میں ایک کارآمد شراکت کے تجزیہ کی صلاحیت کو شروع کرنے کے لیے ہم پرجوش ہیں۔ میٹرکس کے لیے ایمیزون کی تلاش جو آپ کو اعداد و شمار میں کاروبار کے لیے اہم بے ضابطگیوں کی ممکنہ بنیادی وجوہات کو سمجھنے میں مدد کرتا ہے۔ پہلے، آپ کو فی پیمائش صرف ایک ہی بے ضابطگی کی بنیادی وجوہات دی گئی تھیں۔ آپ کو اس بات کا تعین کرنے کے لیے تجزیہ کرنا پڑا کہ آیا مختلف اقدامات میں پائی جانے والی بے ضابطگیوں کے درمیان کارآمد تعلقات موجود ہیں۔ کسی ایک بے ضابطگی پر توجہ مرکوز کرتے وقت، آپ آسانی سے بے ضابطگی کے بہاو (یا اپ اسٹریم) اثر کو کھو سکتے ہیں۔ مثال کے طور پر، آپ اپنے چیک آؤٹ کارٹ کو چھوڑنے میں اضافہ دیکھ سکتے ہیں اور جان سکتے ہیں کہ آپ کی آمدنی کم ہو جائے گی۔ تاہم، ہو سکتا ہے آپ کو معلوم نہ ہو کہ چیک آؤٹ کارٹس کو زیادہ شرح پر چھوڑنے کی وجہ کیا تھی۔ causal contribution analysis کی خصوصیت آپ کو بتا سکتی ہے کہ چیک آؤٹ کارٹ چھوڑنے میں اضافہ ٹرانزیکشن کی ناکامیوں میں اضافے یا پروموشن کی میعاد ختم ہونے کی وجہ سے قیمتوں میں اچانک تبدیلی کی وجہ سے ہو سکتا ہے۔
Lookout for Metrics بڑے ڈیٹا سیٹس میں خود بخود بے ضابطگیوں کا پتہ لگانے اور ان کی تشخیص کرنے کے لیے مشین لرننگ (ML) کا استعمال کرتا ہے جہاں معمول سے انحراف کا پتہ لگانا مشکل ہوتا ہے اور چھوٹی ہوئی بے ضابطگیوں کا کاروبار پر اہم اثر پڑتا ہے۔ میٹرکس کی تلاش کاروباری اہم مسائل کے لیے AI/ML سروسز کو لاگو کرنے کا وقت کم کر دیتی ہے۔
اس پوسٹ میں، ہم نئی وجہ شراکت کے تجزیہ کی صلاحیت اور اس کے فوائد پر تبادلہ خیال کرتے ہیں۔
بے ضابطگی کا پتہ لگانے میں چیلنجز
بے ضابطگیوں کا پتہ لگانے کے دو حصے ہوتے ہیں: بے ضابطگیوں کا پتہ لگانا اور بے ضابطگیوں کو متحرک کرنے والی بنیادی وجہ کی نشاندہی کرنا تاکہ ٹیم مسئلہ کو کم کرنے کے لیے کارروائی کر سکے۔
روایتی کاروباری ذہانت (BI) سسٹم جو جامد حد پر مبنی یا اصول پر مبنی بے ضابطگیوں کا استعمال کرتے ہیں ان میں تین مسائل ہوتے ہیں۔ سب سے پہلے، آپ کے پاس متعدد ڈیٹا ذرائع سے ٹریک کرنے کے لیے لاکھوں میٹرکس ہو سکتے ہیں۔ مثال کے طور پر ڈیجیٹل اشتہار کو لے لیجئے—آپ مہم کی IDs، پروڈکٹ کیٹیگریز، جغرافیہ وغیرہ میں نقش، کلکس، آمدنی، اور شاپنگ کارٹ میٹرکس جیسے میٹرکس کو ٹریک کرنا چاہتے ہیں۔ اور یہ کسی بھی ڈومین کے لیے یکساں ہے، خواہ وہ خوردہ ہو، ٹیلی کام، گیمنگ، یا مالیاتی خدمات۔ روایتی BI ٹولز کے ساتھ، متعدد ذرائع میں ڈیٹا کا انتظام کرنے، ڈیش بورڈز اور رپورٹس بنانے، اور دانے دار سطح پر الرٹس شامل کرنے کے لیے بہت زیادہ دستی کام کی ضرورت ہوتی ہے اور یہ قابل توسیع نہیں ہے۔
دوسرا، یہ روایتی BI ٹولز قواعد ترتیب دے کر کام کرتے ہیں۔ آپ ایک رینج مرتب کرتے ہیں، اور حد سے باہر کی کوئی بھی چیز ایک بے ضابطگی ہے اور آپ کو ان پر الرٹ کیا جاتا ہے۔ اگر رینج بہت وسیع ہے، تو آپ اہم انتباہات سے محروم ہوجاتے ہیں، اور اگر یہ بہت تنگ ہے، تو آپ کو بہت زیادہ غلط الرٹس موصول ہوتے ہیں۔
یہ رینجز (اوپر والی تصویر میں اوپر کی حد اور نیچے کی حد) بھی جامد ہیں، اور دن کے وقت، ہفتے کے دن، یا موسموں کی بنیاد پر تبدیل نہیں ہوتی ہیں۔ انہیں دستی طور پر اپ ڈیٹ کرنے کی ضرورت ہے۔ امکان ہے کہ آپ اہم بے ضابطگیوں سے محروم ہو جائیں گے اور بہت زیادہ جھوٹے الارم موصول ہو جائیں گے، یا آپ کا ٹول پر اعتماد ختم ہو جائے گا اور آپ ان الرٹس کو یکسر نظر انداز کرنا شروع کر دیں گے۔
آخر میں، BI رپورٹس اور ڈیش بورڈز اکثر گھنٹے کے آخر، دن کے اختتام، یا ہفتے کے آخر میں بنائے جاتے ہیں، جب آپ کے لیے کسی مسئلے پر کارروائی کرنے میں بہت دیر ہو جاتی ہے۔ اور یہاں تک کہ جب یہ نتائج آتے ہیں، تو یہ اس کی وجہ کا جواب نہیں دیتا ہے۔ لہذا ڈویلپرز، تجزیہ کار، اور کاروباری مالکان بے ضابطگی کی اصل وجہ کی نشاندہی کرنے کی کوشش میں ہفتوں گزار سکتے ہیں، بامعنی کارروائی میں مزید تاخیر کر سکتے ہیں۔
لِک آؤٹ فار میٹرکس میں وجہ کا اندازہ
اگرچہ کسی غیر متوقع واقعے کی اصل وجہ پوچھنا دنیا کو سمجھنے کے انسانی طریقے کا مرکز معلوم ہوتا ہے، لیکن شماریاتی انجمنوں کو اکثر ایک وجہ اثر کے طور پر غلط سمجھا جاتا ہے۔ یعنی، ارتباط کا مطلب وجہ نہیں ہے، اور مشاہداتی اعداد و شمار سے واقعات کے اسباب کو جاننے کے لیے خصوصی کارنامے کے طریقہ کار کی ضرورت ہوتی ہے۔
