💻 computer science

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

Este artículo presenta SentinelBI AI, una plataforma de inteligencia de negocios desplegable que integra modelos de Isolation Forest y LSTM Autoencoder para detectar patrones anómalos en los ingresos del comercio electrónico, fusionando sus salidas en un sistema de alertas de tres niveles accesible a través de un tablero interactivo de Streamlit para el soporte de decisiones accionables.

Autores originales: Tata Venkata Karthik, B. Srinivas S. P. Kumar

Publicado 2026-09-09

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Tata Venkata Karthik, B. Srinivas S. P. Kumar

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En el bullicioso mundo de las compras en línea, un flujo constante de transacciones circula cada segundo, creando un registro masivo y complejo de qué compra la gente, cuándo lo compra y cuánto gasta. Para los dueños de negocios, estos datos son un tesoro, pero también un desafío. La mayoría de las pequeñas y medianas empresas dependen de gráficos simples que muestran las ventas totales, muy parecidos a un velocímetro en un automóvil que solo muestra la velocidad actual. Estos gráficos le dicen a un gerente qué tan rápido se está moviendo en este momento, pero no le advierten si el motor está fallando o si el auto de repente se está desviando del curso. El verdadero peligro reside en lo inesperado: un aumento repentino e inexplicable en las ventas que podría indicar un error de precios, una caída silenciosa que sugiere una escasez de existencias, o un patrón extraño que insinúa un fraude. Para detectar estos problemas, las empresas necesitan más que una instantánea del presente; necesitan un sistema que comprenda qué es "normal" a lo largo del tiempo y que pueda detectar instantáneamente cuando el ritmo del negocio se rompe. Este es el dominio de la detección de anomalías, un campo donde las computadoras aprenden a reconocer los patrones habituales de los datos para poder dar la alarma en el momento en que algo inusual sucede.

Dos investigadores del Instituto de Tecnología Chaitanya Bharathi en la India han construido una nueva herramienta diseñada para resolver exactamente este problema para los minoristas en línea. Llaman a su creación SentinelBI AI, un sistema que actúa como un guardián vigilante para los flujos de ingresos. En lugar de depender de una única regla rígida para decidir qué está mal, el sistema utiliza dos tipos diferentes de inteligencia artificial trabajando en conjunto. Un tipo es bueno detectando días extraños e individuales, como un aumento repentino y aislado en las ventas que no encaja con el perfil típico del día. El otro tipo es mejor comprendiendo el flujo del tiempo, reconociendo cuando una secuencia de días sigue un patrón extraño que un humano podría pasar por alto. Al combinar las perspectivas de ambos, el sistema crea una escala de advertencia de tres niveles: normal, advertencia y crítico. Este enfoque permite al sistema filtrar el ruido de las fluctuaciones cotidianas y concentrarse solo en los días que realmente requieren atención.

Los investigadores probaron su sistema utilizando un conjunto de datos del mundo real de un importante minorista de regalos en línea, que abarca más de un millón de transacciones individuales desde finales de 2009 hasta finales de 2011. Limpiaron este registro masivo de datos y lo organizaron en 731 resúmenes diarios, rastreando métricas clave como los ingresos totales, el número de artículos vendidos, el recuento de transacciones y el número de clientes activos. También calcularon cuánto difería el ingreso de cada día del promedio de la semana anterior. Con esta información preparada, entrenaron sus dos modelos de inteligencia artificial. El primer modelo, conocido como Isolation Forest, aprendió a identificar días inusuales observando la combinación específica de números para ese día único. El segundo modelo, un LSTM Autoencoder, aprendió la forma normal de los ingresos durante una ventana de treinta días, lo que le permitió detectar cuándo el historial reciente de ventas parecía incorrecto, incluso si los números de un solo día parecían estar bien.

