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

In de bruisende wereld van online winkelen stroomt elke seconde een constante stroom transacties, wat een enorme, complexe registratie creëert van wat mensen kopen, wanneer ze het kopen en hoeveel ze uitgeven. Voor ondernemers is deze data een schatkist, maar het is ook een uitdaging. De meeste kleine en middelgrote bedrijven vertrouwen op eenvoudige grafieken die de totale verkopen laten zien, vergelijkbaar met een snelheidsmeter in een auto die alleen de huidige snelheid weergeeft. Deze grafieken vertellen een manager hoe snel hij op dit moment gaat, maar ze waarschuwen hem niet als de motor hapert of als de auto plotseling van koers afwijkt. Het echte gevaar ligt in het onverwachte: een plotselinge, onverklaarbare piek in de verkopen die kan duiden op een prijsfout, een stille daling die wijst op een tekort aan voorraad, of een vreemd patroon dat duidt op fraude. Om deze problemen te vangen, hebben bedrijven meer nodig dan alleen een momentopname van het heden; ze hebben een systeem nodig dat begrijpt hoe "normaal" er over een bepaalde tijd uitziet en dat direct kan opmerken wanneer het ritme van de zaken wordt doorbroken. Dit is het domein van anomaliedetectie, een vakgebied waar computers leren om de gebruikelijke patronen in data te herkennen, zodat ze het alarm kunnen doen afgaan op het moment dat er iets ongewoons gebeurt.

Twee onderzoekers van het Chaitanya Bharathi Institute of Technology in India hebben een nieuwe tool gebouwd die ontworpen is om precies dit probleem voor online retailers op te lossen. Ze noemen hun creatie SentinelBI AI, een systeem dat fungeert als een waakzame bewaker voor inkomstenstromen. In plaats van te vertrouwen op één enkele, rigide regel om te bepalen wat er mis is, gebruikt het systeem twee verschillende soorten kunstmatige intelligentie die samenwerken. Het ene type is goed in het opsporen van vreemde individuele dagen, zoals een plotselinge, geïsoleerde piek in de verkopen die niet past bij het typische profiel van de dag. Het andere type is beter in het begrijpen van de tijdsvolgorde, waarbij het herkent wanneer een opeenvolging van dagen een vreemd patroon volgt dat een mens misschien zou missen. Door de inzichten van beide te combineren, creëert het systeem een drielaagse waarschuwingsschaal: normaal, waarschuwing en kritiek. Deze aanpak stelt het systeem in staat om de ruis van dagelijkjes fluctuaties weg te filteren en zich alleen te concentreren op de dagen die echt aandacht nodig hebben.

De onderzoekers testten hun systeem met behulp van een real-world dataset van een grote online cadeauwinkel, die meer dan een miljoen individuele transacties beslaat van eind 2009 tot eind 2011. Ze hebben deze enorme log van data opgeschoond en georganiseerd in 731 dagelijkse samenvattingen, waarbij ze belangrijke statistieken bijhielden zoals de totale omzet, het aantal verkochte artikelen, het aantal transacties en het aantal actieve klanten. Ze berekenden ook hoeveel de omzet van elke dag verschilde van het gemiddelde van de voorgaande week. Met deze voorbereide informatie trainden ze hun twee modellen van kunstmatige intelligentie. Het eerste model, bekend als een Isolation Forest, leerde ongewone dagen te identificeren door te kijken naar de specifieke combinatie van cijfers voor die specifieke dag. Het tweede model, een LSTM Autoencoder, leerde de normale vorm van de omzet over een venster van dertig dagen, waardoor het kon detecteren wanneer de recente geschiedenis van de verkopen er vreemd uitzag, zelfs als de cijfers op een enkele dag in orde leken.

Toen het systeem zijn analyse uitvoerde op de 731 dagen aan bedrijfsgeschiedenis, stelde het vast dat de twee modellen het in de overgrote meerderheid van de gevallen eens waren, waarbij ze de meeste tijd correct als normaal zakelijk gedrag identificeerden. De echte waarde bleek echter te liggen op de dagen waarop de modellen van mening verschilden of waar beiden het alarm luidden. Het systeem markeerde 19 dagen als "Kritiek", wat betekende dat beide modellen ermee instemden dat er iets ernstig mis was. Het identificeerde nog eens 32 dagen als "Waarschuwing", waarbij één model het alarm liet afgaan maar de andere niet. De resterende 680 dagen werden geclassificeerd als normaal. Deze duale modelbenadering bleek nauwkeuriger dan een eenvoudige, statische regel die alleen kijkt naar cijfers die te hoog of te laag zijn. Waar een basisregel 41 dagen zou hebben gemarkeerd met een lager succespercentage bij het matchen van werkelijke ongewone gebeurtenissen, markeerde het slimmere systeem van de onderzoekers minder dagen, maar ving een hoger percentage van de echte problemen, waarbij de twee modellen matchpercentages van meer dan 50 procent behaalden.

Om deze bevindingen bruikbaar te maken voor echte zakelijke professionals, stopten de onderzoekers niet bij de computercode. Ze bouwden een volledig interactief dashboard dat iedereen kan gebruiken in een webbrowser, zonder dat daarvoor programmeerkennis nodig is. Dit dashboard heeft vijf verschillende pagina's. Eén pagina geeft een overzicht op hoog niveau voor executives, terwijl andere diep in de specifieke anomalieën duiken. Een bijzonder innovatieve functie is een tool voor natuurlijke taalvragen. Hiermee kan een gebruiker een vraag typen in gewone Engelse taal, zoals het vragen naar de bestverkochte producten in een specifiek land, en het systeem vertaalt die vraag automatisch naar de noodzakelijke databasecommando's om het antwoord te vinden. Dit neemt de barrière van technisch jargon weg, waardoor managers vragen kunnen stellen en direct antwoorden krijgen.

De studie onthulde duidelijke inzichten over hoe men het beste een bedrijf kan monitoren. De belangrijkste factor bij het opsporen van een anomalie was niet het totale bedrag dat werd verdiend, maar hoeveel de omzet van die dag verschilde van het recente verleden. Een dag met hoge verkopen is niet noodzakelijkerwijs een probleem als het past binnen het patroon van de week ervoor; een dag is pas vreemd als het het ritme doorbreekt. Het systeem toonde ook aan dat het Verenigd Koninkrijk, dat de primaire markt voor de data was, de omzet domineerde, wat suggereert dat anomalieën in landen met een hoog volume de meeste aandacht verdienen. Door de sterke punten van twee verschillende methoden van kunstmatige intelligentie te versmelten, creëerden de onderzoekers een tool die zowel precies als praktisch is. Het transformeert complexe, ongesuperviseerde machine learning in een eenvoudige, actiegerichte gids, die bedrijven helpt om van het simpelweg observeren van hun verkoopcijfers over te gaan naar het actief begrijpen en beschermen van hun financiële gezondheid.