收入监控不仅涉及实时监控大量数据,还涉及发现数千(如果不是数百万)客户体验与其他指标之间的相关性。
传统的监控方法是否能够检测到用户登录下降与收入下降之间的相关性?出于多种原因,答案是否定的。
为了启动我们的系列,我们将分享 Anodot 为我们的客户捕获的异常,他们在我们的系统中将每个异常标记为“good catch”。
对于在线游戏客户,Anodot 提醒 意大利电话号码表 他们登录数量下降,并将异常与命令错误激增相关联,该事件对收入产生了负面影响。
传统的监控系统可能能够在收入下降时捕捉到它,但如果没有机器学习,这家公司只能在分析师偶然发现这两个异常现象之间发现它们之间的联系。不太可能的情况。
客户设法在 3 小时内发布了修复程序,从而为他们节省了大量的收入损失。
异常检测图
鉴于此警报在开始时非常微妙,使用静态阈值会花费更长的时间来触发警报。
由于COVID-19对旅游业的影响,依赖静态阈值的受影响企业不得不手动调整这些设置以适应新规范。随着旅行预订量的增加,他们将再次需要重新调整这些设置,尽管目前没有人能够准确预测何时会发生这种情况。
另一方面,基于人工智能的监控解决方案可以适应新常态,无需任何人为干预。特别是,Anodot 的无监督学习算法能够同时监控数千个指标并了解每个指标的正常行为。这种适应不断变化的市场条件和消费者行为的能力可以极大地提高公司实时 调整增长和需求预测的能力,这两者都可以显着提高利润。
如下图所示,蓝色阴影区域代表数据的正常范围。由于 COVID-19 关闭发生在 3 月中旬,您可以看到 AI 监控解决方案能够调整其正常范围并在几天内赶上全球预订变化。在图表的末尾,我们还可以看到原始范围有所增加,这是在没有任何人为干预或需要调整静态阈值的情况下发生的:
异常检测图
构建您自己的监控系统的困难的最后一个例子是,您正在处理人为生成的数据,这意味着它具有难以置信的易变性、不规则性和季节性。
例如,下图来自一家游戏公司,您可以清楚地看到游戏玩家在周末和晚上玩得更多的季节性。在此示例中,团队中有人发布了一个热修复程序以及一个严重错误,该错误导致玩家无法完成游戏内购买。幸运的是,他们的异常检测解决方案能够实时检测并警告错误,根本原因分析将开发人员直接引导到最新版本。
由于这种用户生成的数据具有如此高的季节性,与传统的 BI 工具不同,AI 解决方案能够根据每小时和每天计算正常使用情况并进行相应调整。