สร้างเครื่องตรวจจับความผิดปกติของคะแนนสะสมโดยใช้ Amazon Lookout for Metrics

ทุกวันนี้ การได้รับความภักดีของลูกค้าไม่ใช่เรื่องที่เกิดขึ้นเพียงครั้งเดียว แบรนด์ต้องการแผนการที่มุ่งเน้นและบูรณาการเพื่อรักษาลูกค้าที่ดีที่สุด พูดง่ายๆ ก็คือต้องมีโปรแกรมความภักดีของลูกค้า โปรแกรม Earn and Burn เป็นหนึ่งในกระบวนทัศน์หลัก โปรแกรมรับและเบิร์นทั่วไปจะให้รางวัลแก่ลูกค้าหลังจากการเข้าชมหรือใช้จ่ายตามจำนวนที่กำหนด

ตัวอย่างเช่น เครือร้านอาหารฟาสต์ฟู้ดได้เปิดตัวโครงการนำร่องในการสร้างรายได้และเผาผลาญความภักดีในบางพื้นที่ พวกเขาต้องการใช้โปรแกรมความภักดีเพื่อทำให้ลูกค้าได้รับประสบการณ์ที่เป็นส่วนตัวมากขึ้น เมื่อทำการทดสอบแล้ว พวกเขาต้องการขยายไปยังสถานที่ต่างๆ ในประเทศต่างๆ มากขึ้นในอนาคต โปรแกรมนี้ช่วยให้ลูกค้าได้รับคะแนนสำหรับทุก ๆ ดอลลาร์ที่พวกเขาใช้จ่าย พวกเขาสามารถแลกคะแนนเพื่อรับรางวัลต่างๆ เพื่อดึงดูดลูกค้าใหม่ พวกเขายังให้คะแนนแก่ลูกค้าใหม่ พวกเขาทดสอบรูปแบบการแลกทุกเดือนเพื่อตรวจสอบประสิทธิภาพของโปรแกรมความภักดีในสถานที่ต่างๆ การระบุความผิดปกติของรูปแบบการแลกคะแนนมีความสำคัญอย่างยิ่งในการดำเนินการแก้ไขได้ทันเวลาและรับประกันความสำเร็จโดยรวมของโปรแกรม ลูกค้ามีรูปแบบการรับและแลกรับที่แตกต่างกันในสถานที่ต่างๆ ตามการใช้จ่ายและการเลือกอาหาร ดังนั้น กระบวนการระบุความผิดปกติและวินิจฉัยต้นตออย่างรวดเร็วจึงเป็นเรื่องยาก มีค่าใช้จ่ายสูง และเกิดข้อผิดพลาดได้ง่าย

โพสต์นี้แสดงวิธีใช้โซลูชันแบบบูรณาการกับ Amazon Lookout สำหรับเมตริก เพื่อทำลายอุปสรรคเหล่านี้ด้วยการตรวจจับความผิดปกติอย่างรวดเร็วและง่ายดายในตัวบ่งชี้ประสิทธิภาพหลัก (KPI) ที่คุณสนใจ

Lookout for Metrics จะตรวจจับและวินิจฉัยความผิดปกติ (ค่าผิดปกติจากบรรทัดฐาน) โดยอัตโนมัติในข้อมูลธุรกิจและการดำเนินงาน คุณไม่จำเป็นต้องมีประสบการณ์ ML เพื่อใช้ Lookout for Metrics เป็นบริการแมชชีนเลิร์นนิง (ML) ที่มีการจัดการเต็มรูปแบบซึ่งใช้โมเดล ML พิเศษเพื่อตรวจจับความผิดปกติตามลักษณะของข้อมูลของคุณ ตัวอย่างเช่น แนวโน้มและฤดูกาลเป็นลักษณะสองประการของเมตริกอนุกรมเวลาที่การตรวจจับความผิดปกติตามเกณฑ์ไม่ทำงาน แนวโน้มคือการเปลี่ยนแปลงอย่างต่อเนื่อง (เพิ่มขึ้นหรือลดลง) ในค่าของเมตริก ในทางกลับกัน ฤดูกาลคือรูปแบบที่เกิดขึ้นเป็นระยะๆ ในระบบ โดยปกติจะสูงขึ้นเหนือเส้นฐานแล้วลดลงอีกครั้ง

