Zbuduj detektor anomalii punktów lojalnościowych za pomocą Amazon Lookout for Metrics

Dziś zdobycie lojalności klientów nie może być sprawą jednorazową. Marka potrzebuje skoncentrowanego i zintegrowanego planu, aby zatrzymać swoich najlepszych klientów — mówiąc prościej, potrzebuje programu lojalnościowego dla klientów. Programy „zarabiaj i wypalaj” są jednym z głównych paradygmatów. Typowy program „zarabiaj i spalaj” nagradza klientów po określonej liczbie wizyt lub wydatków.

Na przykład sieć fast foodów uruchomiła pilotażowy program lojalnościowy „zarabiaj i spalaj” w niektórych lokalizacjach. Chcą skorzystać z programu lojalnościowego, aby uczynić obsługę klienta bardziej osobistą. Po przetestowaniu chcą w przyszłości rozszerzyć go na więcej lokalizacji w różnych krajach. Program umożliwia klientom zdobywanie punktów za każdego wydanego dolara. Mogą wymieniać punkty na różne opcje nagród. Aby przyciągnąć nowych klientów, przyznają również punkty nowym klientom. Co miesiąc testują wzór wykupu, aby sprawdzić wydajność programu lojalnościowego w różnych lokalizacjach. Identyfikacja anomalii we wzorze wykupu ma kluczowe znaczenie dla podjęcia działań naprawczych na czas i zapewnienia ogólnego sukcesu programu. Klienci mają różne wzorce zarabiania i wykorzystywania w różnych lokalizacjach w zależności od wydatków i wyboru jedzenia. Dlatego proces identyfikowania anomalii i szybkiego diagnozowania przyczyny źródłowej jest trudny, kosztowny i podatny na błędy.

Ten post pokazuje, jak korzystać ze zintegrowanego rozwiązania z Amazon Lookout dla metryk . przełamać te bariery, szybko i łatwo wykrywając anomalie w interesujących Cię kluczowych wskaźnikach wydajności (KPI).

Lookout for Metrics automatycznie wykrywa i diagnozuje anomalie (odstające od normy) w danych biznesowych i operacyjnych. Aby korzystać z usługi Lookout for Metrics, nie musisz mieć doświadczenia w zakresie uczenia maszynowego. Jest to w pełni zarządzana usługa uczenia maszynowego (ML), która używa wyspecjalizowanych modeli uczenia maszynowego do wykrywania anomalii na podstawie charakterystyki Twoich danych. Na przykład trendy i sezonowość to dwie cechy metryk szeregów czasowych, w których wykrywanie anomalii oparte na progach nie działa. Trendy to ciągłe zmiany (wzrosty lub spadki) wartości metryki. Z drugiej strony sezonowość to okresowe wzorce występujące w systemie, zwykle wznoszące się powyżej linii bazowej, a następnie ponownie malejące.

W tym poście przedstawiamy typowy scenariusz zdobywania i wykorzystywania punktów lojalnościowych, w którym wykrywamy anomalie we wzorcu zdobywania i wykorzystywania punktów lojalnościowych. Pokażemy Ci, jak korzystać z tych zarządzanych usług AWS, aby pomóc znaleźć anomalie. Możesz zastosować to rozwiązanie do innych przypadków użycia, takich jak wykrywanie anomalii w jakości powietrza, wzorców ruchu i wzorców zużycia energii, by wymienić tylko kilka.

Omówienie rozwiązania

W tym poście pokazano, jak można skonfigurować wykrywanie anomalii we wzorcu zdobywania i wykorzystywania punktów lojalnościowych za pomocą usługi Lookout for Metrics. Rozwiązanie umożliwia pobieranie odpowiednich zestawów danych i konfigurowanie wykrywania anomalii w celu wykrywania wzorców zarabiania i wykorzystywania.

Zobaczmy, jak zwykle działa program lojalnościowy, jak pokazano na poniższym diagramie.

Klienci zdobywają punkty za pieniądze, które wydają na zakup. Zgromadzone punkty mogą wymieniać na rabaty, nagrody lub zachęty.

