💻 computer science

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

Este artigo apresenta o SentinelBI AI, uma plataforma de inteligência de negócios implantável que integra modelos de Isolation Forest e LSTM Autoencoder para detectar padrões anômalos de receita no e-commerce, fundindo seus resultados em um sistema de alerta de três níveis acessível por meio de um dashboard interativo em Streamlit para suporte à decisão acionável.

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

Publicado 2026-09-09

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

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

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

No movimentado mundo das compras online, um fluxo constante de transações flui a cada segundo, criando um registro massivo e complexo do que as pessoas compram, quando compram e quanto gastam. Para os proprietários de empresas, esses dados são um tesouro, mas também um desafio. A maioria das pequenas e médias empresas depende de gráficos simples que mostram as vendas totais, muito parecidos com um velocímetro de um carro que apenas exibe a velocidade atual. Esses gráficos dizem a um gerente a que velocidade ele está indo agora, mas não o alertam se o motor está falhando ou se o carro está subitamente desviando do curso. O verdadeiro perigo reside no inesperado: um aumento súbito e inexplicável nas vendas que pode indicar um erro de preço, uma queda silenciosa que sugere falta de estoque ou um padrão estranho que indica fraude. Para capturar esses problemas, as empresas precisam de mais do que apenas um instantâneo do presente; elas precisam de um sistema que entenda o que é o "normal" ao longo do tempo e possa identificar instantaneamente quando o ritmo dos negócios se quebra. Este é o domínio da detecção de anomalias, um campo onde os computadores aprendem a reconhecer os padrões usuais dos dados para que possam levantar um alarme no momento em que algo incomum acontece.

Dois pesquisadores do Instituto de Tecnologia Chaitanya Bharathi, na Índia, construíram uma nova ferramenta projetada para resolver exatamente este problema para varejistas online. Eles chamam sua criação de SentinelBI AI, um sistema que atua como um guardião vigilante para fluxos de receita. Em vez de depender de uma regra única e rígida para decidir o que está errado, o sistema utiliza dois tipos diferentes de inteligência artificial trabalhando em conjunto. Um tipo é bom em detectar dias individuais estranhos, como um pico súbito e isolado nas vendas que não se encaixa no perfil típico do dia. O outro tipo é melhor em entender o fluxo do tempo, reconhecendo quando uma sequência de dias segue um padrão estranho que um humano poderia perder. Ao combinar os insights de ambos, o sistema cria uma escala de alerta de três níveis: normal, aviso e crítico. Esta abordagem permite que o sistema filtre o ruído das flutuações cotidianas e foque apenas nos dias que realmente precisam de atenção.

Os pesquisadores testaram seu sistema usando um conjunto de dados do mundo real de um grande varejista de presentes online, cobrindo mais de um milhão de transações individuais de meados de 2009 até o final de 2011. Eles limparam esse registro massivo de dados e o organizaram em 731 resumos diários, rastreando métricas principais como receita total, número de itens vendidos, contagem de transações e número de clientes ativos. Eles também calcularam quanto a receita de cada dia divergia da média da semana anterior. Com essas informações preparadas, eles treinaram seus dois modelos de inteligência artificial. O primeiro modelo, conhecido como Isolation Forest, aprendeu a identificar dias incomuns observando a combinação específica de números para aquele dia único. O segundo modelo, um LSTM Autoencoder, aprendeu a forma normal da receita ao longo de uma janela de trinta dias, permitindo detectar quando o histórico recente de vendas parecia errado, mesmo que os números de um único dia parecessem normais.

