Introducción
Estamos viviendo en medio de una revolución global en este momento. TEl mundo empresarial de hoy está más interconectado que nunca, no solo en términos de tecnología., pero además en el número de socios con los que suelen tratar las compañías.
Las asociaciones externas se han vuelto esenciales para construir y operar un negocio en la actualidad por la sencilla razón de que a menudo conducen a una mayor productividad y crean nuevas posibilidades para ambas partes.
El número de redes de socios además está aumentando. Un Estudio de IBM titulado “Evolución de la economía de las API” destacó que el 70 por ciento de las compañías quieren expandir sus asociaciones externas.
A modo de ejemplo, en la imagen siguiente puede hallar una descripción general de un ecosistema empresarial digital en la industria de viajes. Este se compone de:
- Lado de la oferta: Esto incluye proveedores como hoteles y vuelos.
- Lado de la demanda: Esto incluye servicios como aerolíneas y agencias de viajes.
- Red de socios: Esto conecta el lado de la oferta y la demanda y puede incluir entidades como bancos de suministro, bolsas o mercados.
- Aplicaciones de terceros: Esto puede incluir compañías como proveedores de pagos, CRM, etc.
Independientemente del tamaño de la compañía o la industria, uno de los puntos en común que existen en todas las asociaciones externas es que se comparten datos entre sí. Como puede imaginar, compartir datos con socios externos en cualquier capacidad agrega complejidad y vulnerabilidad adicionales a ambas instituciones. En particular, las API que unen estas asociaciones son increíblemente valiosas, pero además son muy propensas a errores, tiempo de inactividad y amenazas de ciberseguridad. Como consecuencia, cuando uno de estos proveedores no cumple con un SLA definido, los usuarios finales se ven afectados, se pierden ingresos y se producen violaciones de datos.
A medida que el uso de API y el tamaño de estas redes de socios continúan creciendo, la detección de estos fallos y amenazas dentro de un período de tiempo razonable se convierte en una tarea no trivial inclusive para los equipos técnicos más avanzados.
La forma tradicional de monitorear las métricas asociadas con las asociaciones, a modo de ejemplo, el tráfico, las referencias y los ingresos, ha sido alimentarlos a todos por medio de un monitoreo de TI o un sistema de Monitoreo del Rendimiento de las Aplicaciones (APM).
A pesar de esto, el problema con estos enfoques tradicionales es que las máquinas de monitoreo y los KPI de seguimiento de la compañía son sistemas fundamentalmente independientes y deben tratarse como tales.
En particular, las métricas comerciales asociadas con las asociaciones externas a menudo pueden ser mucho más volátiles que las máquinas de monitoreo. No solo eso, sino que los KPI además pueden verse influenciados por fuerzas externas, como el comportamiento humano estacional. Esto significa que, a diferencia de las máquinas, las métricas comerciales simplemente no se pueden medir y examinar en términos absolutos.
Otra diferencia clave entre el monitoreo de los KPI de la asociación y los sistemas de monitoreo es medir la topología o las relaciones entre estas métricas.. Cuando monitoreamos datos de máquinas, a menudo podemos identificar relaciones claras entre ellas. Cuando se trata de monitorear los KPI comerciales, por otra parte, a menudo hay millones o cientos de millones de métricas para realizar un seguimiento. Este gran volumen de datos significa que muchas de las relaciones entre los KPI serán no lineales, lo que los hace mucho más difíciles de identificar.
Por suerte, este es exactamente el problema que el aprendizaje automático nos ayuda a solucionar.
Antes de analizar cómo se puede aplicar el aprendizaje automático al monitoreo de asociaciones, revisemos primero algunos tipos comunes de redes de socios de las que muchas compañías ya forman parte.
Tipos de redes de socios
Analicemos las dos categorías principales de redes de socios (redes de afiliados y publicidad programática) y la tecnología API de la que dependen.
Redes afiliadas
Una red de afiliados actúa como intermediario entre los editores (dicho de otra forma, los afiliados) y los programas de afiliados comerciales. Como puede imaginar, administrar grandes redes de afiliados que disponen cientos de cuentas es una tarea excepcionalmente compleja. Uno de los desafíos que enfrentan estas grandes redes es la automatización de sus procesos de seguimiento para evitar la pérdida de ingresos y la rotación.