لُک آؤٹ فار میٹرکس میں بنیادی وجہ کا تجزیہ تمام اقدامات میں بے ضابطگیوں کی مرئیت اور تشریح کو بڑھانے کے لیے کازل انفرنس تکنیک کا استعمال کرتا ہے۔ میٹرکس کے لیے تلاش نہ صرف کارآمد ڈرائیوروں کی شناخت کرنے کی صلاحیت رکھتی ہے، بلکہ غیر معمولی واقعات کو مقداری طور پر ان کی طرف منسوب کرنے کی صلاحیت رکھتی ہے، جو کہ کسی غیر معمولی واقعے کے ممکنہ وجہ ڈرائیوروں کے درمیان امکان کا فیصد سکور فراہم کرتی ہے۔ مثال کے طور پر، میٹرکس کے لیے Lookout اب آپ کی ویب سائٹ، IOS، اور اینڈرائیڈ پر کم کلکس کی وجہ سے اشتہاری ملاحظات میں کمی (بے ضابطگی) کے درمیان کازل لنکس بنا سکتا ہے، جس کی وجہ سے آمدنی میں کمی (ڈاؤن اسٹریم اثر) ہوتی ہے۔ فرض کریں کہ ایک یا زیادہ ممکنہ بنیادی وجوہات (ویب سائٹ، iOS، Android) واقع ہوتی ہیں۔ اس صورت میں، Lookout for Metrics سب سے زیادہ ممکنہ وجہ کی نشاندہی کر سکتا ہے (مثال کے طور پر، 90% امکان والی ویب سائٹ) جس کی وجہ سے اشتہارات کی تعداد میں کمی واقع ہوئی۔
سائنسی نقطہ نظر دو قدمی طریقہ کار پر انحصار کرتا ہے:
- اقدامات کے درمیان وجہ تعلقات کا اندازہ لگائیں.
- قیاس کی وجہ کی ساخت کی بنیاد پر، متاثرہ پیمائش کی بے ضابطگیوں کو سبب کے اقدامات سے منسوب کریں۔
اقدامات کے درمیان کارآمد تعلقات کا اندازہ لگانے کے لیے، ہم Granger causality طریقہ استعمال کرتے ہیں جو Lookout for Metrics کے پینل ڈیٹا ڈھانچے کو مدنظر رکھتا ہے۔ پینل ڈیٹا کے لیے موجودہ Granger causality کے طریقے ڈائمینشن ویلیو کے امتزاج پر انحصار سے نمٹ نہیں سکتے (مثال کے طور پر مختلف ممالک میں محصول کا انحصار جو ہمارے پاس عام طور پر حقیقی ڈیٹا میں ہوتا ہے)۔ مثال کے طور پر، بلیک فرائیڈے جیسے واقعات ایک سے زیادہ ممالک کی آمدنی میں اضافہ کرتے ہیں اور اس لیے ایک بیرونی ذریعہ ہے جو مختلف ممالک کی آمدنی کا انحصار کرتا ہے)۔ اس لیے ہمیں اپنی گرانجر کازلٹی تیار کرنی تھی۔ہے [1] پینل ڈیٹا پر طریقہ جو اس قسم کے انحصار سے نمٹ سکتا ہے۔
ایک بار causal ڈھانچہ دستیاب ہوجانے کے بعد، ہم متاثرہ پیمانہ کی بے ضابطگیوں کو اس کی وجہ سے متعلق اقدامات سے منسوب کرتے ہیں۔
Lookout for Metrics کنسول پر بے ضابطگیوں کا تجزیہ کریں۔
Lookout for Metrics کے بعد بے ضابطگیوں کا پتہ لگانا شروع ہو جانے کے بعد، آپ پر پتہ چلنے والی بے ضابطگیوں کو تلاش کر سکتے ہیں۔ بدقسمتی پتہ لگانے والے کے لیے صفحہ۔ جب آپ کسی بے ضابطگی کا انتخاب کرتے ہیں، تو آپ کو مشاہدہ شدہ بے ضابطگی کے لیے تفصیلات کے صفحہ پر بھیج دیا جاتا ہے۔