Quando o sistema executou sua análise nos 731 dias de histórico de negócios, descobriu que os dois modelos concordavam na grande maioria dos dias, identificando corretamente a maior parte do tempo como um negócio normal. No entanto, o real valor apareceu nos dias em que os modelos discordavam ou onde ambos disparavam o alarme. O sistema sinalizou 19 dias como "Críticos", significando que ambos os modelos concordavam que algo estava seriamente errado. Identificou outros 32 dias como "Aviso", onde um modelo disparou o alarme, mas o outro não. Os 680 dias restantes foram classificados como normais. Esta abordagem de modelo duplo provou ser mais precisa do que uma regra simples e estática que apenas busca números que estão muito altos ou muito baixos. Enquanto uma regra básica teria sinalizado 41 dias com uma taxa de sucesso menor de correspondência com eventos realmente incomuns, o sistema mais inteligente dos pesquisadores sinalizou menos dias, mas capturou uma porcentagem maior dos problemas reais, com os dois modelos alcançando taxas de correspondência superiores a 50 por cento.

Para tornar essas descobertas úteis para pessoas de negócios reais, os pesquisadores não pararam no código de computador. Eles construíram um dashboard interativo completo que qualquer pessoa pode usar em um navegador web, sem precisar saber programar. Este dashboard possui cinco páginas diferentes. Uma página oferece uma visão geral de alto nível para executivos, enquanto outras mergulham profundamente nas anomalias específicas. Um recurso particularmente inovador é uma ferramenta de consulta em linguagem natural. Isso permite que um usuário digite uma pergunta em inglês simples, como perguntar pelos produtos mais vendidos em um país específico, e o sistema traduz automaticamente essa pergunta para os comandos de banco de dados necessários para encontrar a resposta. Isso remove a barreira do jargão técnico, permitindo que os gestores façam perguntas e obtenham respostas instantaneamente.

O estudo revelou insights claros sobre como monitorar melhor um negócio. O fator mais importante para detectar uma anomalia não foi o montante total de dinheiro arrecadado, mas o quanto a receita daquele dia divergiu do passado recente. Um dia com vendas altas não é necessariamente um problema se ele se encaixa no padrão da semana anterior; um dia só é estranho se ele quebra o ritmo. O sistema também mostrou que o Reino Unido, que era o mercado principal dos dados, dominava a receita, sugerindo que anomalias em países de alto volume merecem a atenção mais próxima. Ao fundir as forças de dois métodos diferentes de inteligência artificial, os pesquisadores criaram uma ferramenta que é tanto precisa quanto prática. Ela transforma o aprendizado de máquina não supervisionado complexo em um guia simples e acionável, ajudando as empresas a passarem de apenas observar seus números de vendas para compreender e proteger ativamente sua saúde financeira.

Resumo Técnico: SentinelBI AI

Problema
Operadores de e-commerce modernos geram fluxos contínuos de dados transacionais, mas muitas plataformas de pequeno e médio porte dependem de dashboards estáticos que relatam totais sem sinalizar ativamente desvios do comportamento normal de negócios. Picos repentinos de receita, quedas prolongadas ou combinações incomuns de métricas de transação podem indicar problemas críticos, como erros de precificação, fraudes, falta de estoque ou falhas no pipeline de dados. No entanto, essas anomalias muitas vezes passam despercebidas até que seja tarde demais. O artigo identifica uma lacuna nos sistemas existentes: a falta de uma solução integrada que combine o relatório de business intelligence com a detecção de anomalias não supervisionada para fornecer alertas oportunos e acionáveis para o monitoramento de receita.

Metodologia
Os autores propõem o SentinelBI AI, uma plataforma de business intelligence de ponta a ponta projetada para detectar comportamentos anômalos de receita usando uma abordagem de modelo duplo não supervisionado. O sistema é construído sobre o conjunto de dados Online Retail II (UCI), que compreende 1.067.371 registros de transações de dezembro de 2009 a dezembro de 2011 em 43 países.