Los sistemas de seguimiento de afiliados requieren que los administradores de cuentas realicen un seguimiento de innumerables métricas, como el volumen de tráfico, las tasas de conversión, el retorno de la inversión publicitaria y muchas otras. Para administrar estos factores a escala, las redes afiliadas ahora están recurriendo a soluciones autónomas de detección de anomalías que brindan alertas en tiempo real a los incidentes en la red. A modo de ejemplo, si la respuesta identifica cambios drásticos en las métricas, como una caída en las referencias, esto podría significar que la cuenta está en riesgo.
El resultado de poner en práctica un sistema de aprendizaje automático para el monitoreo de afiliados significa que, en lugar de monitorear constantemente los cambios en estas métricas, los gerentes de cuentas pueden enfocarse en tareas de mayor valor, como la administración de relaciones.
Publicidad programática
Otra red de socios comunes en la que muchas compañías confían en la actualidad es una plataforma de publicidad programática. Las redes de publicidad programática conectan a los anunciantes con los editores, en los que los anunciantes pujan por el inventario (dicho de otra forma, el espacio publicitario) en tiempo real, además conocido como pujas en tiempo real (RTB).
Estas redes de socios conectan compañías que administran enormes presupuestos publicitarios de una manera absolutamente automatizada, lo que significa que la plataforma además necesita monitorear innumerables métricas, incluidas las impresiones, los clics y las conversiones de los socios. La cantidad de métricas que estas plataformas de tecnología publicitaria están rastreando cada día a menudo puede llegar a cientos de millones y son indispensables tanto para la oferta como para la demanda.
Como puede imaginar, una métrica mal rastreada o un error en la red puede generar millones de dólares en pérdidas en segundos.
Para solucionar los desafíos que enfrentan las redes de publicidad programática, Los sistemas de monitoreo basados en inteligencia artificial se han vuelto esenciales.
El aprendizaje automático es concretamente adecuado para esta tarea, dado que puede manejar una gran cantidad de datos de la red, extraer significado de los datos e identificar incidentes potenciales en tiempo real.
API
Una de las razones por las que las redes de socios son tan difíciles de monitorear es debido a la infraestructura subyacente. Por lo general, se conectan por medio de API o interfaces de programación de aplicaciones, que actúan como intermediarios de software para que dos aplicaciones puedan comunicarse entre sí.. Uno de los principales desafíos de las API de monitoreo no es solo que se transfieren grandes cantidades de datos cada segundo, sino además el hecho de que disponen una visibilidad tan baja, lo que significa que es factible que no siempre sepamos cuándo algo se ha roto dentro del protocolo.
Un error de API a menudo puede resultar en tiempo de inactividad para muchas otras aplicaciones que dependen de él, lo que, como puede imaginar, crea un efecto de bola de nieve de posibles problemas. Específicamente, las brechas en el rendimiento de la API pueden afectar la experiencia del usuario, interrumpir los flujos de trabajo y dañar gravemente la fama de una marca. Como consecuencia, monitorear las API en todo momento es esencial para evitar una pérdida significativa de ingresos.
Monitoreo basado en IA se puede usar para las API al aprender el comportamiento normal de cada métrica y posteriormente proporcionar alertas en tiempo real sobre eventos anómalos e incidentes potenciales. Una de las ventajas de un sistema basado en aprendizaje automático es que no es necesario establecer exactamente qué buscar al monitorear la API. En cambio, el sistema aprende a monitorear la funcionalidad normal, el rendimiento, la corrección y la velocidad de cada llamada a la API por sí solo.
El enfoque tradicional para monitorear las redes de socios
El monitoreo de las redes de socios se ha realizado tradicionalmente con el uso de paneles de inteligencia empresarial (BI) junto con un sistema de alerta manual si se detectan irregularidades. El primer desafío con este enfoque es la obvia incapacidad para escalar, dado que un equipo de analistas solo puede monitorear una cierta cantidad de métricas manualmente, lo que ciertamente está muy por debajo de los cientos de millones de puntos de datos creados cada día dentro de las redes de socios.
Otro problema con este enfoque es la latencia o la demora entre un incidente y la solución del equipo. Esto se conoce como el tiempo medio de resolución (MTTR) y, como puede imaginar, un incremento de inclusive una hora en el tiempo de resolución de su equipo puede tener un gran impacto en el costo de la compañía.
