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:
- สร้าง บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (Amazon S3) เก็บข้อมูลและอัปโหลดชุดข้อมูลตัวอย่างของคุณ
- สร้างตัวตรวจจับสำหรับ Lookout for Metrics
- เพิ่มชุดข้อมูลและเปิดใช้งานตัวตรวจจับเพื่อตรวจจับความผิดปกติของข้อมูลประวัติ
จากนั้นคุณสามารถตรวจสอบและวิเคราะห์ผลลัพธ์ได้
สร้างบัคเก็ต S3 และอัปโหลดชุดข้อมูลตัวอย่างของคุณ
ดาวน์โหลดไฟล์ ความจงรักภักดี.csv และบันทึกไว้ในเครื่อง จากนั้นทำตามขั้นตอนต่อไปนี้:
- บนคอนโซล Amazon S3 สร้างถัง S3 เพื่ออัปโหลดไฟล์ Loyalty.csv
ที่เก็บข้อมูลนี้ต้องไม่ซ้ำกันและอยู่ในภูมิภาคเดียวกับที่คุณใช้ Lookout for Metrics
- เปิดบัคเก็ตที่คุณสร้างขึ้น
- Choose อัพโหลด.
- Choose เพิ่มไฟล์ และเลือก
loyalty.csv
ไฟล์ - Choose อัพโหลด.
สร้างเครื่องตรวจจับ
ตัวตรวจจับคือทรัพยากร Lookout for Metrics ที่ตรวจสอบชุดข้อมูลและระบุความผิดปกติที่ความถี่ที่กำหนดไว้ล่วงหน้า ตัวตรวจจับใช้ ML เพื่อค้นหารูปแบบในข้อมูลและแยกแยะระหว่างความผันแปรที่คาดหวังในข้อมูลกับความผิดปกติที่ถูกต้องตามกฎหมาย เพื่อปรับปรุงประสิทธิภาพ ตัวตรวจจับจะเรียนรู้เพิ่มเติมเกี่ยวกับข้อมูลของคุณเมื่อเวลาผ่านไป
ในกรณีการใช้งานของเรา ตัวตรวจจับจะวิเคราะห์ข้อมูลรายวัน หากต้องการสร้างตัวตรวจจับ ให้ทำตามขั้นตอนต่อไปนี้:
- บนคอนโซล Lookout for Metrics ให้เลือก สร้างตัวตรวจจับ.
- ป้อนชื่อและคำอธิบายเพิ่มเติมสำหรับเครื่องตรวจจับ
- สำหรับ ระยะห่างเลือก ช่วงเวลา 1 วัน.
- Choose สร้างบัญชีตัวแทน.
ข้อมูลของคุณจะถูกเข้ารหัสโดยค่าเริ่มต้นด้วยคีย์ที่ AWS เป็นเจ้าของและจัดการให้คุณ คุณยังสามารถกำหนดค่าได้หากต้องการใช้คีย์การเข้ารหัสที่แตกต่างจากคีย์ที่ใช้โดยค่าเริ่มต้น
ตอนนี้ ให้ชี้ตัวตรวจจับนี้ไปที่ข้อมูลที่คุณต้องการให้เรียกใช้การตรวจจับสิ่งผิดปกติ
สร้างชุดข้อมูล
ชุดข้อมูลจะบอกตัวตรวจจับว่าจะหาข้อมูลของคุณได้ที่ไหน และตัววัดใดที่จะวิเคราะห์หาความผิดปกติ ในการสร้างชุดข้อมูล ให้ทำตามขั้นตอนต่อไปนี้:
- ในคอนโซล Lookout for Metrics ให้ไปที่ตัวตรวจจับของคุณ
- Choose เพิ่มชุดข้อมูล.
- สำหรับ Nameป้อนชื่อ (เช่น
loyalty-point-anomaly-dataset
). - สำหรับ เขตเวลาให้เลือกตามความเหมาะสม
- สำหรับ แหล่งข้อมูลเลือกแหล่งข้อมูลของคุณ (สำหรับโพสต์นี้ Amazon S3)
- สำหรับ โหมดตรวจจับ, เลือกโหมดของคุณ (สำหรับโพสต์นี้ backtest).