O pipeline técnico procede da seguinte forma:

Pré-processamento de Dados e Engenharia de Atributos: Os logs de transações brutos são limpos (removendo cancelamentos e quantidades negativas) e agregados em 731 registros diários de desempenho comercial. Cinco atributos principais são projetados: Receita Total, Quantidade Total, Contagem de Transações, Contagem de Clientes Ativos e Desvio de Receita (a diferença entre a receita diária real e sua média móvel de 7 dias).
Detecção de Modelo Duplo: Dois detectores não supervisionados complementares são treinados nos atributos diários padronizados:
- Isolation Forest: Um método de ensemble que isola anomalias ao particionar aleatoriamente o espaço de atributos. É ajustado com uma taxa de contaminação de 5% para sinalizar observações diárias individuais incomuns (anomalias de ponto).
- LSTM Autoencoder: Um modelo de deep learning treinado em janelas sequenciais de 30 dias de dados de receita. Ele aprende a forma temporal normal da receita e sinaliza dias onde o erro de reconstrução excede um limiar ( $\mu + 2\sigma$ ), detectando efetivamente anomalias contextuais ou coletivas na série temporal.
Fusão de Alertas: As saídas de ambos os modelos são fundidas em um esquema de alerta de três níveis:
- Crítico: Sinalizado por ambos os modelos.
- Aviso (Warning): Sinalizado por exatamente um modelo.
- Normal: Sinalizado por nenhum.
Implantação: O pipeline é implantado via um dashboard Streamlit apresentando cinco páginas: Visão Geral Executiva, Análise de Negócios, Monitor de Anomalias de IA, Investigação de IA e uma interface de consulta em linguagem natural ("Ask SentinelBI") apoiada por um warehouse analítico SQLite.

Principais Resultados
No conjunto de dados de 731 dias comerciais, o sistema produziu os seguintes resultados:

Taxas de Detecção: O Isolation Forest sinalizou independentemente 37 dias (5,06%), e o LSTM Autoencoder sinalizou 33 dias (4,51%).
Desempenho de Fusão: 19 dias foram sinalizados conjuntamente e classificados como Críticos (2,60% do total de dias), enquanto 32 dias foram classificados como Aviso (4,38%). Os 680 dias restantes foram Normais.
Comparação de Modelos: Quando comparados contra uma linha de base estática de $\pm 2\sigma$ $\pm 2 σ$ , os detectores aprendidos demonstraram desempenho superior em taxas de correspondência validadas cruzadamente contra dias incomuns revisados manualmente:
- Isolation Forest: Taxa de correspondência de 51,4%.
- LSTM Autoencoder: Taxa de correspondência de 57,6%.
- Linha de Base Estática: Taxa de correspondência de 43,9%.
Importância de Atributos: Uma análise de sensibilidade revelou que o Desvio de Receita foi o atributo mais significativo (contribuindo com 34% para o poder discriminativo do Isolation Forest), confirmando que o desvio de uma linha de base móvel é um sinal de anomalia mais forte do que a escala absoluta bruta.

Significância e Contribuições
O artigo afirma que sua principal contribuição é o desenvolvimento de um pipeline de detecção de anomalias de modelo duplo implantável que converte com sucesso as saídas de modelos não supervisionados em uma ferramenta de suporte à decisão acionável e não técnica.

Aspectos-chave desta significância incluem:

Detecção Complementar: Ao combinar um detector de anomalias de ponto (Isolation Forest) com um detector de anomalias de sequência (LSTM), o sistema reduz falsos positivos e captura diferentes tipos de anomalias que um único modelo poderia perder.
Usabilidade Operacional: A integração do pipeline de detecção em um dashboard Streamlit baseado em navegador com uma camada de consulta em linguagem natural permite que equipes de operações e partes interessadas não técnicas investiguem anomalias de receita sem a necessidade de escrever código ou SQL.
Priorização Acionável: O sistema de alerta de três níveis (Normal, Aviso, Crítico) ajuda as equipes de operações a priorizar esforços de investigação, concentrando recursos no pequeno subconjunto de dias (2,6%) que são mais provavelmente incomuns.

Os autores concluem que, embora o sistema seja atualmente não supervisionado, ele fornece uma base robusta para o monitoramento de receita que supera regras estatísticas estáticas, oferecendo uma solução prática para a detecção oportuna de anomalias em ambientes de e-commerce.

Mais como este