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

在繁忙的在线购物世界中，每一秒都有源源不断的交易流过，创造了关于人们购买了什么、何时购买以及花费了多少钱的海量且复杂的记录。对于企业主而言，这些数据是一座宝库，但也是一项挑战。大多数中小企业依赖于简单的图表来显示总销售额，这就像汽车上的速度计仅显示当前车速一样。这些图表告诉管理者现在的行驶速度，但无法提醒他们引擎是否正在熄火，或者汽车是否突然偏离了航线。真正的危险在于那些意料之外的情况：销售额突然且无法解释的激增可能意味着定价错误；悄无声息的下滑可能暗示库存短缺；而奇怪的模式则可能暗示存在欺诈行为。为了捕捉这些问题，企业需要的不仅仅是现状的快照，而是一个能够理解业务随时间变化的“常态”，并能在业务节奏发生变化时立即发出警报的系统。这就是异常检测的领域——在这个领域中，计算机学习识别数据的常规模式，以便在异常发生时立即拉响警报。

来自印度查塔尼亚·巴拉蒂理工学院（Chaitanya Bharathi Institute of Technology）的两名研究人员开发了一种新工具，旨在为在线零售商解决这一特定问题。他们将这一创造物称为 SentinelBI AI，它是一个充当收入流警觉守护者的系统。该系统并非依赖单一、僵化的规则来判断对错，而是使用了两种不同类型的人工智能协同工作。其中一种类型擅长发现异常的单日情况，例如不符合当天典型特征的孤立销售激增；另一种类型则更擅长理解时间的流动，能够识别出序列化日期是否遵循了人类可能会忽略的怪异模式。通过结合这两种洞察力，该系统创建了一个三级预警机制：正常、警告和严重。这种方法使系统能够过滤掉日常波动的噪音，从而专注于真正需要关注的日子。

研究人员使用来自一家大型在线礼品零售商的真实数据集对他们的系统进行了测试，该数据集涵盖了从 2 世纪 09 年底到 11 年底超过一百万笔独立的交易。他们清洗了这份庞大的日志数据，并将其整理成 731 个每日摘要，追踪关键指标，如总收入、销售商品数量、交易次数以及活跃客户数。他们还计算了每天的收入与前一周平均值的差异。利用这些准备好的信息，他们训练了两个人工智能模型。第一个被称为“孤立森林”（Isolation Forest）的模型通过观察单日特定的数字组合来识别异常日期。第二个模型，即“长短期记忆网络自动编码器”（LSTM Autoencoder），学习了三十天窗口内收入的正常形态，使其能够检测出近期销售历史是否异常，即使单日的数字看起来并无大碍。

当系统对 731 天的业务历史进行分析时，它发现两个模型在绝大多数日子里意见一致，正确地将大部分时间识别为正常的业务状态。然而，真正的价值出现在两个模型产生分歧或同时发出警报的日子里。系统将 19 天标记为“严重”（Critical），意味着两个模型都认为出现了严重问题。它还识别出 32 天为“警告”（Warning），即一个模型发出了警报而另一个则没有。其余的 680 天被归类为正常。这种双模型方法被证明比仅仅寻找过高或过低数值的简单静态规则更加准确。虽然一个基础规则会标记 41 天且匹配实际异常事件的成功率较低，但研究人员更智能的系统标记的天数较少，却捕捉到了更高比例的真实问题，两个模型的匹配率均超过了 50%。

为了让这些发现对实际业务人员产生价值，研究人员并没有止步于计算机代码。他们构建了一个完整的、交互式的仪表盘，任何人都可以通过浏览器使用，无需具备编程知识。该仪表盘拥有五个不同的页面。其中一个页面为高管提供高层概览，而其他页面则深入探讨具体的异常情况。一个特别创新的功能是自然语言查询工具。这允许用户使用平实的英语输入问题，例如询问某个特定国家的畅销产品，系统会自动将该问题转化为必要的数据库命令来寻找答案。这消除了技术术语带来的障碍，让管理者能够即时提问并获得答案。

这项研究揭示了关于如何最好地监测业务的一些明确见解。识别异常最重要的因素不是赚了多少钱，而是那天的收入与近期相比的变化程度。如果一天的销售额符合前一周的模式，那么高销售额并不一定是问题；只有当它打破了节奏时，这一天才是异常的。系统还显示，英国作为该数据的核心市场，占据了收入的主导地位，这表明高交易量国家的异常情况值得密切关注。通过融合两种不同人工智能方法的优势，研究人员创造了一个既精准又实用的工具。它将复杂的无监督机器学习转化为简单、可操作的指南，帮助企业从仅仅观察销售数字转向主动理解并保护其财务健康。