Amazon Lookout for Metrics'i kullanarak bağlılık puanları anormallik algılayıcısı oluşturun

Günümüzde müşteri sadakati kazanmak bir defaya mahsus olamaz. Bir markanın en iyi müşterilerini elde tutmak için odaklanmış ve bütünleşik bir plana ihtiyacı vardır; basitçe söylemek gerekirse, bir müşteri sadakat programına ihtiyacı vardır. Kazan ve yak programları ana paradigmalardan biridir. Tipik bir kazan ve yak programı, müşterileri belirli sayıda ziyaret veya harcamadan sonra ödüllendirir.

Örneğin, bir fast food zinciri bazı lokasyonlarda sadakat kazan ve tüket pilot programını başlattı. Müşteri deneyimlerini daha kişisel hale getirmek için sadakat programını kullanmayı düşünüyorlar. Test ettikten sonra, gelecekte farklı ülkelerde daha fazla yere genişletmek istiyorlar. Program, müşterilerin harcadıkları her dolar için puan kazanmalarını sağlar. Puanları farklı ödül seçenekleri için kullanabilirler. Yeni müşteriler çekmek için yeni müşterilere de puan veriyorlar. Sadakat programının farklı konumlardaki performansını kontrol etmek için kullanım modelini her ay test ederler. Zamanında düzeltici önlem almak ve programın genel başarısını sağlamak için kalıp anormalliklerini belirlemek çok önemlidir. Müşteriler, harcamalarına ve yiyecek seçimlerine bağlı olarak farklı konumlarda farklı kazanma ve kullanma modellerine sahiptir. Bu nedenle, bir anormalliği belirleme ve temel nedeni hızlı bir şekilde teşhis etme süreci zor, maliyetli ve hataya açıktır.

Bu gönderi, entegre bir çözümün nasıl kullanılacağını gösterir. Metrikler için Amazon Lookout ilgilendiğiniz temel performans göstergelerindeki (KPI'lar) anormallikleri hızlı ve kolay bir şekilde tespit ederek bu engelleri aşmak.

Lookout for Metrics, iş ve operasyonel verilerdeki anormallikleri (normdan aykırı değerler) otomatik olarak algılar ve teşhis eder. Lookout for Metrics'i kullanmak için makine öğrenimi deneyimine ihtiyacınız yoktur. Verilerinizin özelliklerine göre anormallikleri algılamak için özel makine öğrenimi modelleri kullanan, tam olarak yönetilen bir makine öğrenimi (ML) hizmetidir. Örneğin, trendler ve mevsimsellik, eşiğe dayalı anormallik saptamanın çalışmadığı zaman serisi metriklerinin iki özelliğidir. Eğilimler, bir metriğin değerindeki sürekli değişimlerdir (artışlar veya düşüşler). Öte yandan mevsimsellik, bir sistemde meydana gelen, genellikle bir taban çizgisinin üzerine çıkan ve ardından tekrar azalan periyodik kalıplardır.

Bu gönderide, müşterinin kazanma ve kullanma modelindeki anormallikleri saptadığımız ortak bir bağlılık puanı kazanma ve yakma senaryosunu gösteriyoruz. Anomalileri bulmanıza yardımcı olması için AWS'nin bu yönetilen hizmetlerini nasıl kullanacağınızı gösteriyoruz. Bu çözümü, birkaç isim vermek gerekirse, hava kalitesi, trafik modelleri ve güç tüketimi modellerindeki anormallikleri tespit etmek gibi diğer kullanım durumlarına uygulayabilirsiniz.

Çözüme genel bakış

Bu gönderi, Lookout for Metrics'i kullanarak sadakat puanları kazanma ve kullanma modelinde anormallik tespitini nasıl ayarlayabileceğinizi gösterir. Çözüm, ilgili veri kümelerini indirmenize ve kazanma ve kullanma kalıplarını algılamak için anormallik algılamayı kurmanıza olanak tanır.

Aşağıdaki şemada gösterildiği gibi, bir sadakat programının tipik olarak nasıl çalıştığını görelim.

Müşteriler, satın alma işleminde harcadıkları para için puan kazanırlar. Biriken puanları indirimler, ödüller veya teşvikler karşılığında kullanabilirler.

Bu sistemi kurmak üç basit adım gerektirir:

1. Bir oluşturma Amazon Basit Depolama Hizmeti (Amazon S3) paketini açın ve örnek veri kümenizi yükleyin.
2. Lookout for Metrics için bir algılayıcı oluşturun.
3. Geçmiş verilerdeki anormallikleri algılamak için bir veri kümesi ekleyin ve algılayıcıyı etkinleştirin.

