始する前に必要な最小量のデータに注意することが重要です。 要件と制限の詳細については、次を参照してください。 メトリクスの割り当てに注意してください.

最小限の構成で、検出器を作成し、それをデータセットに向け、Lookout for Metrics で異常を検出するメトリックを定義しました。

結果を確認して分析する

バックテスト ジョブが完了すると、Lookout for Metrics が履歴データの最後の 30% で検出したすべての異常を確認できます。 ここから、将来新しいデータの取得を開始したときに、Lookout for Metrics から表示される結果の種類を展開し始めることができます。

Lookout for Metricsは、を使用したいユーザーに豊富なUIエクスペリエンスを提供します。 AWSマネジメントコンソール 検出された異常を分析します。 また、API を介して異常を照会する機能も提供します。

ロイヤルティ ポイント異常検出器のユース ケースから検出された異常の例を見てみましょう。 次のスクリーンショットは、指定された日時の特定の場所で、重大度スコア 91 のロイヤルティ ポイントの償還で検出された異常を示しています。

また、異常に対するディメンションの寄与率も示します。 この場合、100% の貢献度はロケーション ID A-1002 ディメンションからのものです。

クリーンアップ

継続的な請求が発生しないようにするには、この投稿で作成した次のリソースを削除してください。

• 検出器
• S3バケット
• IAMの役割

まとめ

この記事では、Lookout for Metrics を使用して、ML を活用した異常検出アプリケーションを構築するエンドツーエンドのライフサイクルの管理に伴う、差別化されていない重労働を取り除く方法を紹介しました。 このソリューションは、主要なビジネス指標の異常を見つける能力を加速し、ビジネスの成長と改善に集中できるようにするのに役立ちます。

にアクセスして詳細を学ぶことをお勧めします Amazon Lookout forMetrics開発者ガイド ビジネス KPI に関連するデータセットを使用して、これらのサービスによって実現されるエンド ツー エンドのソリューションを試してみてください。

---

著者について

ディーラジ・タクール アマゾンウェブサービスのソリューションアーキテクトです。 彼はAWSのお客様やパートナーと協力して、エンタープライズクラウドの採用、移行、戦略に関するガイダンスを提供しています。 彼はテクノロジーに情熱を注いでおり、分析とAI / MLの分野での構築と実験を楽しんでいます。

• SEO を活用したコンテンツと PR 配信。 今日増幅されます。
• Platoblockchain。 Web3メタバースインテリジェンス。 知識の増幅。 こちらからアクセスしてください。
• 情報源： https://aws.amazon.com/blogs/machine-learning/build-a-loyalty-points-anomaly-detector-using-amazon-lookout-for-metrics/