Zbudowanie tego systemu wymaga trzech prostych kroków:

1. Tworzenie Usługa Amazon Simple Storage (Amazon S3) i prześlij swój przykładowy zestaw danych.
2. Utwórz detektor dla Lookout for Metrics.
3. Dodaj zestaw danych i aktywuj detektor, aby wykrywać anomalie w danych historycznych.

Następnie możesz przejrzeć i przeanalizować wyniki.

Utwórz zasobnik S3 i prześlij przykładowy zbiór danych

Pobierz plik lojalność.csv i zapisz go lokalnie. Następnie wykonaj następujące czynności:

1. Na konsoli Amazon S3, utwórz wiadro S3 aby przesłać plik lojalnościowy.csv.

Ten zasobnik musi być unikalny i znajdować się w tym samym regionie, w którym używasz Lookout for Metrics.

2. Otwórz utworzony zasobnik.
3. Dodaj Prześlij.

4. Dodaj Dodaj pliki i wybierz loyalty.csv plik.
5. Dodaj Prześlij.

Utwórz detektor

Detektor to zasób Lookout for Metrics, który monitoruje zbiór danych i identyfikuje anomalie z określoną częstotliwością. Detektory wykorzystują ML do znajdowania wzorców w danych i rozróżniania oczekiwanych zmian danych od uzasadnionych anomalii. Aby poprawić swoją wydajność, detektor z czasem uczy się więcej o Twoich danych.

W naszym przypadku detektor analizuje dane dzienne. Aby utworzyć wykrywacz, wykonaj następujące kroki:

1. W konsoli Lookout for Metrics wybierz Utwórz detektor.
2. Wprowadź nazwę i opcjonalny opis detektora.
3. W razie zamówieenia projektu Przedziałwybierz Odstępy 1 dzień.
4. Dodaj Stwórz.

Twoje dane są domyślnie szyfrowane kluczem, którego AWS posiada i którym zarządza dla Ciebie. Możesz także skonfigurować, czy chcesz używać innego klucza szyfrowania niż ten, który jest używany domyślnie.

Teraz skierujmy ten detektor na dane, na których chcesz uruchomić wykrywanie anomalii.

Utwórz zbiór danych

Zestaw danych informuje detektor, gdzie znaleźć Twoje dane i jakie metryki należy przeanalizować pod kątem anomalii. Aby utworzyć zbiór danych, wykonaj następujące czynności:

1. W konsoli Lookout for Metrics przejdź do detektora.
2. Dodaj Dodaj zbiór danych.

3. W razie zamówieenia projektu Imięwprowadź nazwę (na przykład loyalty-point-anomaly-dataset).
4. W razie zamówieenia projektu Strefa czasowa, wybierz odpowiednio.
   
5. W razie zamówieenia projektu Źródło danych, wybierz źródło danych (dla tego posta Amazon S3).
6. W razie zamówieenia projektu Tryb detektora, wybierz swój tryb (dla tego posta, Analizy historycznej).

W Amazon S3 możesz stworzyć detektor w dwóch trybach:

• Analizy historycznej – Ten tryb służy do wyszukiwania anomalii w danych historycznych. Wymaga skonsolidowania wszystkich rekordów w jednym pliku. Używamy tego trybu w naszym przypadku użycia, ponieważ chcemy wykryć anomalie w historycznym wzorcu wymiany punktów lojalnościowych klienta w różnych lokalizacjach.
• Ciągły – Ten tryb służy do wykrywania anomalii w danych na żywo.

7. Wprowadź ścieżkę S3 dla aktywnego folderu S3 i wzorca ścieżki.
8. Dodaj Wykryj ustawienia formatu.
   
9. Pozostaw wszystkie domyślne ustawienia formatu bez zmian i wybierz Następna.
   

Skonfiguruj miary, wymiary i sygnatury czasowe

Środki zdefiniuj kluczowe wskaźniki wydajności, dla których chcesz śledzić anomalie. Do każdego detektora można dodać do pięciu pomiarów. Pola używane do tworzenia wskaźników KPI na podstawie danych źródłowych muszą mieć format liczbowy. Kluczowe wskaźniki wydajności można obecnie definiować, agregując rekordy w przedziale czasu, wykonując SUMA lub ŚREDNIA.

