Supposons que vous modifiiez par erreur le prix d'un short en jean pour une vente de 50,00 $ à 5,00 $. De nombreuses ventes auront lieu et, au début, il peut sembler que le produit se vend bien en raison du nombre d'unités vendues. Cependant, si l’on examine les revenus nets, cela révèle une autre histoire. Comment garantir qu’un problème comme celui-ci soit identifié et résolu rapidement ? Les systèmes de détection d'anomalies agissent comme une protection contre de tels problèmes en garantissant que ces problèmes sont détectés le plus rapidement possible.
La détection des anomalies fonctionne comme son nom l'indique ; il s'agit d'un processus qui exploite de nombreuses données pour déclencher des alertes si quelque chose est biaisé ou ne va pas. Dans le cas du short en jean, un système de détection d'anomalies analyserait les données, remarquerait un écart dans le chiffre d'affaires net, puis créerait une alerte. Cependant, les questions les plus importantes sont les suivantes : comment un système de détection d’anomalies détermine-t-il si un certain point de données constitue une anomalie ? Comment détermine-t-il si quelque chose est normal ? Bien que ces questions puissent sembler fondamentales, de nombreux éléments doivent être pris en compte pour déterminer s’il s’agit d’une anomalie.
Comment fonctionne la détection des anomalies
Pour commencer à travailler avec un système de détection d'anomalies, vous devez d'abord définir certains seuils supérieur et inférieur pour chaque métrique, tels que le taux de retour, les unités expédiées ou la récence des points de données. À partir de là, le système doit identifier les anomalies en comparant les métriques actuelles avec les données historiques du produit. Il y a plusieurs facteurs à prendre en compte pour déterminer le fonctionnement du système de détection des anomalies :
- Opportunité: Dans quel délai une entreprise a-t-elle besoin d’une réponse en cas d’anomalie ? Si des réponses sont nécessaires plus lentement ou moins fréquemment, le système analysera davantage de points de données et sera plus précis. Si les réponses sont nécessaires plus fréquemment, elles seront moins précises.
- Échelle: La taille des ensembles de données modifie la manière dont un système de détection d'anomalies analyse les données. Comprendre l'ampleur des données est important pour un architecte logiciel lorsqu'il effectue des ajustements programmatiques au système de détection d'anomalies.
- Taux de changement: Si les ensembles de données changent constamment, le système devra alors utiliser apprentissage automatique/algorithmes adaptatifs pour tenir compte de certains changements. Si le taux de changement est lent, le système peut collecter des données et déterminer ce qui est normal à partir de cet ensemble de données.
- Concision: Dans quelle mesure les mesures doivent-elles être mesurées ? Avez-vous simplement besoin d'une alerte si une anomalie est détectée ou souhaitez-vous les raisons pour lesquelles elle s'est déclenchée ? Et puis, quelle profondeur voulez-vous que les raisons soient ?
Les détaillants intègrent un logiciel de détection d'anomalies pour les aider à détecter les problèmes en temps réel et à tirer des leçons de tendances qui autrement ne seraient pas apparentes lors de l'examen des données à plus petite échelle. À mesure que les entreprises se développent, les incidents (comme le cas du short en jean à 5 $ mentionné plus haut) ne sont pas détectés à moins qu'il n'y ait un système de détection des anomalies pour passer au crible l'immense volume de données. Chaque incident est une opportunité d’économiser de l’argent et de créer de nouvelles opportunités commerciales potentielles. La réduction des rendements, en particulier, constitue un domaine d’opportunité.
La détection des anomalies est extrêmement importante pour aider les détaillants à réduire les retours, c'est pourquoi nous avons construit un moteur de détection d'anomalies (ADE) au sein du Chief Returns OfficerⓇ. En analysant des mesures telles que le taux de retour, les unités expédiées ou la récence des points de données, nous sommes en mesure de déclencher des alertes sur des styles ou des catégories de produits particuliers qui provoquent des problèmes de retour. Les détaillants sont alors en mesure de prendre des mesures suite à ces alertes, comme fixer le prix de vente ou ajuster le texte ou les images du site Web en fonction des commentaires des clients. Mais il ne s’agit là que d’une application de détection d’anomalies, qui constitue un incontournable et une amélioration stratégique pour votre entreprise.
___
Cet article de Navjit Bhasin, fondateur/PDG de Newmine, paru à l'origine sur le blog Newmine.
