Bygg en lojalitetspoengavvikdetektor ved å bruke Amazon Lookout for Metrics

I dag kan det ikke være en engangsting å oppnå kundelojalitet. Et merke trenger en fokusert og integrert plan for å beholde sine beste kunder – enkelt sagt trenger den et kundelojalitetsprogram. Tjen og brenn-programmer er et av hovedparadigmene. Et typisk tjen og brenn-program belønner kunder etter et visst antall besøk eller forbruk.

For eksempel har en hurtigmatkjede lansert sitt pilotprogram for tjen og brenn lojalitet noen steder. De ønsker å bruke lojalitetsprogrammet for å gjøre kundeopplevelsen mer personlig. Etter testing ønsker de å utvide den til flere steder i forskjellige land i fremtiden. Programmet lar kunder tjene poeng for hver dollar de bruker. De kan løse inn poengene mot forskjellige belønningsalternativer. For å tiltrekke seg nye kunder gir de også poeng til nye kunder. De tester innløsningsmønsteret hver måned for å sjekke ytelsen til lojalitetsprogrammet på forskjellige steder. Å identifisere uregelmessigheter i innløsningsmønsteret er avgjørende for å kunne iverksette korrigerende tiltak i tide og sikre den generelle suksessen til programmet. Kunder har forskjellige opptjenings- og innløsningsmønstre på forskjellige steder basert på forbruk og valg av mat. Derfor er prosessen med å identifisere en anomali og raskt diagnostisere grunnårsaken vanskelig, kostbar og utsatt for feil.

Dette innlegget viser deg hvordan du bruker en integrert løsning med Amazon Lookout for metrics å bryte disse barrierene ved raskt og enkelt å oppdage uregelmessigheter i nøkkelytelsesindikatorene (KPIer) av interesse.

Lookout for Metrics oppdager og diagnostiserer automatisk anomalier (avvik fra normen) i forretnings- og driftsdata. Du trenger ikke ML-erfaring for å bruke Lookout for Metrics. Det er en fullstendig administrert maskinlæringstjeneste (ML) som bruker spesialiserte ML-modeller for å oppdage anomalier basert på egenskapene til dataene dine. For eksempel er trender og sesongvariasjoner to kjennetegn ved tidsserieberegninger der terskelbasert anomalideteksjon ikke fungerer. Trender er kontinuerlige variasjoner (økninger eller reduksjoner) i en beregnings verdi. På den annen side er sesongvariasjoner periodiske mønstre som oppstår i et system, som vanligvis stiger over en grunnlinje og deretter avtar igjen.

I dette innlegget demonstrerer vi et vanlig opptjening og forbrenning av lojalitetspoeng, der vi oppdager uregelmessigheter i kundens opptjening og innløsningsmønster. Vi viser deg hvordan du bruker disse administrerte tjenestene fra AWS for å finne uregelmessigheter. Du kan bruke denne løsningen på andre brukstilfeller som å oppdage uregelmessigheter i luftkvalitet, trafikkmønstre og strømforbruksmønstre, for å nevne noen.

Løsningsoversikt

Dette innlegget demonstrerer hvordan du kan konfigurere avviksdeteksjon på et lojalitetspoeng som tjener og løser inn mønster ved å bruke Lookout for Metrics. Løsningen lar deg laste ned relevante datasett og sette opp avviksdeteksjon for å oppdage opptjening og innløsningsmønstre.

La oss se hvordan et lojalitetsprogram vanligvis fungerer, som vist i følgende diagram.

Kunder tjener poeng for pengene de bruker på kjøpet. De kan løse inn de akkumulerte poengene i bytte mot rabatter, belønninger eller insentiver.

Å bygge dette systemet krever tre enkle trinn:

1. Lag en Amazon enkel lagringstjeneste (Amazon S3) bøtte og last opp eksempeldatasettet.
2. Lag en detektor for Lookout for Metrics.
3. Legg til et datasett og aktiver detektoren for å oppdage anomalier på historiske data.

Deretter kan du gjennomgå og analysere resultatene.

Lag en S3-bøtte og last opp eksempeldatasettet

Last ned filen lojalitet.csv og lagre den lokalt. Fortsett deretter gjennom følgende trinn:

1. På Amazon S3 -konsollen, lage en S3 bøtte for å laste opp loyalty.csv-filen.

Denne bøtten må være unik og i samme region som du bruker Lookout for Metrics.

2. Åpne bøtta du opprettet.
3. Velg Last opp.

4. Velg Legg til filer og velg loyalty.csv filen.
5. Velg Last opp.

Lag en detektor

En detektor er en Lookout for Metrics-ressurs som overvåker et datasett og identifiserer anomalier med en forhåndsdefinert frekvens. Detektorer bruker ML for å finne mønstre i data og skille mellom forventede variasjoner i data og legitime anomalier. For å forbedre ytelsen lærer en detektor mer om dataene dine over tid.

I vårt bruksområde analyserer detektoren daglige data. For å lage detektoren, fullfør følgende trinn:

1. Velg på Lookout for Metrics-konsollen Lag detektor.
2. Skriv inn et navn og valgfri beskrivelse for detektoren.
3. Til Intervall, velg 1 dags intervaller.
4. Velg Opprett.

Dataene dine er kryptert som standard med en nøkkel som AWS eier og administrerer for deg. Du kan også konfigurere om du vil bruke en annen krypteringsnøkkel enn den som brukes som standard.

La oss nå peke denne detektoren til dataene du vil at den skal kjøre anomalideteksjon på.