ในโพสต์นี้ เราสาธิตสถานการณ์ทั่วไปในการรับและเผาคะแนนสมาชิก ซึ่งเราตรวจพบความผิดปกติในรูปแบบการรับและแลกคะแนนของลูกค้า เราจะแสดงวิธีใช้บริการที่มีการจัดการเหล่านี้จาก AWS เพื่อช่วยค้นหาความผิดปกติ คุณสามารถใช้โซลูชันนี้กับกรณีการใช้งานอื่นๆ เช่น การตรวจจับความผิดปกติในคุณภาพอากาศ รูปแบบการจราจร และรูปแบบการใช้พลังงาน เป็นต้น

ภาพรวมโซลูชัน

โพสต์นี้สาธิตวิธีตั้งค่าการตรวจจับความผิดปกติในการรับและแลกคะแนนสะสมโดยใช้ Lookout for Metrics โซลูชันนี้ช่วยให้คุณดาวน์โหลดชุดข้อมูลที่เกี่ยวข้องและตั้งค่าการตรวจจับความผิดปกติเพื่อตรวจจับรูปแบบการรับและแลกรับ

มาดูกันว่าโปรแกรมความภักดีโดยทั่วไปทำงานอย่างไร ดังแสดงในแผนภาพต่อไปนี้

ลูกค้าจะได้รับคะแนนสำหรับเงินที่ใช้จ่ายในการซื้อ โดยสามารถนำคะแนนที่สะสมมาแลกเป็นส่วนลด ของรางวัล หรือสิ่งจูงใจต่างๆ

การสร้างระบบนี้ต้องการสามขั้นตอนง่ายๆ:

1. สร้าง บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (Amazon S3) เก็บข้อมูลและอัปโหลดชุดข้อมูลตัวอย่างของคุณ
2. สร้างตัวตรวจจับสำหรับ Lookout for Metrics
3. เพิ่มชุดข้อมูลและเปิดใช้งานตัวตรวจจับเพื่อตรวจจับความผิดปกติของข้อมูลประวัติ

จากนั้นคุณสามารถตรวจสอบและวิเคราะห์ผลลัพธ์ได้

สร้างบัคเก็ต S3 และอัปโหลดชุดข้อมูลตัวอย่างของคุณ

ดาวน์โหลดไฟล์ ความจงรักภักดี.csv และบันทึกไว้ในเครื่อง จากนั้นทำตามขั้นตอนต่อไปนี้:

1. บนคอนโซล Amazon S3 สร้างถัง S3 เพื่ออัปโหลดไฟล์ Loyalty.csv

ที่เก็บข้อมูลนี้ต้องไม่ซ้ำกันและอยู่ในภูมิภาคเดียวกับที่คุณใช้ Lookout for Metrics

2. เปิดบัคเก็ตที่คุณสร้างขึ้น
3. Choose อัพโหลด.

4. Choose เพิ่มไฟล์ และเลือก loyalty.csv ไฟล์
5. Choose อัพโหลด.

สร้างเครื่องตรวจจับ

ตัวตรวจจับคือทรัพยากร Lookout for Metrics ที่ตรวจสอบชุดข้อมูลและระบุความผิดปกติที่ความถี่ที่กำหนดไว้ล่วงหน้า ตัวตรวจจับใช้ ML เพื่อค้นหารูปแบบในข้อมูลและแยกแยะระหว่างความผันแปรที่คาดหวังในข้อมูลกับความผิดปกติที่ถูกต้องตามกฎหมาย เพื่อปรับปรุงประสิทธิภาพ ตัวตรวจจับจะเรียนรู้เพิ่มเติมเกี่ยวกับข้อมูลของคุณเมื่อเวลาผ่านไป

ในกรณีการใช้งานของเรา ตัวตรวจจับจะวิเคราะห์ข้อมูลรายวัน หากต้องการสร้างตัวตรวจจับ ให้ทำตามขั้นตอนต่อไปนี้:

1. บนคอนโซล Lookout for Metrics ให้เลือก สร้างตัวตรวจจับ.
2. ป้อนชื่อและคำอธิบายเพิ่มเติมสำหรับเครื่องตรวจจับ
3. สำหรับ ระยะห่างเลือก ช่วงเวลา 1 วัน.
4. Choose สร้างบัญชีตัวแทน.