ด้วย Amazon S3 คุณสามารถสร้างตัวตรวจจับได้ในสองโหมด:
- backtest – โหมดนี้ใช้เพื่อค้นหาความผิดปกติในข้อมูลย้อนหลัง จำเป็นต้องรวมระเบียนทั้งหมดไว้ในไฟล์เดียว เราใช้โหมดนี้กับกรณีการใช้งานของเรา เนื่องจากเราต้องการตรวจจับความผิดปกติในรูปแบบการแลกคะแนนสะสมของลูกค้าในอดีตในสถานที่ต่างๆ
- อย่างต่อเนื่อง – โหมดนี้ใช้เพื่อตรวจจับความผิดปกติในข้อมูลสด
- ป้อนเส้นทาง S3 สำหรับโฟลเดอร์ S3 สดและรูปแบบเส้นทาง
- Choose ตรวจหาการตั้งค่ารูปแบบ.
- 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/
- 1
- 7
- a
- ความสามารถ
- เกี่ยวกับเรา
- ข้างบน
- เร่งความเร็ว
- สะสม
- ข้าม
- การกระทำ
- ที่เพิ่ม
- การนำมาใช้
- หลังจาก
- การรวม
- AI / ML
- AIR
- ทั้งหมด
- ช่วยให้
- อเมซอน
- Amazon Lookout สำหรับเมตริก
- Amazon Web Services
- จำนวน
- การวิเคราะห์
- วิเคราะห์
- การวิเคราะห์
- และ
- การตรวจจับความผิดปกติ
- APIs
- เหมาะสม
- การใช้งาน
- ใช้
- อัตโนมัติ
- เฉลี่ย
- AWS
- backtesting
- อุปสรรค
- ตาม
- baseline
- เพราะ
- ก่อน
- กำลัง
- ที่ดีที่สุด
- ระหว่าง
- ยี่ห้อ
- ทำลาย
- สร้าง
- การก่อสร้าง
- เผา
- ธุรกิจ
- ไม่ได้
- กรณี
- กรณี
- หมวดหมู่
- ก่อให้เกิด
- บาง
- โซ่
- การเปลี่ยนแปลง
- ลักษณะ
- โหลด
- ตรวจสอบ
- ทางเลือก
- Choose
- เมฆ
- การยอมรับระบบคลาวด์
- ร่วมกัน
- สมบูรณ์
- องค์ประกอบ
- ปลอบใจ
- การบริโภค
- ต่อ
- ต่อเนื่องกัน
- ผลงาน
- ประเทศ
- สร้าง
- ที่สร้างขึ้น
- สำคัญมาก
- ขณะนี้
- ลูกค้า
- ประสบการณ์ของลูกค้า
- ความภักดีของลูกค้า
- ลูกค้า
- ประจำวัน
- ข้อมูล
- ชุดข้อมูล
- วันที่
- วัน
- ค่าเริ่มต้น
- การกำหนด
- สาธิต
- ลักษณะ
- รายละเอียด
- ตรวจพบ
- การตรวจพบ
- ผู้พัฒนา
- ต่าง
- ยาก
- Dimension
- มิติ
- ส่วนลด
- เห็นความแตกต่าง
- ไม่
- การทำ
- ดอลลาร์
- Dont
- ดาวน์โหลด
- ได้รับ
- ที่ได้รับ
- อย่างง่ายดาย
- ความพยายาม
- เปิดการใช้งาน
- ส่งเสริม
- ที่มีการเข้ารหัส
- การเข้ารหัสลับ
- จบสิ้น
- ทำให้มั่นใจ
- เข้าสู่
- Enterprise
- ทุกๆ
- ตัวอย่าง
- ตลาดแลกเปลี่ยน
- แสดง
- ที่คาดหวัง
- ประสบการณ์
- FAST
- สองสาม
- สนาม
- สาขา
- เนื้อไม่มีมัน
- หา
- โฟกัส
- มุ่งเน้น
- ดังต่อไปนี้
- อาหาร
- รูป
- เวลา
- ราคาเริ่มต้นที่
- อย่างเต็มที่
- อนาคต
- ดึงดูด
- ได้รับ
- ให้
- การเจริญเติบโต
- ช่วย