بے ضابطگی کی تفصیلات کے صفحہ میں شامل ہے a جڑ کا تجزیہ سیکشن یہ سیکشن بے ضابطگی کا پتہ لگانے والے ترتیب شدہ اقدامات کے لیے دیگر بے ضابطگیوں کے حوالے سے اس مشاہدہ شدہ بے ضابطگی کی وضاحت کرنے کی کوشش کرتا ہے۔
مندرجہ ذیل مثال میں، "آمدنی متاثر" مشاہدہ شدہ بے ضابطگی ہے، اور ممکنہ وجوہات میں آرڈرز اور غیر ترتیب شدہ اقدامات شامل ہیں۔ موجودہ بے ضابطگی میں آرڈرز تقریباً 81.84% کا حصہ ڈالتے ہیں، یعنی آمدنی جو منافع پر نیچے کی طرف اثر ڈالتی ہے۔
ممکنہ وجہ کا انتخاب احکامات ہمیں اس کی مشاہدہ شدہ بے ضابطگی کی تفصیلات تک لے جاتا ہے۔ اس صورت میں، اس بے ضابطگی کی ممکنہ وجوہات کلکس اور غیر ترتیب شدہ اقدامات ہیں۔ کلکس اس بے ضابطگی کی ممکنہ وجوہات میں سے ایک ہو سکتا ہے، لیکن اس میں 8.37% کا نسبتاً کم شراکت کا سکور ملتا ہے، اور ڈٹیکٹر اس کے لیے کوئی غیر معمولی چیز نہیں دیکھتا ہے۔ اس صورت میں، میٹرکس کے لیے Lookout یہ نتیجہ اخذ کرتا ہے کہ آرڈرز میں بے ضابطگی بیرونی عوامل یا اقدامات کی وجہ سے ہوتی ہے جو ڈیٹیکٹر سیٹ اپ مرحلے کے دوران نگرانی کے لیے ترتیب نہیں دیے گئے تھے۔ آرڈرز میں اس بے ضابطگی کا منافع اور محصول پر ممکنہ بہاو اثر پڑتا ہے۔
ممکنہ بہاو اثر کا انتخاب منافع ہمیں اس کی مشاہدہ شدہ بے ضابطگی کی تفصیلات تک لے جاتا ہے۔ اس صورت میں، ممکنہ وجوہات آمدنی، آرڈرز، اور غیر ترتیب شدہ اقدامات میں 33%، 14%، اور 53% کے متعلقہ شراکت کے اسکور کے ساتھ بے ضابطگیوں کا مرکب معلوم ہوتی ہیں۔ اس بے ضابطگی سے کوئی بہاوی اقدامات متاثر نہیں ہوتے ہیں۔
اس مثال کے لیے، منافع میں بے ضابطگی کی جزوی طور پر محصول اور آرڈرز میں بے ضابطگیوں سے وضاحت کی جا سکتی ہے۔ پھر ریونیو میں بے ضابطگی کو آرڈرز میں بے ضابطگی سے ایک اعلی یقین کے ساتھ بیان کیا جا سکتا ہے۔
نتیجہ