Lag et datasett

Et datasett forteller detektoren hvor den skal finne dataene dine og hvilke beregninger som skal analyseres for uregelmessigheter. For å opprette et datasett, fullfør følgende trinn:

1. På Lookout for Metrics-konsollen navigerer du til detektoren din.
2. Velg Legg til et datasett.

3. Til Navn, skriv inn et navn (for eksempel, loyalty-point-anomaly-dataset).
4. Til Time Zone, velg det som er aktuelt.
   
5. Til Datakilde, velg datakilden din (for dette innlegget, Amazon S3).
6. Til Detektormodus, velg modusen din (for dette innlegget, Backtest).

Med Amazon S3 kan du lage en detektor i to moduser:

• Backtest – Denne modusen brukes til å finne anomalier i historiske data. Den trenger alle poster for å bli konsolidert i en enkelt fil. Vi bruker denne modusen med vår brukstilfelle fordi vi ønsker å oppdage uregelmessigheter i en kundes historiske lojalitetspoenginnløsningsmønster på forskjellige steder.
• Kontinuerlig – Denne modusen brukes til å oppdage uregelmessigheter i live-data.

7. Skriv inn S3-banen for den levende S3-mappen og banemønsteret.
8. Velg Finn formatinnstillinger.
   
9. La alle standardformatinnstillinger være som de er og velg neste.
   

Konfigurer mål, dimensjoner og tidsstempler

målinger definere KPIer som du vil spore avvik for. Du kan legge til opptil fem mål per detektor. Feltene som brukes til å lage KPIer fra kildedataene dine, må være av numerisk format. KPIene kan for øyeblikket defineres ved å aggregere poster innenfor tidsintervallet ved å gjøre en SUM eller GJENNOMSNITT.

Dimensjoner gir deg muligheten til å dele opp dataene dine ved å definere kategorier eller segmenter. Dette lar deg spore anomalier for et undersett av hele settet med data som et bestemt mål er aktuelt for.

I vårt brukstilfelle legger vi til to mål, som beregner summen av objektene sett i 1-dagsintervallet, og har én dimensjon, som opptjente og innløste poeng måles for.

Hver post i datasettet må ha et tidsstempel. Følgende konfigurasjon lar deg velge feltet som representerer tidsstempelverdien og også formatet til tidsstemplet.

Den neste siden lar deg se gjennom alle detaljene du har lagt til og deretter velge Lagre og aktiver for å lage detektoren.

Detektoren begynner deretter å lære dataene i datakilden. På dette stadiet endres statusen til detektoren til Initialiserer.

Det er viktig å merke seg minimumsmengden data som kreves før Lookout for Metrics kan begynne å oppdage uregelmessigheter. For mer informasjon om krav og grenser, se Se etter beregningskvoter.

Med minimal konfigurasjon har du opprettet detektoren din, rettet den mot et datasett og definert beregningene du vil at Lookout for Metrics skal finne anomalier i.

Gjennomgå og analyser resultatene

Når backtesting-jobben er fullført, kan du se alle uregelmessighetene som Lookout for Metrics oppdaget i de siste 30 % av dine historiske data. Herfra kan du begynne å pakke ut den typen resultater du vil se fra Lookout for Metrics i fremtiden når du begynner å få de nye dataene.

Lookout for Metrics gir en rik UI-opplevelse for brukere som ønsker å bruke AWS-administrasjonskonsoll å analysere avvikene som oppdages. Det gir også muligheten til å spørre etter uregelmessighetene via APIer.

La oss se på et eksempel på uregelmessigheter som er oppdaget fra brukssaken vår for lojalitetspoengsavviksdetektor. Følgende skjermbilde viser en anomali oppdaget ved innløsning av lojalitetspoeng på et bestemt sted på angitt tid og dato med en alvorlighetsgrad på 91.

Den viser også dimensjonens prosentvise bidrag til anomalien. I dette tilfellet kommer 100 % bidrag fra steds-ID A-1002-dimensjonen.

Rydd opp

For å unngå løpende kostnader, slett følgende ressurser som er opprettet i dette innlegget:

• Detektor
• S3 bøtte
• IAM-rolle

konklusjonen

I dette innlegget viste vi deg hvordan du bruker Lookout for Metrics for å fjerne de udifferensierte tunge løftene som er involvert i å administrere ende-til-ende-livssyklusen til å bygge ML-drevne anomalideteksjonsapplikasjoner. Denne løsningen kan hjelpe deg å akselerere din evne til å finne uregelmessigheter i viktige forretningsberegninger og la deg fokusere innsatsen på å vokse og forbedre virksomheten din.

Vi oppfordrer deg til å lære mer ved å besøke Amazon Lookout for Metrics utviklerveiledning og prøve ut ende-til-ende-løsningen aktivert av disse tjenestene med et datasett som er relevant for bedriftens KPIer.

---

om forfatteren

Dhiraj Thakur er en løsningsarkitekt med Amazon Web Services. Han jobber med AWS-kunder og partnere for å gi veiledning om cloud-adopsjon, migrasjon og strategi for enterprise. Han er lidenskapelig opptatt av teknologi og liker å bygge og eksperimentere i analytics og AI / ML-rommet.

• SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
• Platoblokkkjede. Web3 Metaverse Intelligence. Kunnskap forsterket. Tilgang her.
• kilde: https://aws.amazon.com/blogs/machine-learning/build-a-loyalty-points-anomaly-detector-using-amazon-lookout-for-metrics/