Создайте детектор аномалий баллов лояльности с помощью Amazon Lookout for Metrics.

Сегодня завоевание лояльности клиентов не может быть одноразовым действием. Бренду нужен сфокусированный и интегрированный план, чтобы удержать своих лучших клиентов — проще говоря, ему нужна программа лояльности клиентов. Программы «Зарабатывай и сжигай» — одна из основных парадигм. Типичная программа заработка и сжигания вознаграждает клиентов после определенного количества посещений или расходов.

Например, сеть ресторанов быстрого питания запустила пилотную программу лояльности «Зарабатывай и сжигай» в некоторых местах. Они хотят использовать программу лояльности, чтобы сделать свой клиентский опыт более персонализированным. После тестирования они хотят расширить его на большее количество мест в разных странах в будущем. Программа позволяет клиентам зарабатывать баллы за каждый потраченный доллар. Они могут обменять баллы на различные варианты вознаграждения. Чтобы привлечь новых клиентов, они также дают баллы новым клиентам. Они ежемесячно тестируют шаблон выкупа, чтобы проверить эффективность программы лояльности в разных местах. Выявление аномалий схемы погашения имеет решающее значение для своевременного принятия корректирующих мер и обеспечения общего успеха программы. У клиентов есть разные модели заработка и выкупа в разных местах в зависимости от их расходов и выбора еды. Таким образом, процесс выявления аномалии и быстрой диагностики первопричины является сложным, дорогостоящим и подверженным ошибкам.

В этом посте показано, как использовать интегрированное решение с Amazon Lookout для показателей чтобы сломать эти барьеры, быстро и легко обнаружив аномалии в интересующих вас ключевых показателях эффективности (KPI).

Lookout for Metrics автоматически обнаруживает и диагностирует аномалии (отклонения от нормы) в деловых и операционных данных. Вам не нужен опыт машинного обучения, чтобы использовать Lookout for Metrics. Это полностью управляемая служба машинного обучения (ML), которая использует специализированные модели ML для обнаружения аномалий на основе характеристик ваших данных. Например, тренды и сезонность — это две характеристики метрик временных рядов, в которых обнаружение аномалий на основе пороговых значений не работает. Тенденции — это непрерывные изменения (увеличение или уменьшение) значения показателя. С другой стороны, сезонность — это периодические закономерности, которые возникают в системе, обычно повышаясь выше базового уровня, а затем снова уменьшаясь.

В этом посте мы демонстрируем распространенный сценарий накопления и сжигания баллов лояльности, в котором мы обнаруживаем аномалии в схеме накопления и использования клиентом. Мы покажем вам, как использовать эти управляемые сервисы AWS для поиска аномалий. Вы можете применить это решение к другим случаям использования, таким как обнаружение аномалий качества воздуха, моделей трафика и моделей энергопотребления, и это лишь некоторые из них.

Обзор решения

В этом посте показано, как настроить обнаружение аномалий в шаблоне получения и использования баллов лояльности с помощью Lookout for Metrics. Решение позволяет загружать соответствующие наборы данных и настраивать обнаружение аномалий, чтобы обнаруживать закономерности заработка и выкупа.

Давайте посмотрим, как обычно работает программа лояльности, как показано на следующей диаграмме.

Клиенты получают баллы за деньги, которые они тратят на покупку. Они могут обменять накопленные баллы на скидки, вознаграждения или поощрения.

Создание этой системы требует трех простых шагов:

1. Создать Простой сервис хранения Amazon (Amazon S3) и загрузите образец набора данных.
2. Создайте детектор для Lookout for Metrics.
3. Добавьте набор данных и активируйте детектор для обнаружения аномалий в исторических данных.

Затем вы можете просмотреть и проанализировать результаты.

Создайте корзину S3 и загрузите образец набора данных.

Скачать файл лояльность.csv и сохраните его локально. Затем выполните следующие шаги:

1. На консоли Amazon S3 создать ведро S3 для загрузки файла лояльности.csv.

Этот сегмент должен быть уникальным и находиться в том же регионе, где вы используете Lookout for Metrics.

2. Откройте созданное вами ведро.
3. Выберите Загрузите.

4. Выберите Добавить файлы и выберите loyalty.csv .
5. Выберите Загрузите.

Создать детектор

Детектор — это ресурс Lookout for Metrics, который отслеживает набор данных и выявляет аномалии с заданной частотой. Детекторы используют машинное обучение, чтобы находить закономерности в данных и различать ожидаемые вариации данных и законные аномалии. Чтобы улучшить свою производительность, детектор со временем узнает больше о ваших данных.

В нашем случае детектор анализирует ежедневные данные. Для создания детектора выполните следующие шаги:

1. На консоли Lookout for Metrics выберите Создать детектор.
2. Введите имя и необязательное описание детектора.
3. Что касается Интервал, выберите интервал 1 день.
4. Выберите Создавай.

Ваши данные по умолчанию зашифрованы с помощью ключа, которым владеет и управляет AWS. Вы также можете указать, хотите ли вы использовать ключ шифрования, отличный от того, который используется по умолчанию.

Теперь давайте направим этот детектор на данные, для которых вы хотите запустить обнаружение аномалий.