Cuando el sistema ejecutó su análisis sobre los 731 días de historia comercial, encontró que los dos modelos coincidían en la gran mayoría de los días, identificando correctamente la mayor parte del tiempo como un negocio normal. Sin embargo, el verdadero valor apareció en los días donde los modelos discrepaban o donde ambos daban la alarma. El sistema marcó 19 días como "Críticos", lo que significa que ambos modelos coincidieron en que algo andaba seriamente mal. Identificó otros 32 días como "Advertencia", donde un modelo daba la alarma pero el otro no. Los 680 días restantes fueron clasificados como normales. Este enfoque de doble modelo demostró ser más preciso que una regla simple y estática que solo busca números que son demasiado altos o demasiado bajos. Mientras que una regla básica habría marcado 41 días con una tasa de éxito menor al coincidir con eventos inusuales reales, el sistema más inteligente de los investigadores marcó menos días pero captó un mayor porcentaje de los problemas reales, con los dos modelos logrando tasas de coincidencia de más del 50 por ciento.

Para hacer que estos hallazgos sean útiles para las personas de negocios reales, los investigadores no se detuvieron en el código de computadora. Construyeron un panel de control interactivo completo que cualquiera puede usar en un navegador web, sin necesidad de saber programar. Este panel tiene cinco páginas diferentes. Una página ofrece una visión de alto nivel para los ejecutivos, mientras que otras profundizan en las anomalías específicas. Una característica particularmente innovadora es una herramienta de consulta en lenguaje natural. Esto permite a un usuario escribir una pregunta en inglés sencillo, como preguntar por los productos más vendidos en un país específico, y el sistema traduce automáticamente esa pregunta en los comandos de base de datos necesarios para encontrar la respuesta. Esto elimina la barrera de la jerga técnica, permitiendo que los gerentes hagan preguntas y obtengan respuestas instantáneamente.

El estudio reveló algunas ideas claras sobre cómo monitorear mejor un negocio. El factor más importante para detectar una anomalía no fue la cantidad total de dinero ganado, sino cuánto difería el ingreso de ese día respecto al pasado reciente. Un día con ventas altas no es necesariamente un problema si encaja con el patrón de la semana anterior; un día es extraño solo si rompe el ritmo. El sistema también mostró que el Reino Unido, que era el mercado principal de los datos, dominaba los ingresos, lo que sugiere que las anomalías en países de alto volumen merecen la mayor atención. Al fusionar las fortalezas de dos métodos diferentes de inteligencia artificial, los investigadores crearon una herramienta que es tanto precisa como práctica. Transforma el aprendizaje automático no supervisado y complejo en una guía simple y accionable, ayudando a las empresas a pasar de simplemente observar sus números de ventas a comprender y proteger activamente su salud financiera.

Resumen Técnico: SentinelBI AI

Planteamiento del Problema
Los operadores de comercio electrónico moderno generan flujos continuos de datos transaccionales; sin embargo, muchas plataformas pequeñas y medianas dependen de tableros estáticos que informan totales sin señalar activamente las desviaciones del comportamiento comercial normal. Los picos repentinos de ingresos, las caídas prolongadas o las combinaciones inusuales de métricas transaccionales pueden indicar problemas críticos como errores de precios, fraudes, falta de existencias o fallos en los canales de datos. No obstante, estas anomalías suelen pasar desapercibidas hasta que es demasiado tarde. El documento identifica una brecha en los sistemas existentes: la falta de una solución integrada que combine la inteligencia de negocios con la detección de anomalías no supervisada para proporcionar alertas oportunas y accionables para el monitoreo de ingresos.

Metodología
Los autores proponen SentinelBI AI, una plataforma de inteligencia de negocios de extremo a extremo diseñada para detectar comportamientos anómalos en los ingresos mediante un enfoque de doble modelo no supervisado. El sistema se construye sobre el conjunto de datos Online Retail II (UCI), que comprende 1,073,711 registros de transacciones desde diciembre de 2009 hasta diciembre de 2011 en 43 países.

