Einführung
Wir leben gerade mitten in einer globalen Revolution. TDie heutige Geschäftswelt ist vernetzter denn je, nicht nur technisch., sondern auch in der Anzahl der Partner, mit denen Unternehmen üblicherweise zu tun haben.
Externe Partnerschaften sind heute für den Aufbau und Betrieb eines Unternehmens aus dem einfachen Grund unverzichtbar geworden, weil sie oft zu einer höheren Produktivität führen und neue Möglichkeiten für beide Parteien schaffen..
Auch die Zahl der Partnernetzwerke nimmt zu. ein IBM-Studie mit dem Titel "Evolution of the API Economy" unterstrich, dass die 70 Prozent der Unternehmen wollen ihre externen Partnerschaften ausbauen.
Als Beispiel, Einen Überblick über ein digitales Business-Ökosystem in der Reisebranche finden Sie im Bild unten. Dies besteht aus:
- Angebotsseite: Dazu gehören Anbieter wie Hotels und Flüge.
- Nachfrageseite: Dazu gehören Dienstleistungen wie Fluggesellschaften und Reisebüros..
- Partnernetzwerk: Dies verbindet die Angebots- und Nachfrageseite und kann Einheiten wie Angebotsbanken umfassen., Börsen oder Märkte.
- Apps von Drittanbietern: Dies können Unternehmen wie Zahlungsanbieter sein, CRM, etc.
Unabhängig von Unternehmens- oder Branchengröße, Eine der Gemeinsamkeiten aller externen Verbände besteht darin, dass sie Daten miteinander teilen. Wie du dir vorstellen kannst, Der Austausch von Daten mit externen Partnern in jeglicher Form erhöht die Komplexität und Anfälligkeit für beide Institutionen. Speziell, Die APIs, die diese Partnerschaften verbinden, sind unglaublich wertvoll, aber sie sind auch sehr fehleranfällig, Ausfallzeiten und Cybersicherheitsbedrohungen. Während, wenn einer dieser Anbieter ein definiertes SLA nicht erfüllt, Endverbraucher sind betroffen, Einnahmen gehen verloren und es kommt zu Datenschutzverletzungen.
Da die API-Nutzung und die Größe dieser Partnernetzwerke weiter wachsen, Das Erkennen dieser Fehler und Bedrohungen innerhalb eines angemessenen Zeitraums wird selbst für die fortschrittlichsten technischen Teams zu einer nicht trivialen Aufgabe.
Die traditionelle Methode zur Überwachung von Kennzahlen im Zusammenhang mit Partnerschaften, als Beispiel, der Verkehr, Empfehlungen und Einkommen, hat sie alle durch IT-Monitoring oder ein Application Performance Monitoring-System gespeist (APM).
Trotz dieses, Das Problem bei diesen traditionellen Ansätzen besteht darin, dass die Überwachungsmaschinen und die Monitoring-KPIs des Unternehmens sind grundsätzlich unabhängige Systeme und sollten als solche behandelt werden.
Speziell, Geschäftskennzahlen im Zusammenhang mit externen Partnerschaften können oft viel volatiler sein als die Überwachung von Maschinen. Nicht nur das, aber die KPIs können auch durch externe Kräfte beeinflusst werden, wie saisonales menschliches Verhalten. Dies bedeutet, dass, im Gegensatz zu Maschinen, Geschäftskennzahlen lassen sich einfach nicht absolut messen und überprüfen.
Ein weiterer wichtiger Unterschied zwischen Überwachungsverbund-KPIs und Überwachungssystemen besteht darin, die Topologie oder Beziehungen zwischen diesen Metriken zu messen.. Wenn wir Maschinendaten überwachen, wir können oft klare Beziehungen zwischen ihnen erkennen. Wenn es um die Überwachung von Geschäfts-KPIs geht, Außerdem, es gibt oft Millionen oder Hunderte von Millionen von Metriken, die verfolgt werden müssen. Diese große Datenmenge bedeutet, dass viele der Beziehungen zwischen den KPIs nicht linear sind., was es viel schwieriger macht, sie zu identifizieren.