Ardından sonuçları inceleyebilir ve analiz edebilirsiniz.

Bir S3 paketi oluşturun ve örnek veri kümenizi yükleyin

dosyasını indirin sadakat.csv ve yerel olarak kaydedin. Ardından aşağıdaki adımlarla devam edin:

1. Amazon S3 konsolunda, S3 paketi oluştur sadakat.csv dosyasını yüklemek için.

Bu grubun benzersiz olması ve Lookout for Metrics'i kullandığınız Bölgede olması gerekir.

2. Oluşturduğunuz paketi açın.
3. Klinik Foto Yükle.

4. Klinik Dosyaları ekleyin ve seçiniz loyalty.csv dosyası.
5. Klinik Foto Yükle.

Bir dedektör oluştur

Algılayıcı, bir veri kümesini izleyen ve önceden tanımlanmış bir sıklıkta anormallikleri tanımlayan bir Metrik Arama kaynağıdır. Algılayıcılar, verilerdeki kalıpları bulmak ve verilerde beklenen varyasyonlar ile meşru anormallikler arasında ayrım yapmak için ML'yi kullanır. Bir dedektör, performansını artırmak için zamanla verileriniz hakkında daha fazla şey öğrenir.

Bizim kullanım durumumuzda, dedektör günlük verileri analiz eder. Dedektörü oluşturmak için aşağıdaki adımları tamamlayın:

1. Lookout for Metrics konsolunda, Dedektör oluştur.
2. Dedektör için bir ad ve isteğe bağlı açıklama girin.
3. İçin Aralık, seçmek 1 gün aralıklarla.
4. Klinik oluşturmak.

Verileriniz, varsayılan olarak AWS'nin sahibi olduğu ve sizin için yönettiği bir anahtarla şifrelenir. Varsayılan olarak kullanılandan farklı bir şifreleme anahtarı kullanmak isteyip istemediğinizi de yapılandırabilirsiniz.

Şimdi bu dedektörü anormallik algılamasını çalıştırmasını istediğiniz verilere yönlendirelim.

Veri kümesi oluşturun

Bir veri kümesi, dedektöre verilerinizi nerede bulacağını ve anormallikler için hangi metrikleri analiz edeceğini söyler. Bir veri kümesi oluşturmak için aşağıdaki adımları tamamlayın:

1. Lookout for Metrics konsolunda dedektörünüze gidin.
2. Klinik Veri kümesi ekleyin.

3. İçin Name, bir ad girin (örneğin, loyalty-point-anomaly-dataset).
4. İçin Saat Dilimiuygun olanı seçin.
   
5. İçin Veri kaynağı, veri kaynağınızı seçin (bu gönderi için Amazon S3).
6. İçin Dedektör modu, modunuzu seçin (bu gönderi için, Backtest).

Amazon S3 ile iki modda bir dedektör oluşturabilirsiniz:

• Backtest – Bu mod, geçmiş verilerdeki anormallikleri bulmak için kullanılır. Tüm kayıtların tek bir dosyada konsolide edilmesi gerekiyor. Bu modu kullanım durumumuzla birlikte kullanıyoruz çünkü bir müşterinin farklı konumlardaki geçmişteki bağlılık puanlarını kullanma modelindeki anormallikleri tespit etmek istiyoruz.
• Sürekli – Bu mod, canlı verilerdeki anormallikleri tespit etmek için kullanılır.

7. Canlı S3 klasörü ve yol düzeni için S3 yolunu girin.
8. Klinik Biçim ayarlarını algıla.
   
9. Tüm varsayılan biçim ayarlarını olduğu gibi bırakın ve seçin Sonraki.
   

Ölçüleri, boyutları ve zaman damgalarını yapılandırın

önlemler anormallikleri izlemek istediğiniz KPI'ları tanımlayın. Dedektör başına en fazla beş ölçü ekleyebilirsiniz. Kaynak verilerinizden KPI oluşturmak için kullanılan alanlar sayısal biçimde olmalıdır. KPI'lar şu anda bir SUM veya ORTALAMA yaparak zaman aralığı içindeki kayıtları toplayarak tanımlanabilir.

boyutlar kategoriler veya segmentler tanımlayarak size verilerinizi dilimleme ve zar atma yeteneği verir. Bu, belirli bir ölçünün uygulanabilir olduğu tüm veri kümesinin bir alt kümesi için anormallikleri izlemenize olanak tanır.