ข้อมูลของคุณจะถูกเข้ารหัสโดยค่าเริ่มต้นด้วยคีย์ที่ AWS เป็นเจ้าของและจัดการให้คุณ คุณยังสามารถกำหนดค่าได้หากต้องการใช้คีย์การเข้ารหัสที่แตกต่างจากคีย์ที่ใช้โดยค่าเริ่มต้น

ตอนนี้ ให้ชี้ตัวตรวจจับนี้ไปที่ข้อมูลที่คุณต้องการให้เรียกใช้การตรวจจับสิ่งผิดปกติ

สร้างชุดข้อมูล

ชุดข้อมูลจะบอกตัวตรวจจับว่าจะหาข้อมูลของคุณได้ที่ไหน และตัววัดใดที่จะวิเคราะห์หาความผิดปกติ ในการสร้างชุดข้อมูล ให้ทำตามขั้นตอนต่อไปนี้:

1. ในคอนโซล Lookout for Metrics ให้ไปที่ตัวตรวจจับของคุณ
2. Choose เพิ่มชุดข้อมูล.

3. สำหรับ Nameป้อนชื่อ (เช่น loyalty-point-anomaly-dataset).
4. สำหรับ เขตเวลาให้เลือกตามความเหมาะสม
   
5. สำหรับ แหล่งข้อมูลเลือกแหล่งข้อมูลของคุณ (สำหรับโพสต์นี้ Amazon S3)
6. สำหรับ โหมดตรวจจับ, เลือกโหมดของคุณ (สำหรับโพสต์นี้ backtest).

ด้วย Amazon S3 คุณสามารถสร้างตัวตรวจจับได้ในสองโหมด:

• backtest – โหมดนี้ใช้เพื่อค้นหาความผิดปกติในข้อมูลย้อนหลัง จำเป็นต้องรวมระเบียนทั้งหมดไว้ในไฟล์เดียว เราใช้โหมดนี้กับกรณีการใช้งานของเรา เนื่องจากเราต้องการตรวจจับความผิดปกติในรูปแบบการแลกคะแนนสะสมของลูกค้าในอดีตในสถานที่ต่างๆ
• อย่างต่อเนื่อง – โหมดนี้ใช้เพื่อตรวจจับความผิดปกติในข้อมูลสด

7. ป้อนเส้นทาง S3 สำหรับโฟลเดอร์ S3 สดและรูปแบบเส้นทาง
8. Choose ตรวจหาการตั้งค่ารูปแบบ.
   
9. ปล่อยการตั้งค่ารูปแบบเริ่มต้นทั้งหมดตามที่เป็นอยู่ แล้วเลือก ถัดไป.
   

กำหนดค่าการวัด มิติ และการประทับเวลา

มาตรการ กำหนด KPI ที่คุณต้องการติดตามความผิดปกติ คุณสามารถเพิ่มการวัดได้สูงสุดห้าตัวต่อเครื่องตรวจจับ ฟิลด์ที่ใช้ในการสร้าง KPI จากข้อมูลต้นฉบับของคุณต้องอยู่ในรูปแบบตัวเลข ปัจจุบัน KPI สามารถกำหนดได้โดยการรวมเรคคอร์ดภายในช่วงเวลาโดยทำ SUM หรือ AVERAGE

ขนาด ให้ความสามารถในการแบ่งและแบ่งข้อมูลของคุณโดยการกำหนดหมวดหมู่หรือกลุ่ม วิธีนี้ช่วยให้คุณติดตามความผิดปกติของชุดย่อยของข้อมูลทั้งชุดที่ใช้การวัดเฉพาะได้

ในกรณีการใช้งานของเรา เราได้เพิ่มการวัดสองรายการ ซึ่งคำนวณผลรวมของวัตถุที่เห็นในช่วงเวลา 1 วัน และมีหนึ่งมิติสำหรับการวัดคะแนนที่ได้รับและแลกคะแนน

ทุกระเบียนในชุดข้อมูลต้องมีการประทับเวลา การกำหนดค่าต่อไปนี้ช่วยให้คุณเลือกฟิลด์ที่แสดงค่าการประทับเวลาและรูปแบบของการประทับเวลา

หน้าถัดไปให้คุณตรวจสอบรายละเอียดทั้งหมดที่คุณเพิ่มแล้วเลือก บันทึกและเปิดใช้งาน เพื่อสร้างเครื่องตรวจจับ

จากนั้นเครื่องตรวจจับจะเริ่มเรียนรู้ข้อมูลในแหล่งข้อมูล ในขั้นตอนนี้ สถานะของตัวตรวจจับจะเปลี่ยนเป็น กำลังเริ่มต้น

สิ่งสำคัญคือต้องสังเกตจำนวนข้อมูลขั้นต่ำที่ต้องใช้ก่อนที่ Lookout for Metrics จะสามารถตรวจพบความผิดปกติได้ สำหรับข้อมูลเพิ่มเติมเกี่ยวกับข้อกำหนดและขีดจำกัด โปรดดูที่ ระวังโควต้าเมตริก.

