Stel dat u per ongeluk de prijs van een spijkerbroek voor een verkoop wijzigt van $ 50.00 naar $ 5.00. Veel verkopen zullen doorgaan en in het begin lijkt het misschien alsof het product goed verkoopt vanwege het aantal verkochte eenheden. Als we echter naar de netto-inkomsten kijken, zal het een ander verhaal vertellen. Hoe zorg je ervoor dat een dergelijk probleem snel wordt gesignaleerd en opgelost? Anomaliedetectiesystemen fungeren als beveiliging tegen dit soort problemen door ervoor te zorgen dat dergelijke problemen zo snel mogelijk worden gedetecteerd.
Anomaliedetectie is precies zoals de naam doet vermoeden; het is een proces dat uitgebreide gegevens doorzoekt om waarschuwingen te activeren als er iets scheef of niet klopt. In het geval van de spijkerbroek zou een anomaliedetectiesysteem de gegevens analyseren, een discrepantie in de netto-inkomsten opmerken en vervolgens een waarschuwing creëren. De belangrijkste vragen zijn echter: hoe bepaalt een anomaliedetectiesysteem of een bepaald datapunt een anomalie is? Hoe wordt bepaald of iets normaal is? Hoewel deze vragen misschien fundamenteel lijken, zijn er veel dingen waarmee u rekening moet houden bij het bepalen of iets een anomalie is.
Hoe anomaliedetectie werkt
Om aan de slag te gaan met een anomaliedetectiesysteem, stelt u eerst bepaalde boven- en onderdrempels in voor elke metriek, zoals een retourpercentage, verzonden eenheden of recentheid van gegevenspunten. Van daaruit moet het systeem afwijkingen identificeren door de huidige statistieken te vergelijken met de historische gegevens van het product. Er zijn verschillende factoren waarmee u rekening moet houden bij het bepalen hoe het anomaliedetectiesysteem moet werken:
- Tijdigheid: Hoe snel heeft een bedrijf een antwoord nodig als iets een anomalie is? Als antwoorden langzamer of minder vaak nodig zijn, zal het systeem meer datapunten doorlopen en nauwkeuriger zijn. Als antwoorden vaker nodig zijn, zullen ze minder nauwkeurig zijn.
- Schaal: De grootte van de datasets verandert de manier waarop een anomaliedetectiesysteem de data analyseert. Het begrijpen van de omvang van de gegevens is belangrijk voor een softwarearchitect bij het maken van programmatische aanpassingen aan het anomaliedetectiesysteem.
- Snelheid van verandering: Als de datasets voortdurend veranderen, moet het systeem gebruik maken van: machine learning/adaptieve algoritmen rekening te houden met bepaalde wijzigingen. Als de veranderingssnelheid laag is, kan het systeem gegevens verzamelen en bepalen wat normaal is uit die gegevensset.
- Beknoptheid: Hoe diepgaand moeten de metrieken worden gemeten? Heeft u alleen een waarschuwing nodig als een anomalie wordt gedetecteerd of wilt u redenen waarom deze is geactiveerd? En dan, hoe diepgaand wil je dat de redenen zijn?
Retailers gebruiken software voor het detecteren van afwijkingen om hen te helpen problemen in realtime op te merken en te leren van trends die anders niet duidelijk zouden zijn bij het beoordelen van gegevens op kleinere schaal. Naarmate bedrijven groeien, blijven incidenten (zoals het geval van de eerder genoemde jeansshort van $ 5) onopgemerkt, tenzij er een anomaliedetectiesysteem is om de enorme hoeveelheid gegevens te doorzoeken. Elk incident is een kans om geld te besparen en potentiële nieuwe zakelijke kansen te creëren. Met name het terugdringen van het rendement is een van de mogelijkheden.
Anomaliedetectie is uiterst belangrijk om retailers te helpen bij het verminderen van retourzendingen. Daarom hebben we een anomaliedetectie-engine (ADE) gebouwd binnen Chief Returns OfficerⓇ. Door statistieken zoals retourpercentage, verzonden eenheden of recentheid van gegevenspunten te analyseren, kunnen we waarschuwingen genereren voor bepaalde stijlen of productcategorieën die retourproblemen veroorzaken. Retailers kunnen dan actie ondernemen op basis van die waarschuwingen, zoals het vaststellen van de verkoopprijs of het aanpassen van de websitetekst of afbeeldingen op basis van feedback van klanten. Maar dit is slechts één toepassing van anomaliedetectie, een must-have en een strategische verbetering voor uw bedrijf.
___
Dit stuk van Navjit Bhasin, oprichter/CEO van Newmine, verscheen oorspronkelijk op de Newmine-blog.
Bron: https://www.masstlc.org/why-anomaly-detection-is-a-strategic-enhancement-for-retailers/