Wymiary daje możliwość dzielenia i krojenia danych poprzez definiowanie kategorii lub segmentów. Umożliwia to śledzenie anomalii dla podzbioru całego zestawu danych, do którego ma zastosowanie dana miara.

W naszym przypadku użycia dodajemy dwie miary, które obliczają sumę obiektów widzianych w interwale 1-dniowym i mają jeden wymiar, dla którego mierzone są zdobyte i wykorzystane punkty.

Każdy rekord w zbiorze danych musi mieć sygnaturę czasową. Poniższa konfiguracja pozwala wybrać pole, które reprezentuje wartość znacznika czasu, a także format znacznika czasu.

Następna strona pozwala przejrzeć wszystkie dodane szczegóły, a następnie dokonać wyboru Zapisz i aktywuj do stworzenia detektora.

Następnie detektor rozpoczyna naukę danych w źródle danych. Na tym etapie stan czujki zmienia się na Inicjowanie.

Należy zwrócić uwagę na minimalną ilość danych, która jest wymagana, zanim Lookout for Metrics rozpocznie wykrywanie anomalii. Aby uzyskać więcej informacji o wymaganiach i ograniczeniach, zobacz Szukaj limitów metryk.

Przy minimalnej konfiguracji utworzyłeś detektor, skierowałeś go na zbiór danych i zdefiniowałeś metryki, w których Lookout for Metrics ma znajdować anomalie.

Przejrzyj i przeanalizuj wyniki

Po zakończeniu zadania weryfikacji historycznej możesz zobaczyć wszystkie anomalie wykryte przez Lookout for Metrics w ostatnich 30% Twoich danych historycznych. Od tego miejsca możesz zacząć rozpakowywać rodzaje wyników, które zobaczysz w Lookout for Metrics w przyszłości, gdy zaczniesz pobierać nowe dane.

Lookout for Metrics zapewnia rozbudowany interfejs użytkownika dla użytkowników, którzy chcą korzystać z Konsola zarządzania AWS do analizy wykrytych anomalii. Zapewnia również możliwość wysyłania zapytań o anomalie za pośrednictwem interfejsów API.

Spójrzmy na przykładową anomalię wykrytą w naszym przypadku użycia detektora anomalii punktów lojalnościowych. Poniższy zrzut ekranu przedstawia anomalię wykrytą podczas realizacji punktów lojalnościowych w określonej lokalizacji w wyznaczonym czasie i dniu z oceną istotności 91.

Pokazuje również procentowy udział wymiaru w anomalii. W tym przypadku 100% udziału pochodzi z wymiaru o identyfikatorze lokalizacji A-1002.

Sprzątać

Aby uniknąć ponoszenia opłat bieżących, usuń następujące zasoby utworzone w tym poście:

• Detektor
• Wiadro S3
• Rola IAM

Wnioski

W tym poście pokazaliśmy, jak za pomocą usługi Lookout for Metrics usunąć niezróżnicowane ciężkie zadania związane z zarządzaniem kompleksowym cyklem życia tworzenia aplikacji do wykrywania anomalii opartych na uczeniu maszynowym. To rozwiązanie może pomóc przyspieszyć znajdowanie anomalii w kluczowych wskaźnikach biznesowych i pozwolić skoncentrować wysiłki na rozwoju i ulepszaniu firmy.

Zachęcamy do bliższego zapoznania się z Przewodnik dla programistów Amazon Lookout for Metrics i wypróbowanie kompleksowego rozwiązania oferowanego przez te usługi z zestawem danych odpowiednim dla wskaźników KPI Twojej firmy.

---

O autorze

Dhiraj Thakura jest architektem rozwiązań w Amazon Web Services. Współpracuje z klientami i partnerami AWS, aby zapewnić wskazówki dotyczące wdrażania chmury korporacyjnej, migracji i strategii. Pasjonuje się technologią, lubi budować i eksperymentować w przestrzeni analitycznej i AI / ML.

• Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
• Platoblockchain. Web3 Inteligencja Metaverse. Wzmocniona wiedza. Dostęp tutaj.
• Źródło: https://aws.amazon.com/blogs/machine-learning/build-a-loyalty-points-anomaly-detector-using-amazon-lookout-for-metrics/