Glücklicherweise, Genau das ist das Problem, das uns maschinelles Lernen hilft.
Bevor wir diskutieren, wie maschinelles Lernen auf die Überwachung von Assoziationen angewendet werden kann, Sehen wir uns zunächst einige gängige Arten von Partnernetzwerken an, denen viele Unternehmen bereits angehören..
Arten von Partnernetzwerken
Lassen Sie uns die beiden Hauptkategorien von Partnernetzwerken analysieren (Affiliate-Netzwerke und programmatische Werbung) und die API-Technologie, von der sie abhängen.
Affiliate-Netzwerke
Ein Affiliate-Netzwerk fungiert als Vermittler zwischen Publishern (Mit anderen Worten, die verbundenen Unternehmen) und kommerzielle Partnerprogramme. Wie du dir vorstellen kannst, Die Verwaltung großer Affiliate-Netzwerke mit Hunderten von Konten ist eine außergewöhnlich komplexe Aufgabe. Eine der Herausforderungen, mit denen diese großen Netzwerke konfrontiert sind, besteht darin, ihre Folgeprozesse zu automatisieren, um Umsatz- und Umsatzeinbußen zu vermeiden..
Affiliate-Tracking-Systeme erfordern, dass Account Manager unzählige Metriken verfolgen, wie das Verkehrsaufkommen, Umrechnungskurse, der Return on Advertising Investment und viele andere. Um diese Faktoren in großem Maßstab zu verwalten, Verbundene Netzwerke wenden sich jetzt autonomen Anomalieerkennungslösungen zu, die Echtzeitwarnungen bei Netzwerkvorfällen bereitstellen. Als Beispiel, wenn die Antwort drastische Änderungen der Metriken identifiziert, wie ein Rückgang der Empfehlungen, Dies könnte bedeuten, dass das Konto gefährdet ist.
Das Ergebnis der Implementierung eines maschinellen Lernsystems für das Affiliate-Monitoring bedeutet, dass, anstatt ständig Änderungen dieser Metriken zu überwachen, Account Manager können sich auf höherwertige Aufgaben konzentrieren, wie Beziehungsmanagement.
Programmatische Werbung
Ein weiteres gemeinsames Partnernetzwerk, auf das viele Unternehmen heute vertrauen, ist eine Programmatic Advertising-Plattform.. Programmatische Werbenetzwerke verbinden Werbetreibende mit Publishern, wo Werbetreibende auf Inventar bieten (Mit anderen Worten, Platz für Werbung) in Echtzeit, auch als Echtzeitgebote bekannt (RTB).
Diese Partnernetzwerke verbinden Unternehmen, die riesige Werbebudgets vollautomatisch verwalten., was bedeutet, dass die Plattform auch unzählige Metriken überwachen muss, inklusive Drucke, Klicks und Conversions von Partnern. Die Anzahl der Metriken, die diese Ad-Tech-Plattformen jeden Tag verfolgen, kann oft in die Hunderte von Millionen gehen und sind sowohl für Angebot als auch für Nachfrage unverzichtbar..
Wie du dir vorstellen kannst, eine schlecht verfolgte Metrik oder ein Netzwerkfehler kann innerhalb von Sekunden zu Verlusten in Millionenhöhe führen.
Um die Herausforderungen von programmatischen Werbenetzwerken zu lösen, Auf künstlicher Intelligenz basierende Überwachungssysteme sind unverzichtbar geworden.
Machine Learning eignet sich für diese Aufgabe besonders gut, da es eine große Menge an Netzwerkdaten verarbeiten kann, Bedeutung aus Daten extrahieren und potenzielle Vorfälle in Echtzeit identifizieren.
