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

Nel frenetico mondo dello shopping online, un flusso costante di transazioni scorre ogni secondo, creando un registro massiccio e complesso di ciò che le persone acquistano, quando lo acquistano e quanto spendono. Per i proprietari di aziende, questi dati sono un tesoro, ma rappresentano anche una sfida. La maggior parte delle piccole e medie imprese si affida a semplici grafici che mostrano le vendite totali, proprio come un tachimetro in un'auto che visualizza solo la velocità attuale. Questi grafici dicono a un manager quanto velocemente stia andando in questo momento, ma non lo avvisano se il motore sta tossendo o se l'auto sta improvvisamente sbandando. Il vero pericolo risiede nell'inaspettato: un picco improvviso e inspiegabile nelle vendite che potrebbe indicare un errore di prezzo, un calo silenzioso che suggerisce una carenza di scorte o un modello strano che accenna a una frode. Per catturare questi problemi, le aziende hanno bisogno di più di un'istantanea del presente; hanno bisogno di un sistema che comprenda cosa sia "normale" nel tempo e che possa individuare istantaneamente quando il ritmo degli affari si interrompe. Questo è il dominio del rilevamento delle anomalie, un campo in cui i computer imparano a riconoscere i modelli abituali dei dati per poter dare l'allarme nel momento in cui succede qualcosa di insolito.

Due ricercatori del Chaitanya Bharathi Institute of Technology in India hanno costruito un nuovo strumento progettato per risolvere esattamente questo problema per i rivenditori online. Chiamano la loro creazione SentinelBI AI, un sistema che agisce come un guardiano vigile per i flussi di entrate. Invece di affidarsi a una singola regola rigida per decidere cosa sia sbagliato, il sistema utilizza due diversi tipi di intelligenza artificiale che lavorano insieme. Un tipo è bravo a individuare giorni insoliti e isolati, come un picco improvviso e isolato nelle vendite che non si adatta al profilo tipico della giornata. L'altro tipo è migliore nel comprendere il flusso del tempo, riconoscendo quando una sequenza di giorni segue un modello strano che un essere umano potrebbe mancare. Combinando gli approfondimenti di entrambi, il sistema crea una scala di avviso a tre livelli: normale, avviso e critico. Questo approccio consente al sistema di filtrare il rumore delle fluttuazioni quotidiane e concentrarsi solo sui giorni che richiedono davvero attenzione.

I ricercatori hanno testato il loro sistema utilizzando un dataset del mondo reale proveniente da un importante rivenditore online di regali, coprendo oltre un milione di singole transazioni tra la fine del 2009 e la fine del 2011. Hanno pulito questo massiccio registro di dati e lo hanno organizzato in 731 riepiloghi giornalieri, tracciando metriche chiave come il fatturato totale, il numero di articoli venduti, il conteggio delle transazioni e il numero di clienti attivi. Hanno anche calcolato quanto la entrata di ogni giorno differisse dalla media della settimana precedente. Con queste informazioni preparate, hanno addestrato i loro due modelli di intelligenza artificiale. Il primo modello, noto come Isolation Forest, ha imparato a identificare i giorni insoliti osservando la combinazione specifica di numeri per quel singolo giorno. Il secondo modello, un LSTM Autoencoder, ha imparato la forma normale delle entrate su una finestra di trenta giorni, consentendogli di rilevare quando la storia recente delle vendite appariva errata, anche se i numeri di un singolo giorno sembravano corretti.

Quando il sistema ha eseguito la sua analisi sui 731 giorni di storia aziendale, ha scoperto che i due modelli concordavano sulla stragrande maggioranza dei giorni, identificando correttamente la maggior parte del tempo come business normale. Tuttavia, il vero valore è apparso nei giorni in cui i modelli erano in disaccordo o in cui entrambi suonavano l'allarme. Il sistema ha segnalato 19 giorni come "Critici", il che significa che entrambi i modelli concordavano sul fatto che qualcosa fosse seriamente sbagliato. Ha identificato altri 32 giorni come "Avviso", dove un modello suonava l'allarme ma l'altro no. I restanti 680 giorni sono stati classificati come normali. Questo approccio a doppio modello si è dimostrato più accurato di una semplice regola statica che guarda solo se i numeri sono troppo alti o troppo bassi. Mentre una regola di base avrebbe segnalato 41 giorni con un tasso di successo inferiore nel corrispondere agli eventi insoliti reali, il sistema più intelligente dei ricercatori ha segnalato meno giorni ma ha colto una percentuale più alta dei problemi reali, con i due modelli che raggiungevano tassi di corrispondenza superiori al 50 percento.

Per rendere queste scoperte utili per le persone che si occupano di business, i ricercatori non si sono fermati al codice informatico. Hanno costruito una dashboard interattiva completa che chiunque può usare in un browser web, senza bisogno di conoscere la programmazione. Questa dashboard ha cinque pagine diverse. Una pagina fornisce una panoramica di alto livello per gli esecutivi, mentre altre scendono nel dettaglio delle specifiche anomalie. Una funzione particolarmente innovativa è uno strumento di query in linguaggio naturale. Questo permette a un utente di digitare una domanda in inglese semplice, come chiedere i prodotti più venduti in un paese specifico, e il sistema traduce automaticamente quella domanda nei comandi necessari per il database per trovare la risposta. Ciò rimuove la barriera del gergo tecnico, permettendo ai manager di porre domande e ottenere risposte istantaneamente.

Lo studio ha rivelato alcuni spunti chiari su come monitorare al meglio un'azienda. Il fattore più importante per individuare un'anomalia non era l'importo totale di denaro guadagnato, ma quanto la entrata di quel giorno differisse dal passato recente. Un giorno con vendite elevate non è necessariamente un problema se si inserisce nel modello della settimana precedente; un giorno è strano solo se interrompe il ritmo. Il sistema ha anche mostrato che il Regno Unito, che era il mercato principale dei dati, dominava le entrate, suggerendo che le anomalie nei paesi ad alto volume meritino la massima attenzione. Fondendo i punti di forza di due diversi metodi di intelligenza artificiale, i ricercatori hanno creato uno strumento che è allo stesso tempo preciso e pratico. Trasforma l'apprendimento automatico non supervisionato e complesso in una guida semplice e azionabile, aiutando le aziende a passare dal semplice monitoraggio dei numeri di vendita alla comprensione attiva e alla protezione della propria salute finanziaria.