Создать набор данных

Набор данных сообщает детектору, где найти ваши данные и какие показатели анализировать на наличие аномалий. Чтобы создать набор данных, выполните следующие шаги:

1. В консоли Lookout for Metrics перейдите к своему детектору.
2. Выберите Добавить набор данных.

3. Что касается Имявведите имя (например, loyalty-point-anomaly-dataset).
4. Что касается Часовой пояс, выберите как применимо.
   
5. Что касается Источник данных, выберите источник данных (для этого поста — Amazon S3).
6. Что касается Детекторный режим, выберите свой режим (для этого поста Backtest).

С Amazon S3 вы можете создать детектор в двух режимах:

• Backtest – Этот режим используется для поиска аномалий в исторических данных. Необходимо, чтобы все записи были объединены в один файл. Мы используем этот режим в нашем сценарии использования, потому что мы хотим обнаружить аномалии в исторической модели погашения баллов лояльности клиента в разных местах.
• Непрерывный – Этот режим используется для обнаружения аномалий в оперативных данных.

7. Введите путь S3 для активной папки S3 и шаблон пути.
8. Выберите Определить настройки формата.
   
9. Оставьте все настройки формата по умолчанию без изменений и выберите Следующая.
   

Настройка показателей, измерений и временных меток

меры определите ключевые показатели эффективности, для которых вы хотите отслеживать аномалии. Вы можете добавить до пяти измерений на детектор. Поля, которые используются для создания KPI из исходных данных, должны иметь числовой формат. KPI в настоящее время могут быть определены путем агрегирования записей в пределах временного интервала путем выполнения SUM или AVERAGE.

Габаритные размеры: дать вам возможность нарезать и нарезать ваши данные, определяя категории или сегменты. Это позволяет отслеживать аномалии для подмножества всего набора данных, для которого применима конкретная мера.

В нашем случае использования мы добавляем две меры, которые вычисляют сумму объектов, просмотренных за 1-дневный интервал, и имеют одно измерение, для которого измеряются заработанные и использованные баллы.

Каждая запись в наборе данных должна иметь отметку времени. Следующая конфигурация позволяет вам выбрать поле, представляющее значение метки времени, а также формат метки времени.

На следующей странице вы можете просмотреть все детали, которые вы добавили, а затем выбрать Сохранить и активировать для создания детектора.

Затем детектор начинает изучать данные в источнике данных. На этом этапе статус извещателя меняется на Инициализация.

Важно отметить минимальный объем данных, который требуется, прежде чем Lookout for Metrics сможет начать обнаруживать аномалии. Дополнительные сведения о требованиях и ограничениях см. Следите за квотами показателей.

С минимальной конфигурацией вы создали свой детектор, направили его на набор данных и определили метрики, в которых вы хотите, чтобы Lookout for Metrics находил аномалии.

Просмотрите и проанализируйте результаты

Когда задание по ретроспективному тестированию будет завершено, вы сможете увидеть все аномалии, обнаруженные Lookout for Metrics в последних 30 % ваших исторических данных. Отсюда вы можете начать распаковывать виды результатов, которые вы увидите в Lookout for Metrics в будущем, когда начнете получать новые данные.

Lookout for Metrics предоставляет богатый пользовательский интерфейс для пользователей, которые хотят использовать Консоль управления AWS для анализа обнаруженных аномалий. Он также предоставляет возможность запрашивать аномалии через API.

Давайте рассмотрим пример аномалии, обнаруженной в нашем случае использования детектора аномалий очков лояльности. На следующем снимке экрана показана аномалия, обнаруженная при обмене баллов лояльности в определенном месте в указанное время и дату с оценкой серьезности 91.

Он также показывает процентный вклад измерения в аномалию. В этом случае 100%-й вклад исходит от параметра ID местоположения A-1002.

Убирать

Чтобы избежать текущих расходов, удалите следующие ресурсы, созданные в этом сообщении:

• Детектор
• Ковш S3
• Роль IAM

Заключение

В этом посте мы показали вам, как использовать Lookout for Metrics, чтобы избавиться от недифференцированной тяжелой работы, связанной с управлением сквозным жизненным циклом создания приложений для обнаружения аномалий на основе машинного обучения. Это решение может помочь вам быстрее обнаруживать аномалии в ключевых бизнес-показателях и позволит вам сосредоточить свои усилия на росте и улучшении вашего бизнеса.

Предлагаем вам узнать больше, посетив Руководство разработчика Amazon Lookout for Metrics и опробовать комплексное решение, поддерживаемое этими службами, с набором данных, соответствующим вашим бизнес-КПЭ.

---

Об авторе

Дхирадж Тхакур является архитектором решений в Amazon Web Services. Он работает с клиентами и партнерами AWS, предоставляя рекомендации по внедрению, миграции и стратегии корпоративного облака. Он увлечен технологиями и любит строить и экспериментировать в области аналитики и AI/ML.

• SEO-контент и PR-распределение. Получите усиление сегодня.
• Платоблокчейн. Интеллект метавселенной Web3. Расширение знаний. Доступ здесь.
• Источник: https://aws.amazon.com/blogs/machine-learning/build-a-loyalty-points-anomaly-detector-using-amazon-lookout-for-metrics/