API
Einer der Gründe, warum Partnernetzwerke so schwer zu überwachen sind, liegt in der zugrunde liegenden Infrastruktur.. Wie gewöhnlich, Verbindung über APIs oder Anwendungsprogrammierschnittstellen, die als Softwarevermittler fungieren, sodass zwei Anwendungen miteinander kommunizieren können.. Eine der größten Herausforderungen beim Monitoring von APIs besteht nicht nur darin, dass jede Sekunde große Datenmengen übertragen werden, aber auch die Tatsache, dass sie eine so geringe Sichtbarkeit haben, was bedeutet, dass es möglich ist, dass wir nicht immer wissen, wann etwas innerhalb des Protokolls gebrochen ist.
Ein API-Fehler kann oft zu Ausfallzeiten für viele andere Anwendungen führen, die davon abhängen, was, wie kannst du dir das vorstellen, erzeugt einen Schneeballeffekt potenzieller Probleme. Speziell, Lücken in der API-Leistung können die Benutzererfahrung beeinträchtigen, Arbeitsabläufe stören und den Ruf einer Marke ernsthaft schädigen. Während, Die ständige Überwachung von APIs ist unerlässlich, um erhebliche Umsatzeinbußen zu vermeiden.
KI-basierte Überwachung kann für APIs verwendet werden, indem das normale Verhalten jeder Metrik erlernt und anschließend Echtzeitwarnungen bei anomalen Ereignissen und potenziellen Vorfällen bereitgestellt werden. Einer der Vorteile eines auf maschinellem Lernen basierenden Systems besteht darin, dass Sie nicht genau festlegen müssen, wonach Sie beim Überwachen der API suchen müssen. jedoch, das System lernt, die normale Funktionalität zu überwachen, Leistung, allein die Richtigkeit und Geschwindigkeit jedes API-Aufrufs.
Der traditionelle Ansatz zur Überwachung von Partnernetzwerken
Die Überwachung von Partnernetzwerken erfolgt traditionell mithilfe von Business-Intelligence-Dashboards (MIT EINEM) zusammen mit einem manuellen Warnsystem, wenn Unregelmäßigkeiten festgestellt werden. Die erste Herausforderung bei diesem Ansatz ist die offensichtliche Unfähigkeit zur Skalierung, da ein Analystenteam nur eine bestimmte Anzahl von Metriken manuell überwachen kann, was sicherlich weit unter den Hunderten von Millionen Datenpunkten liegt, die täglich in Partnernetzwerken erstellt werden.
Ein weiteres Problem bei diesem Ansatz ist die Latenz oder Verzögerung zwischen einem Vorfall und der Lösung des Teams.. Dies wird als mittlere Zeit bis zur Auflösung bezeichnet. (MTTR) Ja, wie kannst du dir das vorstellen, eine Verlängerung der Lösungszeit Ihres Teams um sogar eine Stunde kann einen großen Einfluss auf die Kosten des Unternehmens haben.
Abschließend, Partnernetzwerke sind, im Wesentlichen, ein Beziehungsgeschäft. Dann, wenn Sie bei der Suche und Behebung von Problemen nicht so proaktiv wie möglich sind, Es ist ziemlich einfach, dass diese Beziehungen unwiderruflich beschädigt werden. Trotzdem, Probleme in Partnernetzwerken werden immer wieder auftreten, aber wenn Ihre Partner wissen, dass Sie ein auf künstlicher Intelligenz basierendes Überwachungssystem anstelle eines Teams menschlicher Analysten verwenden, die einfach “sie beobachten” Ereignisprotokolle und Trends, das kann lange dauern. Weg um Vertrauen aufzubauen.
Automatisierte Partnerüberwachung mit KI
Nachdem wir nun einige der Probleme besprochen haben, die mit traditionellen Ansätzen zur Partnerüberwachung verbunden sind, Sehen wir uns an, wie ein auf maschinellem Lernen basierender Ansatz das gesamte Verfahren automatisieren und verbessern kann.