- โปรดคลิกที่นี่เพื่ออ่านรายละเอียดเพิ่มเติม
- ทางประวัติศาสตร์
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- HTML
- HTTPS
- ระบุ
- ระบุ
- สำคัญ
- ปรับปรุง
- การปรับปรุง
- in
- แรงจูงใจ
- เพิ่มขึ้น
- ตัวชี้วัด
- ข้อมูล
- แบบบูรณาการ
- อยากเรียนรู้
- ร่วมมือ
- IT
- การสัมภาษณ์
- คีย์
- ชื่อสกุล
- เปิดตัว
- เรียนรู้
- การเรียนรู้
- facelift
- ขีด จำกัด
- สด
- ข้อมูลสด
- ในท้องถิ่น
- ที่ตั้ง
- วันหยุด
- ดู
- ที่ต้องการหา
- ความจงรักภักดี
- โปรแกรมความภักดี
- เครื่อง
- เรียนรู้เครื่อง
- หลัก
- ทำ
- การจัดการ
- การจัดการ
- จัดการ
- การจัดการ
- วัด
- มาตรการ
- ตัวชี้วัด
- การโยกย้าย
- ต่ำสุด
- ขั้นต่ำ
- ML
- โหมด
- โมเดล
- โหมด
- เงิน
- จอภาพ
- เดือน
- ข้อมูลเพิ่มเติม
- ชื่อ
- นำทาง
- จำเป็นต้อง
- ความต้องการ
- ใหม่
- ถัดไป
- จำนวน
- วัตถุ
- ONE
- ต่อเนื่อง
- การดำเนินงาน
- Options
- ใบสั่ง
- อื่นๆ
- ทั้งหมด
- เป็นเจ้าของ
- ในสิ่งที่สนใจ
- พาร์ทเนอร์
- หลงใหล
- เส้นทาง
- แบบแผน
- รูปแบบ
- เปอร์เซ็นต์
- การปฏิบัติ
- เป็นระยะ
- ส่วนบุคคล
- นักบิน
- แผนการ
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- จุด
- จุด
- โพสต์
- อำนาจ
- กระบวนการ
- โครงการ
- โปรแกรม
- ให้
- ให้
- ซื้อ
- คุณภาพ
- อย่างรวดเร็ว
- ระเบียน
- บันทึก
- ไถ่ถอน
- การไถ่ถอน
- ภูมิภาค
- ตรงประเด็น
- เอาออก
- แสดงให้เห็นถึง
- จำเป็นต้องใช้
- ความต้องการ
- ต้อง
- ทรัพยากร
- แหล่งข้อมูล
- ผลสอบ
- ทบทวน
- รางวัล
- รวย
- ที่เพิ่มขึ้น
- ราก
- วิ่ง
- เดียวกัน
- ตัวอย่างชุดข้อมูล
- ลด
- กลุ่ม
- ชุด
- บริการ
- บริการ
- ชุด
- การตั้งค่า
- โชว์
- แสดง
- แสดงให้เห็นว่า
- ง่าย
- ง่ายดาย
- เดียว
- ชิ้น
- ทางออก
- โซลูชัน
- บาง
- แหล่ง
- ช่องว่าง
- เฉพาะ
- โดยเฉพาะ
- ใช้จ่าย
- ระยะ
- เริ่มต้น
- Status
- ขั้นตอน
- การเก็บรักษา
- กลยุทธ์
- ความสำเร็จ
- อย่างเช่น
- ระบบ
- เอา
- เทคโนโลยี
- บอก
- ทดสอบ
- การทดสอบ
- พื้นที่
- ของพวกเขา
- ดังนั้น
- สิ่ง
- สาม
- ตลอด
- เวลา
- อนุกรมเวลา
- การประทับเวลา
- ไปยัง
- ไปทาง
- ไปทาง
- ลู่
- การจราจร
- แนวโน้ม
- ตามแบบฉบับ
- เป็นปกติ
- ui
- เป็นเอกลักษณ์
- ใช้
- ใช้กรณี
- ผู้ใช้
- มักจะ
- ความคุ้มค่า
- ผ่านทาง
- จำนวนการเข้าชม
- เว็บ
- บริการเว็บ
- ที่
- WHO
- จะ
- ภายใน
- งาน
- โรงงาน
- คุณ
- ของคุณ
- ลมทะเล