El flujo técnico procede de la siguiente manera:

Preprocesamiento de Datos e Ingeniería de Características: Los registros de transacciones brutos se limpian (eliminando cancelaciones y cantidades negativas) y se agregan en 731 registros diarios de rendimiento empresarial. Se diseñan cinco características clave: Ingresos Totales, Cantidad Total, Conteo de Transacciones, Conteo de Clientes Activos y Desviación de Ingresos (la diferencia entre los ingresos diarios reales y su promedio móvil de 7 días).
Detección de Doble Modelo: Dos detectores no supervisados complementarios se entrenan sobre las características diarias estandarizadas:
- Isolation Forest: Un método de ensamble que aisla anomalías mediante la partición aleatoria del espacio de características. Está ajustado con una tasa de contaminación del 5% para señalar observaciones diarias individuales inusuales (anomalías puntuales).
- Autoencoder LSTM: Un modelo de aprendizaje profundo entrenado con ventanas secuenciales de 30 días de datos de ingresos. Aprende la forma temporal normal de los ingresos y señala los días donde el error de reconstrucción excede un umbral ( $\mu + 2\sigma$ ), detectando eficazmente anomalías contextuales o colectivas en la serie temporal.
Fusión de Alertas: Las salidas de ambos modelos se fusionan en un esquema de alertas de tres niveles:
- Crítico: Señalizado por ambos modelos.
- Advertencia: Señalizado por exactamente un modelo.
- Normal: Señalizado por ninguno.
Despliegue: El flujo se despliega a través de un tablero de Streamlit que cuenta con cinco páginas: Resumen Ejecutivo, Análisis de Negocios, Monitor de Anomalías de IA, Investigación de IA e una interfaz de consulta en lenguaje natural ("Ask SentinelBI") respaldada por un almacén analítico SQLite.

Resultados Clave
Sobre el conjunto de datos de 731 días de actividad empresarial, el sistema produjo los siguientes resultados:

Tasas de Detección: El Isolation Forest señaló de forma independiente 37 días (5.06%), y el Autoencoder LSTM señaló 33 días (4.51%).
Rendimiento de la Fusión: 19 días fueron señalados conjuntamente y clasificados como Críticos (2.60% del total de días), mientras que 32 días fueron clasificados como Advertencia (4.38%). Los 680 días restantes fueron Normales.
Comparación de Modelos: Al compararse contra una línea base estática de $\pm 2\sigma$ $\pm 2 σ$ , los detectores aprendidos demostraron un rendimiento superior en las tasas de coincidencia validadas cruzadamente contra días inusuales revisados manualmente:
- Isolation Forest: 51.4% de tasa de coincidencia.
- Autoencoder LSTM: 57.6% de tasa de coincidencia.
- Línea Base Estática: 43.9% de tasa de coincidencia.
Importancia de las Características: Un análisis de sensibilidad reveló que la Desviación de Ingresos fue la característica más significativa (contribuyendo con un 34% al poder discriminativo del Isolation Forest), confirmando que la desviación de una base móvil es una señal de anomalía más fuerte que la escala absoluta bruta.

Significancia y Contribuciones
El documento afirma que su contribución principal es el desarrollo de un flujo de detección de anomalías de doble modelo desplegable que logra convertir las salidas de modelos no supervisados en una herramienta de apoyo a la decisión accionable y no técnica.

Aspectos clave de esta significancia incluyen:

Detección Complementaria: Al combinar un detector de anomalías puntuales (Isolation Forest) con un detector de anomalías secuenciales (LSTM), el sistema reduce los falsos positivos y captura diferentes tipos de anomalías que un solo modelo podría omitir.
Usabilidad Operativa: La integración del flujo de detección en un tablero de Streamlio basado en el navegador, con una capa de consulta en lenguaje natural, permite al personal de operaciones y a las partes interesadas no técnicas investigar anomalías de ingresos sin necesidad de escribir código o SQL.
Priorización Accionable: El sistema de alertas de tres niveles (Normal, Advertencia, Crítico) ayuda a los equipos de operaciones a priorizar sus esfuerzos de investigación, enfocando los recursos en el pequeño subconjunto de días (2.6%) que son genuinamente inusuales.

Los autores concluyen que, si bien el sistema es actualmente no supervisado, proporciona una base robusta para el monitoreo de ingresos que supera las reglas estadísticas estáticas, ofreciendo una solución práctica para la detección oportuna de anomalías en entornos de comercio electrónico.

Más como este