Der erste Vorteil von KI für das Partner-Tracking ist Geschwindigkeit. Wir haben bereits erwähnt, dass die mittlere Zeit bis zur Lösung eines Unternehmens eine wichtige Kennzahl ist, um die Kosten niedrig zu halten, wenn unweigerlich Vorfälle auftreten.. Tatsache ist, dass maschinelle Lernalgorithmen Hunderte Millionen Datenpunkte pro Sekunde überwachen können., etwas, das ein Analystenteam alleine nie schaffen kann.
Im folgenden Beispiel, die Anomalien wurden von der automatisierten Business-Monitoring-Plattform Anodot . erkannt, die dem Team geholfen haben, sie in einer Stunde zu lösen.
Gleichzeitig zur Überwachung der Datenpunkte, ein auf maschinellem Lernen basierendes System kann automatisch das normale Verhalten jeder Metrik einzeln lernen, so kann es selbst die kleinste Abweichung vom erwarteten Verhalten erkennen. Mit in das System integrierten Echtzeitwarnungen, Dies bedeutet, dass Ihr Team den Überblick behält und viel schneller auf Vorfälle reagieren kann als herkömmliche Überwachungssysteme.
Ein weiterer Vorteil der KI-basierten Überwachung ist Skala. Unabhängig von der Größe des Teams, das Sie zur Überwachung von Systemen erstellen, Die Humankapitalerträge werden wahrscheinlich im Hinblick auf den Umfang der Daten, mit denen Partnernetzwerke umgehen müssen, zurückgehen. Auch die automatisierte KI-Überwachung macht keine Pause, Also egal zu welcher Tageszeit, kann verwendet werden, um aus riesigen Datensätzen Bedeutungen zu extrahieren, damit Ihr technisches Team einen vollständigen Überblick über das Geschehen im Netzwerk hat.
Ein letzter Vorteil eines KI-basierten Ansatzes ist die granularidad bietet. KI-basiertes Monitoring bietet nicht nur einen Echtzeit-Überblick über das gesamte Netzwerk, Es überprüft auch die granularsten Metriken des Netzwerks.
Wie erwähnt, sogar mit einem Analystenteam, das das Netzwerk überwacht, diese Metriken können leicht im Datenmeer verloren gehen. Speziell, wenn es einen Vorfall im Netzwerk gibt, Eine auf künstlicher Intelligenz basierende Lösung kann Anomalien und verwandte Ereignisse in einer einzigen Warnung zusammenfassen, damit Sie nicht erhalten “Warnung vor Stürmen” für jeden kleinen Vorfall, der passiert. Diese Fähigkeit, Korrelationen zu finden, bedeutet auch, dass Sie die Quelle des Vorfalls identifizieren können., zum Standort, Gerät und Browser.
Abschließende Gedanken
Wie wir kommentiert haben, eine auf künstlicher Intelligenz basierende Partnerüberwachungslösung kann jeden Datenpunkt in einem Netzwerk auf kleinster Ebene verfolgen, und bietet gleichzeitig einen Überblick über das Netzwerk als Ganzes. Dies bedeutet, dass Sie so proaktiv wie möglich sein können, um das Beste aus Ihren Systemen herauszuholen., Finden Sie Probleme so schnell wie möglich und identifizieren Sie die Quelle, um Ihre Lösungszeit zu verkürzen.
Während, KI zur Partnerüberwachung ermöglicht es Ihnen, mehr Vertrauen und nachhaltige Beziehungen innerhalb des Netzwerks aufzubauen.
Über den Autor
Amit Levi ist Vice President für Produkt und Marketing bei Anoden. Mit Leidenschaft dabei, Daten in Erkenntnisse umzuwandeln. Während der letzten 15 Jahre, ist stolz die Entwicklung des Analytics-Marktes zu begleiten. Nach Führungspositionen in mehreren führenden aufstrebenden Unternehmen, Amit bringt große Erfahrung in der Planung mit, Entwicklung und Bereitstellung umfangreicher Daten- und Analyseprodukte an führende Web- und Mobilfunkunternehmen. Produkt- und Datenexperte, sein Motto lautet “Gutes Urteilsvermögen kommt von Erfahrung und Erfahrung kommt von schlechtem Urteilsvermögen”.