En conclusión, las redes de socios son, en esencia, un negocio de relaciones. Entonces, si no es tan proactivo como sea factible para hallar y solucionar problemas, es bastante sencillo que estas relaciones se dañen irrevocablemente. De todos modos, los problemas en las redes de socios siempre seguirán sucediendo, pero si sus socios conocen que está usando un sistema de monitoreo basado en inteligencia artificial en lugar de un equipo de analistas humanos que simplemente «observan» los registros de incidentes y las tendencias, eso puede llevar mucho tiempo. forma de generar confianza.
Monitoreo automatizado de socios con IA
Ahora que hemos discutido algunos de los problemas asociados con los enfoques tradicionales para el monitoreo de socios, revisemos cómo un enfoque basado en el aprendizaje automático puede automatizar y mejorar todo el procedimiento.
La primera ventaja de la IA para el seguimiento de socios es velocidad. Mencionamos previamente que el tiempo medio de resolución de una compañía es una métrica clave para mantener bajos los costos cuando inevitablemente surgen incidentes. El hecho es que los algoritmos de aprendizaje automático pueden monitorear cientos de millones de puntos de datos por segundo, algo que un equipo de analistas simplemente nunca podrá hacer por sí solo.
En el siguiente ejemplo, las anomalías fueron detectadas por la plataforma de monitoreo empresarial automatizado Anodot, que ayudó al equipo a resolverlas en una hora.
Al mismo tiempo de monitorear los puntos de datos, un sistema basado en aprendizaje automático puede aprender automáticamente el comportamiento normal de cada métrica individualmente, por lo que puede detectar inclusive la más mínima desviación del comportamiento esperado. Con las alertas en tiempo real integradas en el sistema, esto significa que su equipo está al tanto y puede responder a los incidentes mucho más rápido que los sistemas de monitoreo tradicionales.
Otra ventaja del monitoreo basado en IA es escala. Independientemente del tamaño del equipo que cree para monitorear los sistemas, es probable que disminuya el rendimiento del capital humano en lo que respecta a la escala de datos con los que disponen que lidiar las redes de socios. El monitoreo automatizado de IA tampoco toma descansos, por lo que no importa qué hora del día sea, se puede utilizar para extraer significado de enormes conjuntos de datos para que su equipo técnico tenga una descripción general completa de lo que está sucediendo en la red.
Una ventaja final de un enfoque basado en IA es la granularidad proporciona. El monitoreo basado en IA no solo proporciona una descripción general en tiempo real de toda la red, sino que además inspecciona las métricas más granulares de la red.
Como se mencionó, inclusive con un equipo de analistas vigilando la red, estas métricas pueden perderse fácilmente entre el mar de datos. En particular, si hay un incidente en la red, una solución basada en inteligencia artificial puede agrupar anomalías y eventos relacionados en una sola alerta, para que no reciba «tormentas de alerta» por cada pequeño incidente que ocurra. Esta capacidad de hallar correlaciones además significa que puede identificar la fuente del incidente, hasta la ubicación, el dispositivo y el navegador.
Pensamientos finales
Como hemos comentado, una solución de monitoreo de socios basada en inteligencia artificial tiene la capacidad de rastrear cada punto de datos en una red al nivel más granular, al mismo tiempo que proporciona una descripción general de la red en su conjunto. Esto significa que puede ser lo más proactivo factible al momento de aprovechar al máximo sus sistemas, hallar incidencias lo antes factible e identificar la fuente para impulsar su tiempo de resolución.
Como consecuencia, la IA para el monitoreo de socios le posibilita generar más confianza y relaciones sostenibles dentro de la red.
Sobre el Autor
Amit Levi es vicepresidente de producto y marketing en Anodot. Le apasiona convertir los datos en conocimientos. Durante los últimos 15 años, se enorgullece de acompañar el desarrollo del mercado de la analítica. Habiendo ocupado puestos gerenciales en varias compañías emergentes líderes, Amit aporta una vasta experiencia en la planificación, desarrollo y envío de productos de análisis y datos a gran escala a las principales compañías móviles y web. Experto en productos y datos, su lema es «El buen juicio proviene de la experiencia y la experiencia proviene del mal juicio».
