Sentinelbi AI: an AI-Powered Business Intelligence System for Revenue Monitoring and Anomaly Detection

In der geschäftigen Welt des Online-Shoppings fließt jede Sekunde ein stetiger Strom von Transaktionen, der ein massives, komplexes Protokoll darüber erstellt, was Menschen kaufen, wann sie kaufen und wie viel sie ausgeben. Für Geschäftsinhaber sind diese Daten ein Schatzkästchen, aber sie sind auch eine Herausforderung. Die meisten kleinen und mittelständischen Unternehmen verlassen sich auf einfache Diagramme, die den Gesamtumsatz zeigen, ganz ähnlich wie ein Tachometer in einem Auto, der nur die aktuelle Geschwindigkeit anzeigt. Diese Diagramme sagen einem Manager, wie schnell er gerade fährt, aber sie warnen ihn nicht davor, ob der Motor stottert oder ob das Auto plötzlich vom Kurs abkommt. Die wahre Gefahr liegt im Unerwarteten: einem plötzlichen, unerklärlichen Anstieg der Verkäufe, der auf einen Preisfehler hindeuten könnte, einem leisen Rückgang, der auf einen Lagerengpass hindeutet, oder einem seltsamen Muster, das auf Betrug hindeutet. Um diese Probleme zu erfassen, benötigen Unternehmen mehr als nur eine Momentaufnahme der Gegenwart; sie benötigen ein System, das versteht, was über die Zeit hinweg „normal“ ist, und das sofort erkennen kann, wenn der Rhythmus des Geschäfts aus dem Takt gerät. Dies ist das Gebiet der Anomalieerkennung, ein Bereich, in dem Computer lernen, die üblichen Datenmuster zu erkennen, damit sie in dem Moment Alarm schlagen können, in dem etwas Ungewöhnliches geschieht.

Zwei Forscher vom Chaitanya Bharathi Institute of Technology in Indien haben ein neues Werkzeug entwickelt, das genau dieses Problem für Online-Einzelhändler lösen soll. Sie nennen ihre Schöpfung SentinelBI AI, ein System, das als wachsamer Wächter für Umsatzströme fungiert. Anstatt sich auf eine einzige, starre Regel zu verlassen, um zu entscheiden, was falsch ist, nutzt das System zwei verschiedene Arten von künstlicher Intelligenz, die zusammenarbeiten. Der eine Typ ist gut darin, seltsame einzelne Tage zu entdecken, wie etwa einen plötzlichen, isolierten Anstieg der Verkäufe, der nicht zum typischen Profil des Tages passt. Der andere Typ ist besser darin, den Zeitfluss zu verstehen, indem er erkennt, wenn eine Sequenz von Tagen einem seltsamen Muster folgt, das ein Mensch vielleicht übersehen würde. Durch die Kombination der Erkenntnisse aus beiden erstellt das System eine dreistufige Warnskala: normal, Warnung und kritisch. Dieser Ansatz ermöglicht es dem System, das Rauschen alltäglicher Schwankungen herauszufiltern und sich nur auf die Tage zu konzentrieren, die wirklich Aufmerksamkeit erfordern.

Die Forscher testeten ihr System mit einem realen Datensatz eines großen Online-Geschenkhändlers, der über eine Million einzelne Transaktionen von Ende 2009 bis Ende 2011 umfasst. Sie bereinigten dieses massive Datenprotokoll und organisierten es in 731 täglichen Zusammenfassungen, wobei sie Kennzahlen wie den Gesamtumsatz, die Anzahl der verkauften Artikel, die Anzahl der Transaktionen und die Anzahl der aktiven Kunden verfolgten. Sie berechneten auch, wie sehr der Umsatz eines jeden Tages vom Durchschnitt der vorangegangenen Woche abwich. Mit diesen aufbereiteten Informationen trainierten sie ihre zwei Modelle der künstlichen Intelligenz. Das erste Modell, bekannt als Isolation Forest, lernte, ungewöhnliche Tage zu identifizieren, indem es die spezifische Kombination der Zahlen für diesen einzelnen Tag betrachtete. Das zweite Modell, ein LSTM Autoencoder, lernte die normale Form des Umsatzes über ein Fenster von dreißig Tagen, was es ihm ermöglichte, zu erkennen, wenn die jüngere Umsatzgeschichte verdächtig aussah, selbst wenn die Zahlen eines einzelnen Tages unauffällig erschienen.

