Crie um detector de anomalias de pontos de fidelidade usando o Amazon Lookout for Metrics

Hoje, conquistar a fidelidade do cliente não pode ser algo pontual. Uma marca precisa de um plano focado e integrado para reter seus melhores clientes – simplificando, ela precisa de um programa de fidelidade do cliente. Os programas Earn and Burn são um dos principais paradigmas. Um programa típico de ganhar e queimar recompensa os clientes após um certo número de visitas ou gastos.

Por exemplo, uma rede de fast food lançou seu programa piloto de fidelidade de ganhar e queimar em alguns locais. Eles estão procurando usar o programa de fidelidade para tornar a experiência do cliente mais pessoal. Após o teste, eles querem expandi-lo para mais locais em diferentes países no futuro. O programa permite que os clientes ganhem pontos para cada dólar gasto. Eles podem resgatar os pontos para diferentes opções de recompensas. Para atrair novos clientes, eles também dão pontos para novos clientes. Eles testam o padrão de resgate todos os meses para verificar o desempenho do programa de fidelidade em diferentes locais. Identificar anomalias no padrão de resgate é crucial para tomar ações corretivas a tempo e garantir o sucesso geral do programa. Os clientes têm diferentes padrões de ganho e resgate em diferentes locais com base em seus gastos e escolha de comida. Portanto, o processo de identificar uma anomalia e diagnosticar rapidamente a causa raiz é difícil, caro e sujeito a erros.

Esta postagem mostra como usar uma solução integrada com Amazon Lookout para métricas para quebrar essas barreiras detectando anomalias de forma rápida e fácil nos principais indicadores de desempenho (KPIs) de seu interesse.

O Lookout for Metrics detecta e diagnostica automaticamente anomalias (outliers da norma) em dados comerciais e operacionais. Você não precisa de experiência em ML para usar o Lookout for Metrics. É um serviço de aprendizado de máquina (ML) totalmente gerenciado que usa modelos de ML especializados para detectar anomalias com base nas características de seus dados. Por exemplo, tendências e sazonalidade são duas características de métricas de séries temporais nas quais a detecção de anomalia baseada em limite não funciona. Tendências são variações contínuas (aumentos ou reduções) no valor de uma métrica. Por outro lado, a sazonalidade são padrões periódicos que ocorrem em um sistema, geralmente subindo acima de uma linha de base e diminuindo novamente.

Nesta postagem, demonstramos um cenário comum de ganho e queima de pontos de fidelidade, no qual detectamos anomalias no padrão de ganho e resgate do cliente. Mostramos como usar esses serviços gerenciados da AWS para ajudar a encontrar anomalias. Você pode aplicar essa solução a outros casos de uso, como detecção de anomalias na qualidade do ar, padrões de tráfego e padrões de consumo de energia, para citar alguns.

Visão geral da solução

Esta postagem demonstra como você pode configurar a detecção de anomalias em um padrão de ganho e resgate de pontos de fidelidade usando o Lookout for Metrics. A solução permite que você baixe conjuntos de dados relevantes e configure a detecção de anomalias para detectar padrões de ganho e resgate.

Vamos ver como um programa de fidelidade normalmente funciona, conforme mostrado no diagrama a seguir.

Os clientes ganham pontos pelo dinheiro que gastam na compra. Eles podem resgatar os pontos acumulados em troca de descontos, recompensas ou incentivos.

Construir este sistema requer três etapas simples:

1. Crie uma Serviço de armazenamento simples da Amazon (Amazon S3) e carregue seu conjunto de dados de amostra.
2. Crie um detector para o Lookout for Metrics.
3. Adicione um conjunto de dados e ative o detector para detectar anomalias em dados históricos.

Então você pode revisar e analisar os resultados.

Crie um bucket S3 e carregue seu conjunto de dados de amostra

Baixe o arquivo lealdade.csv e salve-o localmente. Em seguida, continue com as seguintes etapas:

1. No console do Amazon S3, criar um balde S3 para carregar o arquivo fidelização.csv.

Esse depósito precisa ser exclusivo e estar na mesma região em que você está usando o Lookout for Metrics.

2. Abra o balde que você criou.
3. Escolha Escolher arquivo.

4. Escolha Adicionar arquivos e escolha o loyalty.csv arquivo.
5. Escolha Escolher arquivo.

Criar um detector

Um detector é um recurso Lookout for Metrics que monitora um conjunto de dados e identifica anomalias em uma frequência predefinida. Os detectores usam ML para encontrar padrões nos dados e distinguir entre variações esperadas nos dados e anomalias legítimas. Para melhorar seu desempenho, um detector aprende mais sobre seus dados ao longo do tempo.

Em nosso caso de uso, o detector analisa dados diários. Para criar o detector, conclua as seguintes etapas:

1. No console do Lookout for Metrics, escolha Criar detector.
2. Insira um nome e uma descrição opcional para o detector.
3. Escolha Intervalo, escolha intervalos de 1 dia.
4. Escolha Crie.

Seus dados são criptografados por padrão com uma chave que a AWS possui e gerencia para você. Você também pode configurar se deseja usar uma chave de criptografia diferente daquela que é usada por padrão.

Agora vamos apontar esse detector para os dados nos quais você deseja que ele execute a detecção de anomalias.

