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

Dans le monde trépidant du shopping en ligne, un flux constant de transactions circule chaque seconde, créant un enregistrement massif et complexe de ce que les gens achètent, quand ils l'achètent et combien ils dépensent. Pour les propriétaires d'entreprises, ces données sont un trésor, mais elles représentent aussi un défi. La plupart des petites et moyennes entreprises s'appuient sur des graphiques simples qui montrent les ventes totales, un peu comme un compteur de vitesse dans une voiture qui n'affiche que la vitesse actuelle. Ces graphiques indiquent à un gestionnaire à quelle vitesse il avance en ce moment, mais ils ne l'avertissent pas si le moteur broutante ou si la voiture dévie soudainement de sa trajectoire. Le véritable danger réside dans l'inattendu : un pic de ventes soudain et inexpliqué qui pourrait indiquer une erreur de prix, une baisse discrète suggérant une pénurie de stock, ou un schéma étrange qui laisse présager une fraude. Pour attraper ces problèmes, les entreprises ont besoin de plus qu'un simple instantané du présent ; elles ont besoin d'un système qui comprenne ce que signifie être « normal » au fil du temps et qui puisse instantanément repérer quand le rythme des affaires se brise. C'est le domaine de la détection d'anomalies, un champ où les ordinateurs apprennent à reconnaître les schémas habituels des données afin de pouvoir déclencher une alarme dès que quelque chose d'inhabituel se produit.

Deux chercheurs de l'Institut de technologie Chaitanya Bharathi en Inde ont construit un nouvel outil conçu pour résoudre exactement ce problème pour les détaillants en ligne. Ils appellent leur création SentinelBI AI, un système qui agit comme un gardien vigilant des flux de revenus. Au lieu de s'appuyer sur une règle unique et rigide pour décider de ce qui ne va pas, le système utilise deux types différents d'intelligence artificielle travaillant ensemble. L'un est doué pour repérer les jours isolés et étranges, comme un pic de ventes soudain et isolé qui ne correspond pas au profil typique de la journée. L'autre est meilleur pour comprendre le flux du temps, reconnaissant lorsqu'une séquence de jours suit un schéma bizarre qu'un humain pourrait manquer. En combinant les enseignements des deux, le système crée une échelle d'alerte à trois niveaux : normal, avertissement et critique. Cette approche permet au système de filtrer le bruit des fluctuations quotidiennes et de se concentrer uniquement sur les jours qui nécessitent réellement une attention.

Les chercheurs ont testé leur système en utilisant un ensemble de données réelles provenant d'un grand détaillant de cadeaux en ligne, couvrant plus d'un million de transactions individuelles de fin 2009 à fin 2011. Ils ont nettoyé ce journal massif de données et l'ont organisé en 731 résumés quotidiens, suivant des indicateurs clés tels que le revenu total, le nombre d'articles vendus, le nombre de transactions et le nombre de clients actifs. Ils ont également calculé à quel point le revenu de chaque jour différait de la moyenne de la semaine précédente. Avec ces informations préparées, ils ont entraîné leurs deux modèles d'intelligence artificielle. Le premier modèle, connu sous le nom d'Isolation Forest, a appris à identifier les jours inhabituels en regardant la combinaison spécifique de chiffres pour cette journée précise. Le second modèle, un auto-encodeur LSTM, a appris la forme normale des revenus sur une fenêtre de trente jours, lui permettant de détecter quand l'historique récent des ventes semblait anormal, même si les chiffres d'un seul jour paraissaient corrects.

Lorsque le système a lancé son analyse sur les 731 jours d'activité commerciale, il a constaté que les deux modèles étaient d'accord sur la grande majorité des jours, identifiant correctement la plupart du temps comme une activité normale. Cependant, la véritable valeur est apparue lors des jours où les modèles n'étaient pas d'accord ou lorsque les deux sonnaient l'alarme. Le système a signalé 19 jours comme « Critiques », ce qui signifie que les deux modèles étaient d'accord sur le fait que quelque chose allait très mal. Il a identifié 32 autres jours comme étant en « Avertissement », où un modèle sonnait l'alarme mais pas l'autre. Les 680 jours restants ont été classés comme normaux. Cette approche à double modèle s'est avérée plus précise qu'une règle simple et statique qui cherche simplement des nombres trop élevés ou trop bas. Alors qu'une règle de base aurait signalé 41 jours avec un taux de réussite inférieur pour correspondre aux événements réellement inhabituels, le système plus intelligent des chercheurs a signalé moins de jours mais a capturé un pourcentage plus élevé des vrais problèmes, les deux modèles atteignant des taux de correspondance de plus de 50 pour cent.

Pour rendre ces découvertes utiles aux véritables professionnels, les chercheurs ne se sont pas arrêtés au code informatique. Ils ont construit un tableau de bord interactif complet que n'importe qui peut utiliser dans un navigateur Web, sans avoir besoin de savoir programmer. Ce tableau de bord comporte cinq pages différentes. Une page donne une vue d'ensemble de haut niveau pour les cadres, tandis que d'autres plongent en profondeur dans les anomalies spécifiques. Une fonctionnalité particulièrement innovante est l'outil de requête en langage naturel. Cela permet à un utilisateur de taper une question en langage courant, comme demander les produits les plus vendus dans un pays spécifique, et le système traduit automatiquement cette question en commandes de base de données nécessaires pour trouver la réponse. Cela lève la barrière du jargon technique, permettant aux gestionnaires de poser des questions et d'obtenir des réponses instantanément.

L'étude a révélé des enseignements clairs sur la meilleure façon de surveiller une entreprise. Le facteur le plus important pour détecter une anomalie n'était pas le montant total d'argent gagné, mais la façon dont le revenu de ce jour différait du passé récent. Un jour de ventes élevées n'est pas nécessairement un problème s'il s'inscrit dans le schéma de la semaine précédente ; un jour est étrange seulement s'il brise le rythme. Le système a également montré que le Royaume-Uni, qui était le marché principal des données, dominait les revenus, suggérant que les anomalies dans les pays à haut volume méritent l'attention la plus étroite. En fusionnant les forces de deux méthodes différentes d'intelligence artificielle, les chercheurs ont créé un outil qui est à la fois précis et pratique. Il transforme l'apprentissage automatique non supervisé complexe en un guide simple et actionnable, aidant les entreprises à passer de la simple observation de leurs chiffres de vente à la compréhension active et à la protection de leur santé financière.