ด้วยการกำหนดค่าเพียงเล็กน้อย คุณได้สร้างตัวตรวจจับ ชี้ไปที่ชุดข้อมูล และกำหนดตัวชี้วัดที่คุณต้องการให้ Lookout for Metrics ค้นหาความผิดปกติ

ทบทวนและวิเคราะห์ผลลัพธ์

เมื่องาน backtesting เสร็จสิ้น คุณจะเห็นความผิดปกติทั้งหมดที่ Lookout for Metrics ตรวจพบใน 30% ล่าสุดของข้อมูลประวัติของคุณ จากที่นี่ คุณสามารถเริ่มแยกประเภทผลลัพธ์ที่คุณจะเห็นจาก Lookout for Metrics ในอนาคตเมื่อคุณเริ่มรับข้อมูลใหม่

Lookout for Metrics มอบประสบการณ์ UI ที่สมบูรณ์สำหรับผู้ใช้ที่ต้องการใช้ คอนโซลการจัดการ AWS เพื่อวิเคราะห์ความผิดปกติที่ตรวจพบ นอกจากนี้ยังมีความสามารถในการสืบค้นความผิดปกติผ่าน API

มาดูตัวอย่างความผิดปกติที่ตรวจพบจากกรณีการใช้งานเครื่องตรวจจับความผิดปกติของคะแนนสะสม ภาพหน้าจอต่อไปนี้แสดงความผิดปกติที่ตรวจพบในการแลกคะแนนสะสมในสถานที่เฉพาะในวันและเวลาที่กำหนด โดยมีคะแนนความรุนแรงเท่ากับ 91

นอกจากนี้ยังแสดงเปอร์เซ็นต์การมีส่วนร่วมของมิติที่มีต่อความผิดปกติ ในกรณีนี้ การสนับสนุน 100% มาจากมิติตำแหน่ง ID A-1002

ทำความสะอาด

เพื่อหลีกเลี่ยงการเรียกเก็บเงินอย่างต่อเนื่อง ให้ลบแหล่งข้อมูลต่อไปนี้ที่สร้างขึ้นในโพสต์นี้:

• เครื่องตรวจจับ
• ถัง S3
• บทบาท IAM

สรุป

ในโพสต์นี้ เราได้แสดงวิธีใช้ Lookout for Metrics เพื่อขจัดปัญหาการยกของหนักที่ไม่มีความแตกต่าง ซึ่งเกี่ยวข้องกับการจัดการวงจรชีวิตแบบครบวงจรของการสร้างแอปพลิเคชันการตรวจจับความผิดปกติที่ขับเคลื่อนด้วย ML โซลูชันนี้สามารถช่วยคุณเร่งความสามารถในการค้นหาความผิดปกติในเมตริกธุรกิจที่สำคัญ และช่วยให้คุณมุ่งเน้นความพยายามของคุณในการเติบโตและปรับปรุงธุรกิจของคุณ

เราขอแนะนำให้คุณเรียนรู้เพิ่มเติมโดยไปที่ คู่มือนักพัฒนา Amazon Lookout for Metrics และลองใช้โซลูชันแบบ end-to-end ที่เปิดใช้งานโดยบริการเหล่านี้ด้วยชุดข้อมูลที่เกี่ยวข้องกับ KPI ของธุรกิจของคุณ

---

เกี่ยวกับผู้เขียน

ธีรัช ฐกูร เป็นสถาปนิกโซลูชันกับ Amazon Web Services เขาทำงานร่วมกับลูกค้าและคู่ค้าของ AWS เพื่อให้คำแนะนำเกี่ยวกับการนำระบบคลาวด์ไปใช้ การย้ายข้อมูล และกลยุทธ์ เขาหลงใหลในเทคโนโลยีและสนุกกับการสร้างและทดลองในด้านการวิเคราะห์และ AI/ML

• เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
• เพลโตบล็อคเชน Web3 Metaverse ข่าวกรอง ขยายความรู้. เข้าถึงได้ที่นี่.
• ที่มา: https://aws.amazon.com/blogs/machine-learning/build-a-loyalty-points-anomaly-detector-using-amazon-lookout-for-metrics/