Kullanım durumumuzda, 1 günlük aralıkta görülen nesnelerin toplamını hesaplayan ve kazanılan ve kullanılan puanların ölçüldüğü tek boyutlu iki ölçüm ekledik.

Veri kümesindeki her kaydın bir zaman damgası olmalıdır. Aşağıdaki yapılandırma, zaman damgası değerini ve ayrıca zaman damgasının biçimini temsil eden alanı seçmenize olanak tanır.

Bir sonraki sayfa, eklediğiniz tüm ayrıntıları gözden geçirmenizi ve ardından seçim yapmanızı sağlar. Kaydet ve etkinleştir dedektörü oluşturmak için.

Dedektör daha sonra veri kaynağındaki verileri öğrenmeye başlar. Bu aşamada, dedektörün durumu Başlatılıyor olarak değişir.

Lookout for Metrics'in anormallikleri tespit etmeye başlayabilmesi için gereken minimum veri miktarını not etmek önemlidir. Gereksinimler ve sınırlar hakkında daha fazla bilgi için bkz. Metrik kotalarına dikkat.

Minimum yapılandırma ile dedektörünüzü oluşturdunuz, bir veri kümesine yönlendirdiniz ve Lookout for Metrics'in anormallikleri bulmasını istediğiniz metrikleri tanımladınız.

Sonuçları inceleyin ve analiz edin

Geriye dönük test işi tamamlandığında, Lookout for Metrics'in geçmiş verilerinizin son %30'unda tespit ettiği tüm anormallikleri görebilirsiniz. Buradan, gelecekte yeni verileri almaya başladığınızda Lookout for Metrics'te göreceğiniz sonuç türlerini açmaya başlayabilirsiniz.

Lookout for Metrics'i kullanmak isteyen kullanıcılar için zengin bir kullanıcı arayüzü deneyimi sağlar. AWS Yönetim Konsolu Tespit edilen anormallikleri analiz etmek için. Ayrıca, API'ler aracılığıyla anormallikleri sorgulama yeteneği sağlar.

Sadakat puanları anomali dedektörü kullanım durumumuzdan tespit edilen örnek bir anormalliğe bakalım. Aşağıdaki ekran görüntüsü, belirlenen saat ve tarihte belirli bir konumda sadakat puanlarının kullanımında 91 önem derecesi puanıyla tespit edilen bir anormalliği göstermektedir.

Ayrıca, boyutun anomaliye yüzde katkısını da gösterir. Bu durumda, %100 katkı konum kimliği A-1002 boyutundan gelir.

Temizlemek

Devam eden masraflardan kaçınmak için, bu gönderide oluşturulan aşağıdaki kaynakları silin:

• Detektör
• S3 kepçe
• IAM rolü

Sonuç

Bu gönderide, makine öğrenimi destekli anormallik algılama uygulamaları oluşturmanın uçtan uca yaşam döngüsünü yönetmeye dahil olan farklılaşmamış ağır yükleri ortadan kaldırmak için Lookout for Metrics'i nasıl kullanacağınızı gösterdik. Bu çözüm, önemli iş ölçümlerindeki anormallikleri bulma becerinizi hızlandırmanıza yardımcı olabilir ve çabalarınızı işinizi büyütmeye ve geliştirmeye odaklamanıza olanak tanır.

adresini ziyaret ederek daha fazla bilgi edinmenizi öneririz. Amazon Lookout for Metrics Geliştirici Kılavuzu ve bu hizmetlerin sağladığı uçtan uca çözümü işletmenizin KPI'larıyla ilgili bir veri kümesiyle denemek.

---

Yazar Hakkında

Dhiraj Thakur Amazon Web Services ile bir Çözüm Mimarıdır. Kurumsal bulut benimseme, geçiş ve strateji konusunda rehberlik sağlamak için AWS müşterileri ve ortaklarıyla birlikte çalışır. Teknolojiye tutkuyla bağlı ve analitik ve yapay zeka / makine öğrenimi alanında oluşturmayı ve deney yapmayı seviyor.

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• Plato blok zinciri. Web3 Metaverse Zekası. Bilgi Güçlendirildi. Buradan Erişin.
• Kaynak: https://aws.amazon.com/blogs/machine-learning/build-a-loyalty-points-anomaly-detector-using-amazon-lookout-for-metrics/