Als das System seine Analyse über die 731 Geschäftstage durchführte, stellte es fest, dass die beiden Modelle bei der überwiegenden Mehrheit der Tage übereinstimmten und die meiste Zeit korrekt als normal bezeichneten. Der wahre Wert zeigte sich jedoch an den Tagen, an denen die Modelle uneins waren oder beide Alarm schlugen. Das System markierte 19 Tage als „Kritisch“, was bedeutete, dass beide Modelle sich einig waren, dass etwas ernsthaft nicht stimmte. Es identifizierte weitere 32 Tage als „Warnung“, bei denen ein Modell Alarm schlug, das andere jedoch nicht. Die verbleibenden 680 Tage wurden als normal klassifiziert. Dieser Dual-Modell-Ansatz erwies sich als genauer als eine einfache, statische Regel, die lediglich nach Zahlen sucht, die zu hoch oder zu niedrig sind. Während eine Basiskonstruktion 41 Tage mit einer geringeren Erfolgsquote beim Abgleich mit tatsächlichen ungewöhnlichen Ereignissen markiert hätte, markierte das intelligentere System der Forscher weniger Tage, fing aber einen höheren Prozentsatz der echten Probleme ab, wobei die beiden Modelle Trefferraten von über 50 Prozent erreichten.

Um diese Ergebnisse für echte Geschäftsleute nutzbar zu machen, hörten die Forscher nicht beim Computercode auf. Sie bauten ein vollständiges, interaktives Dashboard, das jeder in einem Webbrowser verwenden kann, ohne programmieren zu müssen. Dieses Dashboard verfügt über fünf verschiedene Seiten. Eine Seite bietet einen Überblick auf hoher Ebene für Führungskräfte, während andere tief in die spezifischen Anomalien eintauchen. Ein besonders innovatives Merkmal ist ein Werkzeug für Abfragen in natürlicher Sprache. Dies ermöglicht es einem Benutzer, eine Frage in einfachem Englisch einzutippen, wie etwa die Frage nach den meistverkauften Produkten in einem bestimmten Land, und das System übersetzt diese Frage automatisch in die notwendigen Datenbankbefehle, um die Antwort zu finden. Dies entfernt die Barriere des technischen Jargons und lässt Manager Fragen stellen und Antworten sofort erhalten.

Die Studie lieferte klare Erkenntnisse darüber, wie man ein Geschäft am besten überwacht. Der wichtigste Faktor bei der Erkennung einer Anomalie war nicht der Gesamtbetrag des erwirtschafteten Geldes, sondern wie sehr der Umsatz dieses Tages vom jüngsten Bestand abwich. Ein Tag mit hohen Verkäufen ist nicht zwangsläufig ein Problem, wenn er in das Muster der Vorwoche passt; ein Tag ist nur dann seltsam, wenn er den Rhythmus bricht. Das System zeigte auch, dass das Vereinigte Königreich, welches den Hauptmarkt der Daten darstellte, den Umsatz dominierte, was darauf hindeutet, dass Anomalien in Ländern mit hohem Volumen die engste Aufmerksamkeit verdienen. Durch die Verschmelzung der Stärken zweier verschiedener Methoden der künstlichen Intelligenz schufen die Forscher ein Werkzeug, das sowohl präzise als auch praktisch ist. Es verwandelt komplexes, unüberwachtes maschinelles Lernen in einen einfachen, handlungsorientierten Leitfaden, der Unternehmen hilft, von der bloßen Beobachtung ihrer Verkaufszahlen zum aktiven Verständnis und Schutz ihrer finanziellen Gesundheit überzugehen.