Criar um conjunto de dados

Um conjunto de dados informa ao detector onde encontrar seus dados e quais métricas analisar em busca de anomalias. Para criar um conjunto de dados, conclua as etapas a seguir:

1. No console Lookout for Metrics, navegue até seu detector.
2. Escolha Adicionar um conjunto de dados.

3. Escolha Nome, insira um nome (por exemplo, loyalty-point-anomaly-dataset).
4. Escolha Fuso horário, escolha conforme aplicável.
   
5. Escolha Fonte de dados, escolha sua fonte de dados (para esta postagem, Amazon S3).
6. Escolha Modo detector, selecione seu modo (para esta postagem, Backtest).

Com o Amazon S3, você pode criar um detector em dois modos:

• Backtest – Este modo é usado para encontrar anomalias em dados históricos. Ele precisa que todos os registros sejam consolidados em um único arquivo. Usamos esse modo com nosso caso de uso porque queremos detectar anomalias no padrão histórico de resgate de pontos de fidelidade de um cliente em diferentes locais.
• Contínuo – Este modo é usado para detectar anomalias em dados ao vivo.

7. Insira o caminho do S3 para a pasta S3 ativa e o padrão de caminho.
8. Escolha Detectar configurações de formato.
   
9. Deixe todas as configurações de formato padrão como estão e escolha Próximo.
   

Configurar medidas, dimensões e carimbos de data/hora

Medidas defina KPIs para os quais deseja rastrear anomalias. Você pode adicionar até cinco medidas por detector. Os campos usados ​​para criar KPIs a partir de seus dados de origem devem estar em formato numérico. Os KPIs podem ser definidos atualmente agregando registros dentro do intervalo de tempo fazendo uma SOMA ou MÉDIA.

Dimensões oferecem a capacidade de fatiar e dividir seus dados definindo categorias ou segmentos. Isso permite rastrear anomalias para um subconjunto de todo o conjunto de dados para o qual uma determinada medida é aplicável.

Em nosso caso de uso, adicionamos duas medidas, que calculam a soma dos objetos vistos no intervalo de 1 dia, e possuem uma dimensão, para a qual são medidos os pontos ganhos e resgatados.

Cada registro no conjunto de dados deve ter um carimbo de data / hora. A configuração a seguir permite que você escolha o campo que representa o valor do carimbo de data / hora e também o formato do carimbo de data / hora.

A próxima página permite que você revise todos os detalhes adicionados e, em seguida, escolha Salvar e ativar para criar o detector.

O detector então começa a aprender os dados na fonte de dados. Nesta fase, o estado do detector muda para Initializing.

É importante observar a quantidade mínima de dados necessária antes que o Lookout for Metrics possa começar a detectar anomalias. Para obter mais informações sobre requisitos e limites, consulte Observação de cotas de métricas.

Com configuração mínima, você criou seu detector, apontou-o para um conjunto de dados e definiu as métricas nas quais deseja que o Lookout for Metrics encontre anomalias.

Revise e analise os resultados

Quando o trabalho de backtesting estiver concluído, você poderá ver todas as anomalias que o Lookout for Metrics detectou nos últimos 30% de seus dados históricos. A partir daqui, você pode começar a descompactar os tipos de resultados que verá no Lookout for Metrics no futuro quando começar a obter os novos dados.

Lookout for Metrics fornece uma rica experiência de interface de usuário para usuários que desejam usar o Console de gerenciamento da AWS para analisar as anomalias detectadas. Ele também fornece a capacidade de consultar as anomalias por meio de APIs.

Vejamos um exemplo de anomalia detectada em nosso caso de uso do detector de anomalias de pontos de fidelidade. A captura de tela a seguir mostra uma anomalia detectada no resgate de pontos de fidelidade em um local específico na hora e data designadas com uma pontuação de gravidade de 91.

Também mostra a contribuição percentual da dimensão para a anomalia. Nesse caso, a contribuição de 100% vem da dimensão de ID de local A-1002.

limpar

Para evitar cobranças contínuas, exclua os seguintes recursos criados nesta postagem:

• Detetor
• Caçamba S3
• Papel do IAM

Conclusão

Nesta postagem, mostramos como usar o Lookout for Metrics para remover o trabalho pesado indiferenciado envolvido no gerenciamento do ciclo de vida de ponta a ponta da criação de aplicativos de detecção de anomalias baseados em ML. Esta solução pode ajudá-lo a acelerar sua capacidade de encontrar anomalias nas principais métricas de negócios e permitir que você concentre seus esforços no crescimento e melhoria de seus negócios.

Nós o encorajamos a aprender mais visitando o Guia do desenvolvedor do Amazon Lookout for Metrics e experimentar a solução de ponta a ponta habilitada por esses serviços com um conjunto de dados relevante para seus KPIs de negócios.

---

Sobre o autor

Dhiraj Thakur é arquiteto de soluções da Amazon Web Services. Ele trabalha com clientes e parceiros da AWS para fornecer orientação sobre adoção, migração e estratégia da nuvem corporativa. Ele é apaixonado por tecnologia e gosta de construir e experimentar no espaço de análise e IA/ML.

• Conteúdo com tecnologia de SEO e distribuição de relações públicas. Seja amplificado hoje.
• Platoblockchain. Inteligência Metaverso Web3. Conhecimento Ampliado. Acesse aqui.
• Fonte: https://aws.amazon.com/blogs/machine-learning/build-a-loyalty-points-anomaly-detector-using-amazon-lookout-for-metrics/