Construiți un detector de anomalii de puncte de fidelitate folosind Amazon Lookout for Metrics

Astăzi, câștigarea loialității clienților nu poate fi un lucru unic. O marcă are nevoie de un plan concentrat și integrat pentru a-și păstra cei mai buni clienți – mai simplu, are nevoie de un program de fidelizare a clienților. Programele Earn and burn sunt una dintre principalele paradigme. Un program tipic de câștig și ardere recompensează clienții după un anumit număr de vizite sau cheltuieli.

De exemplu, un lanț de fast-food și-a lansat programul-pilot de loialitate earn and burn în unele locații. Ei caută să folosească programul de loialitate pentru a face experiența clienților mai personală. După testare, doresc să-l extindă în mai multe locații din diferite țări în viitor. Programul permite clienților să câștige puncte pentru fiecare dolar pe care îl cheltuiesc. Ei pot răscumpăra punctele către diferite opțiuni de recompense. Pentru a atrage noi clienți, aceștia acordă puncte și clienților noi. Ei testează modelul de răscumpărare în fiecare lună pentru a verifica performanța programului de loialitate în diferite locații. Identificarea anomaliilor modelului de răscumpărare este crucială pentru a lua măsuri corective la timp și pentru a asigura succesul general al programului. Clienții au diferite modele de câștig și răscumpărare în diferite locații, în funcție de cheltuielile și alegerea alimentelor. Prin urmare, procesul de identificare a unei anomalii și de diagnosticare rapidă a cauzei principale este dificil, costisitor și predispus la erori.

Această postare vă arată cum să utilizați o soluție integrată cu Amazon Lookout pentru metrici pentru a sparge aceste bariere prin detectarea rapidă și ușoară a anomaliilor în indicatorii cheie de performanță (KPI) de interes.

Lookout for Metrics detectează și diagnostichează automat anomaliile (outlieri de la normă) în datele de afaceri și operaționale. Nu aveți nevoie de experiență ML pentru a utiliza Lookout for Metrics. Este un serviciu de învățare automată (ML) complet gestionat care utilizează modele specializate ML pentru a detecta anomalii pe baza caracteristicilor datelor dvs. De exemplu, tendințele și sezonalitatea sunt două caracteristici ale valorilor seriilor de timp în care detectarea anomaliilor bazată pe prag nu funcționează. Tendințele sunt variații continue (creșteri sau scăderi) ale valorii unei valori. Pe de altă parte, sezonalitatea reprezintă tipare periodice care apar într-un sistem, de obicei crescând peste o linie de bază și apoi scăzând din nou.

În această postare, demonstrăm un scenariu comun de câștig și ardere de puncte de loialitate, în care detectăm anomalii în modelul de câștig și valorificare al clientului. Vă arătăm cum să utilizați aceste servicii gestionate de la AWS pentru a ajuta la identificarea anomaliilor. Puteți aplica această soluție și în alte cazuri de utilizare, cum ar fi detectarea anomaliilor de calitate a aerului, modele de trafic și modele de consum de energie, pentru a numi câteva.

Prezentare generală a soluțiilor

Această postare demonstrează cum puteți configura detectarea anomaliilor pe un model de câștigare și valorificare a punctelor de loialitate folosind Lookout for Metrics. Soluția vă permite să descărcați seturi de date relevante și să configurați detectarea anomaliilor pentru a detecta modelele de câștig și valorificare.

Să vedem cum funcționează de obicei un program de fidelitate, așa cum se arată în diagrama următoare.

Clienții câștigă puncte pentru banii pe care îi cheltuiesc pe achiziție. Ei pot răscumpăra punctele acumulate în schimbul reducerilor, recompenselor sau stimulentelor.

Construirea acestui sistem necesită trei pași simpli:

1. Creați o Serviciul Amazon de stocare simplă (Amazon S3) grupați și încărcați setul de date eșantion.
2. Creați un detector pentru Lookout for Metrics.
3. Adăugați un set de date și activați detectorul pentru a detecta anomalii în datele istorice.

Apoi puteți revizui și analiza rezultatele.

Creați un compartiment S3 și încărcați setul de date eșantion

Descărcați fișierul loialitate.csv și salvați-l local. Apoi continuați prin următorii pași:

1. Pe consola Amazon S3, creați o cupă S3 pentru a încărca fișierul loyalty.csv.

Această grupă trebuie să fie unică și să se afle în aceeași regiune în care utilizați Lookout for Metrics.

2. Deschideți găleata creată de dvs.
3. Alege Încărcați.

4. Alege Adăugați fișiere și alegeți loyalty.csv fișier.
5. Alege Încărcați.

Creați un detector

Un detector este o resursă Lookout for Metrics care monitorizează un set de date și identifică anomalii la o frecvență predefinită. Detectoarele folosesc ML pentru a găsi modele în date și pentru a distinge între variațiile așteptate ale datelor și anomaliile legitime. Pentru a-și îmbunătăți performanța, un detector învață mai multe despre datele dvs. în timp.

În cazul nostru de utilizare, detectorul analizează datele zilnice. Pentru a crea detectorul, parcurgeți următorii pași:

1. În consola Lookout for Metrics, alegeți Creați detector.
2. Introduceți un nume și o descriere opțională pentru detector.
3. Pentru Interval, alege intervale de 1 zi.
4. Alege Crea.

Datele dvs. sunt criptate implicit cu o cheie pe care AWS o deține și o gestionează pentru dvs. De asemenea, puteți configura dacă doriți să utilizați o cheie de criptare diferită de cea care este utilizată implicit.

Acum să îndreptăm acest detector către datele pe care doriți să ruleze detectarea anomaliilor.