Lookout for Metrics میں نئی causal contribution analysis کی قابلیت آپ کے اقدامات میں بے ضابطگیوں کے درمیان وجہ تعامل کا پتہ لگاتی ہے۔ اس کو حاصل کرنے کے لیے، ڈیٹیکٹر مکمل طور پر خود نگرانی میں آپ کے ڈیٹا میں موجود اقدامات کے درمیان کازل تعلق سیکھتا ہے اور اس وجہ سے متعلق معلومات کو ان کی بنیادی وجوہات تک بے ضابطگیوں کا پتہ لگانے کے لیے استعمال کرتا ہے۔ یہ خصوصیت آپ کو تمام اقدامات میں بے ضابطگیوں کو مربوط کرنے میں مدد کر سکتی ہے اور آپ کو آپ کے سسٹم میں کسی بھی مسئلے کی فوری تشخیص اور اس کے بعد حل کرنے کے لیے ایک ٹول فراہم کرتی ہے۔
ہے [1] L. Minorics, C. Turkmen, P. Bloebaum, D. Kernert, L. Callot and D. Janzing. کراس سیکشنل انحصار کے ساتھ پینلز میں گرینجر کی عدم وجہ کی جانچ کرنا۔ AISTATS، 2022۔
مصنفین کے بارے میں
لینن مائنرکس ایک اپلائیڈ سائنٹسٹ ہے جو وجہ کی تشخیص اور بے ضابطگی کا پتہ لگانے پر توجہ مرکوز کرتا ہے۔ ایمیزون سے پہلے، لینن ریاضی میں ایک تعلیمی محقق تھے۔ اس کی ذاتی تحقیقی دلچسپیوں میں مشین لرننگ، کازل انفرنس، سٹاکسٹکس اور فریکٹل جیومیٹری شامل ہیں۔ اپنے فارغ وقت میں، لینن کو ہر قسم کے کھیلوں کی مشق کرنا پسند ہے، خاص طور پر برازیل کے جیو-جِتسو۔
ششانک سریواستو Amazon AI عمودی خدمات کے سینئر پروڈکٹ مینیجر ہیں۔ وہ این ایل پی میں AI میں مسائل حل کرنے، نیاپن کا پتہ لگانے، اور ڈیٹا کی کمی کے بارے میں پرجوش ہے۔ اپنے فارغ وقت میں ششانک کو ٹینس اور گولف کھیلنا پسند ہے۔
کینر ترکمان ایمیزون ویب سروسز میں ایک اپلائیڈ سائنٹسٹ ہے، جہاں وہ مشین لرننگ، پیشن گوئی، اور بے ضابطگی کا پتہ لگانے کے درمیان مسائل پر کام کرتا ہے۔ AWS میں شامل ہونے سے پہلے، اس نے مینجمنٹ کنسلٹنگ انڈسٹری میں ڈیٹا سائنٹسٹ کے طور پر کام کیا، دنیا بھر میں پروجیکٹس پر مالیاتی خدمات اور ٹیلی کمیونیکیشن انڈسٹریز کی خدمت کی۔ کینر کی ذاتی تحقیقی دلچسپیاں بہت سے موضوعات پر محیط ہیں، بشمول امکانی اور بایسیئن ایم ایل، اسٹاکسٹک عمل، اور ان کے عملی اطلاقات۔
الیکس کم AWS AI سروسز کے لیے ایک سینئر پروڈکٹ مینیجر ہے۔ اس کا مشن ان تمام صارفین کو AI/ML سلوشنز پہنچانا ہے جو اس سے فائدہ اٹھا سکتے ہیں۔ اپنے فارغ وقت میں، وہ ہر قسم کے کھیلوں سے لطف اندوز ہوتا ہے اور کھانے کے لیے نئی جگہیں دریافت کرتا ہے۔
- سکے سمارٹ۔ یورپ کا بہترین بٹ کوائن اور کرپٹو ایکسچینج۔
- پلیٹو بلاک چین۔ Web3 Metaverse انٹیلی جنس۔ علم میں اضافہ۔ مفت رسائی۔
- کرپٹو ہاک۔ Altcoin ریڈار. مفت جانچ.
- ماخذ: https://aws.amazon.com/blogs/machine-learning/identify-potential-root-cause-in-business-critical-anomalies-using-amazon-lookout-for-metrics/
- "
- 100
- 2022
- a
- ہمارے بارے میں
- اکاؤنٹ
- حاصل
- کے پار
- ایکٹ
- عمل
- اشتہار
- AI
- AI خدمات
- تمام
- ایمیزون
- ایمیزون ویب سروسز
- کے درمیان
- تجزیہ
- تجزیے
- لوڈ، اتارنا Android
- جواب
- ایپلی کیشنز
- اطلاقی
- نقطہ نظر
- تقریبا
- خود کار طریقے سے
- دستیاب
- AWS
- اس سے پہلے
- فائدہ
- فوائد
- کے درمیان
- سیاہ
- جمعہ
- سرحد
- کاروبار
- کاروبار کی ذہانت
- مہم
- صلاحیت رکھتا
- کیونکہ
- وجہ
- وجوہات
- باعث
- تبدیل
- اس کو دیکھو
- میں سے انتخاب کریں
- کے مجموعے
- کس طرح
- رابطہ قائم کریں
- مشاورت
- سکتا ہے
- ممالک
- تخلیق
- موجودہ
- گاہکوں
- اعداد و شمار
- ڈیٹا سائنسدان
- دن
- نمٹنے کے
- انحصار
- تفصیلات
- پتہ چلا
- کھوج
- اس بات کا تعین
- ترقی
- ڈویلپرز
- مختلف
- ڈیجیٹل
- طول و عرض
- بات چیت
- نہیں کرتا
- ڈومین
- چھوڑ
- کے دوران
- آسانی سے
- کھانے
- خاص طور پر
- واقعہ
- واقعات
- مثال کے طور پر
- بہت پرجوش
- موجودہ
- عوامل
- نمایاں کریں
- مالی
- مالیاتی خدمات
- پہلا
- درست کریں
- توجہ مرکوز
- کے بعد
- مفت
- جمعہ
- سے
- مزید
- گیمنگ
- دنیا
- مدد
- مدد کرتا ہے
- ہائی
- اعلی
- تاہم
- HTTPS
- انسانی
- شناخت
- کی نشاندہی
- تصویر
- اثر
- پر عملدرآمد
- اہم
- شامل
- شامل ہیں
- سمیت
- اضافہ
- صنعتوں
- صنعت
- اثر و رسوخ
- معلومات
- مثال کے طور پر
- انٹیلی جنس
- بات چیت
- مفادات
- چوراہا
- iOS
- مسائل
- IT
- جان
- بڑے
- شروع
- معروف
- لیڈز
- سیکھنے
- قیادت
- سطح
- امکان
- لنکس
- دیکھو
- مشین
- مشین لرننگ
- انتظام
- مینیجر
- مینیجنگ
- دستی
- دستی کام
- دستی طور پر
- ریاضی
- بامعنی
- پیمائش
- اقدامات
- طریقوں
- پیمائش کا معیار
- شاید
- لاکھوں
- مشن
- ML
- نگرانی
- زیادہ
- سب سے زیادہ
- ایک سے زیادہ
- یعنی
- عام
- احکامات
- دیگر
- خود
- مالکان
- جذباتی
- فیصد
- ذاتی
- مرحلہ
- کھیل
- ممکن
- ممکنہ
- مسئلہ
- مسائل
- عمل
- مصنوعات
- منافع
- منصوبوں
- فروغ کے
- فراہم کرتا ہے
- فراہم کرنے
- جلدی سے
- رینج
- وصول
- تعلقات
- تعلقات
- دیتا
- رپورٹیں
- کی ضرورت ہے
- تحقیق
- نتائج کی نمائش
- خوردہ
- آمدنی
- جڑ
- قوانین
- اسی
- توسیع پذیر
- سائنسدان
- سروسز
- خدمت
- مقرر
- قائم کرنے
- سیٹ اپ
- خریداری
- ایک
- So
- ٹھوس
- حل
- خصوصی
- خرچ
- اسپورٹس
- شروع کریں
- شروع ہوتا ہے
- شماریات
- بعد میں
- اچانک
- کے نظام
- سسٹمز
- ٹیم
- تکنیک
- ٹیلی کام
- ٹیلی کمیونیکیشن کی
- ٹیسٹنگ
- ۔
- دنیا
- لہذا
- تین
- وقت
- کے آلے
- اوزار
- موضوعات
- ٹریک
- روایتی
- ٹرانزیکشن
- بھروسہ رکھو
- اقسام
- عام طور پر
- سمجھ
- افہام و تفہیم
- us
- استعمال کی شرائط
- قیمت
- کی نمائش
- ویب
- ویب خدمات
- ویب سائٹ
- ہفتے
- کیا
- ڈبلیو
- کام
- کام کیا
- کام کرتا ہے
- دنیا
- اور