Creați un set de date

Un set de date îi spune detectorului unde să găsească datele dvs. și ce valori să analizeze pentru anomalii. Pentru a crea un set de date, parcurgeți următorii pași:

1. În consola Lookout for Metrics, navigați la detectorul dvs.
2. Alege Adăugați un set de date.

3. Pentru Nume si Prenume, introduceți un nume (de exemplu, loyalty-point-anomaly-dataset).
4. Pentru Fus orar, alegeți după caz.
   
5. Pentru Sursă de date, alege-ți sursa de date (pentru această postare, Amazon S3).
6. Pentru Mod detector, selectați modul dvs. (pentru această postare, Backtest).

Cu Amazon S3, puteți crea un detector în două moduri:

• Backtest – Acest mod este folosit pentru a găsi anomalii în datele istorice. Are nevoie ca toate înregistrările să fie consolidate într-un singur fișier. Folosim acest mod cu cazul nostru de utilizare deoarece dorim să detectăm anomalii în modelul istoric de valorificare a punctelor de loialitate al unui client în diferite locații.
• Continuu – Acest mod este utilizat pentru a detecta anomalii în datele live.

7. Introduceți calea S3 pentru folderul S3 live și modelul de cale.
8. Alege Detectează setările de format.
   
9. Lăsați toate setările implicite de format așa cum sunt și alegeți Pagina Următoare →.
   

Configurați măsurile, dimensiunile și marcajele de timp

măsuri definiți KPI pentru care doriți să urmăriți anomaliile. Puteți adăuga până la cinci măsuri pentru fiecare detector. Câmpurile care sunt utilizate pentru a crea KPI din datele dumneavoastră sursă trebuie să fie în format numeric. KPI-urile pot fi definite în prezent prin agregarea înregistrărilor în intervalul de timp, făcând o SUMA sau MEDIE.

Dimensiuni vă oferă posibilitatea de a tăia și tăia datele prin definirea de categorii sau segmente. Acest lucru vă permite să urmăriți anomaliile pentru un subset al întregului set de date pentru care se aplică o anumită măsură.

În cazul nostru de utilizare, adăugăm două măsuri, care calculează suma obiectelor văzute în intervalul de 1 zi și au o singură dimensiune, pentru care sunt măsurate punctele câștigate și răscumpărate.

Fiecare înregistrare din setul de date trebuie să aibă un marcaj de timp. Următoarea configurație vă permite să alegeți câmpul care reprezintă valoarea marcajului de timp și, de asemenea, formatul mărcii de timp.

Pagina următoare vă permite să revizuiți toate detaliile adăugate și apoi să alegeți Salvați și activați pentru a crea detectorul.

Detectorul începe apoi să învețe datele din sursa de date. În această etapă, starea detectorului se schimbă în Inițializare.

Este important să rețineți cantitatea minimă de date necesară înainte ca Lookout for Metrics să poată începe să detecteze anomalii. Pentru mai multe informații despre cerințe și limite, consultați Căutați cote pentru valori.

Cu o configurație minimă, ați creat detectorul, l-ați îndreptat către un set de date și ați definit valorile în care doriți ca Lookout for Metrics să găsească anomalii.

Examinați și analizați rezultatele

Când lucrarea de backtesting este finalizată, puteți vedea toate anomaliile pe care Lookout for Metrics le-a detectat în ultimele 30% din datele dvs. istorice. De aici, puteți începe să despachetați tipurile de rezultate pe care le veți vedea de la Lookout for Metrics în viitor, când începeți să obțineți noile date.

Lookout for Metrics oferă o experiență bogată de IU pentru utilizatorii care doresc să utilizeze Consola de administrare AWS pentru a analiza anomaliile depistate. De asemenea, oferă capacitatea de a interoga anomaliile prin intermediul API-urilor.

Să ne uităm la un exemplu de anomalie detectată din cazul nostru de utilizare a detectorului de anomalii de puncte de fidelitate. Următoarea captură de ecran arată o anomalie detectată în răscumpărarea punctelor de loialitate într-o anumită locație la ora și data desemnate, cu un scor de severitate de 91.

De asemenea, arată contribuția procentuală a dimensiunii la anomalie. În acest caz, contribuția de 100% provine din dimensiunea ID locație A-1002.

A curăța

Pentru a evita costurile curente, ștergeți următoarele resurse create în această postare:

• Detector
• Găleată S3
• Rolul IAM

Concluzie

În această postare, v-am arătat cum să utilizați Lookout for Metrics pentru a elimina sarcinile grele nediferențiate implicate în gestionarea ciclului de viață de la capăt la capăt al creării de aplicații de detectare a anomaliilor bazate pe ML. Această soluție vă poate ajuta să vă accelerați capacitatea de a găsi anomalii în valorile cheie ale afacerii și vă permite să vă concentrați eforturile pe creșterea și îmbunătățirea afacerii dvs.

Vă încurajăm să aflați mai multe vizitând Ghidul pentru dezvoltatori Amazon Lookout for Metrics și să încercați soluția end-to-end activată de aceste servicii cu un set de date relevant pentru KPI-urile dvs. de afaceri.

---

Despre autor

Dhiraj Thakur este arhitect de soluții cu Amazon Web Services. El lucrează cu clienții și partenerii AWS pentru a oferi îndrumări cu privire la adoptarea cloud, migrarea și strategia întreprinderii. Este pasionat de tehnologie și îi place să construiască și să experimenteze în spațiul de analiză și AI/ML.

• Distribuție de conținut bazat pe SEO și PR. Amplifică-te astăzi.
• Platoblockchain. Web3 Metaverse Intelligence. Cunoștințe amplificate. Accesați Aici.
• Sursa: https://aws.amazon.com/blogs/machine-learning/build-a-loyalty-points-anomaly-detector-using-amazon-lookout-for-metrics/